DeepSeek提示词工程：从聊天框到一小时万字方案交付流水线

简介：《普通人如何抓住DeepSeek红利.pdf》是一份面向上班族、学生及希望借助人工智能提升效率的入门型实战读物，围绕DeepSeek的能力边界与提示词使用展开，帮助读者在工作写作、学习辅导、职场沟通和日常事务中把AI真正用起来。压缩包内共1个PDF文件，约4.84MB，以图文讲义形式组织，便于在电脑或移动端直接阅读与检索；已有2291人学习，可见其选题与实用性受到关注。内容先说明DeepSeek是什么、能做什么，再落到“如何提问”这一关键环节，强调提示词驱动的新生产力，并结合一键写项目书、快速掌握行业信息、回应客户咨询、解决学业盲点、应对社交与家庭突发状况等场景，给出可复用的提问思路与操作示范。读者可从中获得能力图谱、分阶段使用策略、提示词模板意识及鉴别AI答案的方法，理解“提出问题”与“甄别答案”两大关键，减少空泛对话、提高输出质量，逐步形成自己的AI协作流程。

1. 一份 PDF 能有多硬：把 DeepSeek 从聊天框拽进交付流程

下午三点零五分，领导在群里丢下一句“今晚要一份一万字的项目方案书”，你手头只有几页零散会议记录和一个去年的旧模板，光标停在标题页上，一个字都敲不出来。这份《普通人如何抓住DeepSeek红利》讲的正是这种时刻，它不是人工智能科普读物，而是一套把 DeepSeek 当生产工具用的操作手册：先用提示词把大任务拆成框架、模块、软性内容三段，再用鉴别环节把机器生成的东西筛一遍。自然语言处理、机器学习这些词在书里没有堆砌，落到实处的只有两个动作，提问和鉴别。适合写方案、做汇报、带新人、回客户、赶论文的人，尤其适合已经在用大模型、但总觉得“答得挺对却用不上”的从业者。

2. 摸清能力边界：R1 的推理长板与三个不该碰的活

2.1 强化学习后训练：深度思考模式贵在哪

DeepSeek-R1 是开源的推理模型，官方口径里最关键的一句是“后训练阶段大规模使用了强化学习技术，在仅有极少标注数据的情况下提升推理能力”。这句话翻译成工程语言就是：它不是在预训练阶段把全世界文本背一遍，而是在后训练阶段用奖励信号反复打磨“怎么一步步想问题”。所以你会看到它在数学、代码、自然语言推理这几类任务上表现明显更稳，性能对标同期头部推理模型的正式版，并且开源、可免费商用。

这带来一个很实际的使用分野。普通对话模式是“读完题直接写答案”，深度思考模式是“先把思路铺开，再收敛成结论”，后者在界面上会多出一段思考过程。这份 PDF 里那个把青椒、茄泥、香肠、薄荷拆成四层结构再重组的菜谱例子，本质就是深度思考的展示：先做结构解构，再做层次拆解，最后给技法。这种“先铺开再收敛”的方式适合方案推演、逻辑排查、多步计算，代价是等待时间变长、输出变长，而且思考链本身不一定对，只是让结论更可追溯。

我把常用模式整理成一张对照表，实际用的时候照着选，能省掉不少无效等待。

提示：深度思考模式不是“更聪明的开关”，而是一个成本更高的推理通道。简单任务开它，除了等得久，还容易把一个三句话能说清的事写成八百字。

2.2 能力图谱对号入座：哪些活值得丢给它

这份 PDF 给了一张相当细的能力图谱，从文本创作、摘要改写、结构化生成，一路铺到语义分析、知识推理、多模态交互。图谱好看，但落到干活，需要按“出错代价”重新排一遍优先级。我的分法是三档：高性价比、需要抽检、必须人工兜底。

高性价比那一档，是真正能省时间的：写方案框架、把会议记录整理成分点、把一段口语改写成报告腔、给代码补注释、把长报告压成三百字摘要。这些任务的特点是“错了也好改”，人工扫一眼就能发现。需要抽检的那一档，比如批量给客户反馈做情感分类，模型准确率通常够用，但你必须抽二三十条对一遍，确认它没有把反讽当好评。必须人工兜底的那一档，是数字、条款、发文号、法律条文，模型给什么都不能直接信。

2.3 “免费商用”和“性能对标”该怎么读

免费商用这四个字的实际价值，比很多人想得大。它意味着你可以把模型接进内部脚本，批量处理几十上百份文档，而不用先算一笔调用成本。常见做法是用兼容接口写一个小脚本，把模板提示词和文档列表丢进去循环跑，跑完人工过一遍。这件事在收费模型上是要先做预算审批的，在开源可商用的模型上，一个人一下午就能验证完。

但“性能对标”要读得克制一点。对标的是基准测试里的通过率指标，不是“所有任务都等同”。同一个模型，做数学题可能很稳，做需要最新行业数据的分析就会露怯；写代码补全可能很顺，写需要引用具体条款的合规文本就会编。我的习惯是把它当“高速草稿机加逻辑陪练”，不当“终审”。草稿机负责把空白页填满、把思路铺开、把格式搭好；陪练负责在你卡住的时候给三个方向。终审永远是人。

还有一点，模型会迭代。今天某个任务表现好，不代表下个月还是这样。所以凡是依赖模型输出的流程，都要留一个“人工抽检”的环节，而不是全自动跑到底。

3. 提示词四段式：让一次生成就能直接粘进文档

3.1 四段式骨架：角色、材料、约束、自检

书里反复强调“善用 DeepSeek 的两大关键：提出问题、鉴别答案”。提问这一半，最省事的写法是把提示词拆成四段：角色、输入材料、任务与约束、自检项。四段缺一段，输出质量就会往下掉一档。

# 角色 你是[领域]的方案撰写助手，服务对象是[读者]，他们最关心[关注点1][关注点2]。 # 输入材料 以下是原始素材，请只基于这些材料和我给出的假设作答： [粘贴会议记录 / 旧模板片段 / 数据表] # 任务与约束 1. 输出「[章节名]」，字数控制在[下限]-[上限]字 2. 必须包含[要素1]、[要素2]、[要素3] 3. 用三级编号小标题 + 表格呈现，禁止大段散文 4. 无出处的数据一律标注「（示例）」 5. 不要写“综上所述”“随着……的发展”这类套话 # 自检 输出前逐条检查：有没有未标注的虚构数据？参数前后是否矛盾？ 有没有超过字数上限？把不满足的条目改掉再输出。

角色那一段决定语域，写“政府报告风格”和写“给客户看的技术说明”，出来的句子完全不一样。输入材料那一段决定事实密度，材料越具体，编的空间越小。约束那一段决定可粘性，编号、表格、字数这些要求写清楚，粘进文档基本不用二次排版。自检那一段是最容易被省略的，但它能挡掉相当一部分“看着像那么回事、细看全是坑”的输出。

参数上有个经验值：字数给区间不给精确值，因为模型对“正好 500 字”的执行力很差，对“400 到 600 字”反而更稳；要素数量控制在三到五个，超过五个它就开始漏；约束条目单轮不要超过六条，再多就会被稀释。

3.2 数据嫁接：缺数据时怎么让模型合理虚构还不背锅

书里给了一个很实用的技巧，叫数据嫁接：手上没有真实数据时，直接给模型一组假设值，让它往下算。原例是“假设园区占地 500 亩，日均处理包裹量 50 万件，请计算自动化分拣设备的配置数量，用表格展示”。这个做法本身没问题，问题在于很多人忘了标注，最后把示例值当成真实数据交上去。

我的处理方式是按数据类型分三档，不同档位给不同权限。

这种分档的好处是责任边界清楚。凡是标了「（示例）」的，读者一看就知道这是测算前提，不会拿它当承诺；凡是没标的，就是你要负责的。血泪经验是，政策发文号这一类千万别让模型“生成”，它编出来的号长得特别像真的，但一查就露馅。

3.3 强制格式：编号、表格、三线表

格式是最容易被低估的一环。同样一段内容，散着写成五段散文，和写成三级编号加一张表，读起来的“专业感”差一大截。所以提示词里要把格式当硬约束写，而不是当建议写。

常用指令有三类。第一类是编号：“输出带 1./1.1/1.1.1 三级编号的小标题，每节不超过 300 字，节与节之间不要重复”。第二类是表格：“把上述设备清单整理成四列表格，列名分别是设备名称、数量、单价区间、备注，数量列右对齐”。第三类是图表描述：“把上面的流程整理成 Mermaid 流程图代码，节点不超过八个”，注意这类输出是文本描述，粘到支持渲染的环境里才会变成图，不要指望它直接给你一张图片。

批量跑的时候，用脚本比在网页里一条条粘贴省事得多。兼容接口的写法大致如下：

import os from openai import OpenAI client = OpenAI( api_key=os.environ["DS_API_KEY"], # 密钥走环境变量，不要写死在代码里 base_url="https://api.deepseek.com", # 接入点以官方文档为准 ) prompt = open("prompt_section.md", encoding="utf-8").read() resp = client.chat.completions.create( model="deepseek-chat", # 普通生成用 chat；推理任务换推理模型标识 messages=[ {"role": "system", "content": "你是严谨的方案撰写助手，输出必须带三级编号小标题，数据无出处时标注（示例）。"}, {"role": "user", "content": prompt}, ], temperature=0.3, # 方案、报告类压低随机性 max_tokens=4000, # 按单节长度给，不要一次要一万字 ) print(resp.choices[0].message.content)

这段代码里，temperature是最值得调的一个参数。写方案、写报告、写需要术语一致的文档，给 0.2 到 0.4，输出会更收敛；写营销文案、起标题、 brainstorm，给 0.7 到 0.9，才会有变化。max_tokens按“单节长度”给，不要一次让它生成整篇，一次要得越多，后半段越容易注水。system里把格式约束再写一遍，是因为长对话里约束会衰减，每轮重贴一次比只贴一次稳。

3.4 鉴别答案：让模型自己先挑三个刺

鉴别这一半，书里给了一个很聪明的做法：生成完之后，让模型自己扮演挑剔的客户，列出三个可能被质疑的点，再给出应对答案。这个动作的价值不在于它挑得准，而在于它能把你没注意到的地方翻出来。

具体三步。第一步，把生成的内容贴回去，指令写“检查以下方案书逻辑漏洞，列出 3 个可能被客户质疑的点，每个点说明质疑理由”。第二步，让它针对每个质疑点给一段不超过 100 字的应对。第三步，也是最关键的一步，人工核事实：数字对不对、条款在不在、专有名词有没有写错。前两步模型做得不错，第三步它做不了，因为它不知道你的真实数据。

这三步走完，一篇稿子的“可交付度”会明显上一个台阶。很多返工不是因为写得不好，而是因为交上去之后被问了一句“这个数据哪来的”，答不上来。

4. 一小时一万字的流水线：四个阶段与各自的时间预算

4.1 第一阶段五分钟：暴力生成框架

这一步的目标不是写好，是先把空白页填满。书的原例是“5 分钟生成 3000 字框架”，实际操作里框架本身不需要 3000 字，需要的是一个足够细的目录，细到每个三级标题下面能直接填内容。

指令这么写：给它会议记录、旧模板目录、客户所在行业，让它输出三级目录，每个三级标题下配一句 80 到 120 字的内容摘要。要求它先只出目录，不要出正文。这个“先目录后正文”的顺序很重要，一步到位生成全文，模型会在中途丢失结构，越往后越散。

框架出来后人工做一件事：删掉不合适的章节，补上客户明确要求的章节，调整顺序。这五分钟里花的脑力，比后面二十分钟都值。目录错了，后面全是白填。

4.2 第二阶段二十分钟：模块填充

有了目录，就进入逐节填充。核心技巧书里总结成三条：模板复制、数据嫁接、强制格式。

模板复制是指同类章节用同一套指令，只换关键词。比如 3.1、3.2、3.3 三个小节都是讲功能分区，就用同一个模板，只把“自动化立体仓库”“AGV 调度中心”“冷链专区”替换掉。这样出来的三节结构一致、语域一致，粘在一起不会有拼接感。

批量跑的时候，把章节列表和模板分开写：

sections = ["自动化立体仓库", "AGV 调度中心", "冷链专区"] template = """写一段「{title}」的内容，要求： 1. 300-500 字，包含主要设备、关键参数、与其他分区的衔接关系 2. 用「参数名：数值（示例）」的列表形式呈现关键参数 3. 无出处的数据标注（示例），不要编造具体厂商名称 4. 结尾用一句话说明该分区对整体效率的贡献""" for s in sections: user_msg = template.format(title=s) # 调用方式同上，逐节请求，一次只要一节

这段循环的价值在于“一次只要一节”。很多人图省事，把十个章节一次性丢进去让它写，结果就是前面两节还行，后面开始重复、注水、跑题。逐节请求虽然多跑几次，但每节的约束都是新鲜的，完成度明显更高。

数据嫁接在这一阶段用得最多。缺具体数字时，给一组假设，让它往下算，并且强制标注。比如“假设日均处理包裹 50 万件，单条分拣线每小时处理 8000 件（示例），请计算需要的分拣线数量并列成表格”。它会把除法算给你看，你只需要检查假设合不合理。

4.3 第三阶段二十分钟：补软性内容

方案书里总有一些“虚但必需”的部分：政策背景、风险评估、效益测算。这三块最适合交给模型起草，但三块的处理方式完全不同。

效益测算这一段可以给一个可抄的写法。假设人工成本减少 30%、分拣错误率下降 25%，年节约金额 = 现有分拣人员数 × 人均年成本 × 30% + 日均单量 × 365 × 原错误率 × 下降比例 × 单件赔付成本。让它把这两项分开列，再给合计，比让它直接给一个总数可信得多。数字本身是示例，但公式结构是可以直接用的。

政策这一块要特别小心。书里的原话是让模型“生成 5 条政策原文（带发文号）”，这一步在实际操作里必须打折扣：可以让它给政策方向和大致名称，发文号一律自己查。原因很简单，模型编出来的文号格式完美，但内容对不上，交上去被懂行的人看到，整篇的可信度都会受影响。

4.4 第四阶段十分钟：润色与格式伪装

最后一阶段做四件事：统一话术、补图表、查逻辑、调排版。

统一话术的指令很直接：“将以下段落改写成政府报告风格，加入数字化转型、双碳战略等关键词，保留全部数字和专有名词，不要增加新事实”。关键是最后半句，不加“不要增加新事实”，它润色润着润着就会给你添几个没提过的数据。

补图表这一步，前面生成的表格可以再加工成三线表，指令写“将上文设备配置表转换成 LaTeX 三线表，表头加粗，列宽自适应”。流程图类的内容可以让它输出 Mermaid 代码，粘到支持渲染的地方就成图。这些图在视觉上会增加“方案厚度”，但内容必须对得上正文，别为了好看硬凑。

查逻辑就是前面说的三步鉴别：列质疑点、给应对、人工核事实。时间紧的时候至少做第一步，让它列三个最可能被问的问题。

保命优先级要记住：前 30 分钟专注把字数撑到目标线，再谈优化。先堆后优，和先优后堆，在截止时间面前是两种完全不同的结局。格式上还有个小技巧，多用表格、编号列表、三级标题，正文段落之间留足间距，这些都能让文档在视觉上更“厚”，但前提是内容本身站得住。

5. 避坑复盘：五个让我返工的坑和它们的解法

5.1 提示词与输出层

第一个坑，输出一大段散文，粘进文档还得手动分点。现象是每次生成完都要花十几分钟重新排版；原因是提示词里只说了“写一段”，没说“怎么排”；解法是把输出结构写死，系统提示里固定“带三级编号小标题，关键参数用表格，每节不超过 300 字”，并且在每轮对话开头重贴一次，因为长对话里格式约束会衰减。

第二个坑，一次问六七个要求，模型只完成前两个。现象是明明写了“要包含 A、B、C、D、E”，输出里只有 A 和 B；原因单轮指令过载，模型会优先处理靠前和具体的约束；解法是拆成两轮，第一轮只要目录和结构，第二轮逐节填内容，单轮硬约束控制在四条以内，把最重要的那条放在最前面。

第三个坑，简单改写也开深度思考，等了半天。现象是改一段两百字的通知，转圈转了一分多钟；原因是模式误用，把推理通道用在了纯格式任务上；解法是按任务分模式，翻译、改写、摘要、分类走普通对话，数学、代码、多步逻辑推演才开深度思考，开了之后也别催，让它把思考链走完再判断结论对不对。

5.2 数据与事实层

第四个坑，方案里出现一个查无此文的发文号。现象是交上去之后被问“这份文件是哪年发的”，当场答不上来；原因是让模型“生成政策原文并带发文号”，它编得非常像真的；解法是政策只让模型给方向和解读角度，文件名和文号自己去官方渠道补，补完再让它按补好的信息重写一遍解读段。

第五个坑，长文档整篇塞进去，模型开始忘要求。现象是前面几节还守着格式，后面几节突然变成大段散文，数字也不标示例了；原因是上下文里约束被内容稀释，越往后权重越低；解法是先让模型做分段摘要，再按章节逐段处理，每段请求都把约束重贴一遍，不要指望一次超长对话解决全部问题。

6. 把提示词存成资产：模板库命名与三问验证

跑到第三篇方案的时候你会发现，真正省时间的不是模型，是你自己攒下来的那套提示词。我现在的做法是建一个纯文本目录，文件名按“场景_任务_版本_日期”命名，比如方案_框架生成_v3.md、方案_风险清单_v2.md、客户沟通_话术改写_v1.md。每个文件开头写清楚三件事：适用场景、必填变量、已知失效情况。已知失效情况这一栏最有价值，比如“当输入材料少于 300 字时，框架会明显空泛”，写下来下次就不会重复踩。

验证环节我用三问，每篇稿子交付前过一遍。第一问，所有数字有没有出处，标了「（示例）」的有没有在文末汇总成假设清单。第二问，主要结论有没有反例，让模型扮演挑刺方列出三个质疑点，能答上来的留下，答不上来的删掉或改弱。第三问，格式能不能直接交付，编号连不连续、表格列数对不对、标题层级有没有跳级。

还有个进阶技巧值得试：把生成好的内容整段喂回去，让它“以甲方评审专家的身份，提三个最狠的问题，每个问题不超过三十字”。它提的问题往往比你自己想的刁，尤其是涉及工期、成本、责任划分的部分。这三问答完，稿子的抗质疑能力会明显不一样。

从那以后我每次交 AI 辅助的稿子，都会在最后留一页“假设与待核清单”，把用了哪些示例值、哪些政策需要补文号、哪些数据需要业务方确认，一条条列清楚。这页纸不占多少时间，但它救过我至少两次返工。希望帮到你。

本文还有配套的精品资源，点击获取