我刚开始用 DeepSeek 时，以为提示词就是“问问题”。后来在不同项目里反复试，才意识到一条好 Prompt 像一张施工图。它要让模型知道站在哪个位置、要做哪件事、手里有什么材料、边界在哪里、交付物长什么样。这个章节我想把底层逻辑拆开聊清楚，不堆术语，用我踩过的坑和改过的提示词来说明。
1.1 DeepSeek 模型特性与 Prompt 交互机制
DeepSeek 不是搜索引擎，也不是许愿池。它更像一个反应很快、知识面很广的协作者。你给它一段文字，它会根据上下文预测接下来最可能出现的 token 序列。这个机制决定了 Prompt 的质量会直接影响输出质量。你给的信息越明确，它越容易沿着你的意图走；你给的信息越空，它越容易给出“正确、通用、不解决具体问题”的答案。
我写技术文档时，同一个问题用两种问法：一种说“帮我写写 DeepSeek Prompt”，另一种说“我是 SaaS 团队的内容负责人，要给新入职的运营写一篇 1500 字教程，主题是 DeepSeek Prompt 的上下文写法，读者没有 AI 基础，语气口语化，输出 Markdown，包含三个实操例子”。后一种得到的内容更贴近需求。差别来自交互机制，不来自模型聪明不聪明。Prompt 承担了“意图压缩包”的角色。
DeepSeek 的上下文窗口、推理能力、指令跟随能力，让它可以处理长文档、多轮对话和复杂任务。这些能力有边界。你塞进去太多互相冲突的要求，它会顾此失彼。你让它同时“专业又幽默、简短又详细、严格按格式又自由发挥”，它只能猜你更想要哪一边。我的做法是把任务分层：核心目标写清楚，次要偏好放后面，硬性约束单独标出来。这样模型更容易抓住重点。
1.2 高质量 DeepSeek Prompt 的五大要素：角色、任务、上下文、约束、输出格式
我常把高质量 Prompt 看成五个抽屉：角色、任务、上下文、约束、输出格式。角色告诉模型“你是谁”，任务告诉它“做什么”，上下文告诉它“为什么做、给谁做、基于什么做”，约束告诉它“别碰什么、必须满足什么”，输出格式告诉它“交付物长什么样”。五个抽屉不用每次塞满，缺哪个补哪个。写营销文案时，角色和上下文很关键；写代码时，约束和输出格式更关键。
角色不是摆设。你说“你是一名资深 Python 工程师”，模型会调用更偏工程化的表达和检查习惯。你说“你是一名给小学生讲科学的老师”，它会更注意比喻和短句。任务要动词开头，比如“总结”“改写”“生成”“评估”“拆解”。我见过很多提示词写着“关于 DeepSeek Prompt 的一些想法”，模型只能自由发挥。改成“请生成 5 条 DeepSeek Prompt 写作建议，每条 80 字以内，面向新手”，输出立刻聚焦。
上下文决定答案的贴合度。我会放三类信息：背景、受众、已有材料。背景是“我们在做什么项目”，受众是“给谁看”，已有材料是“可以参考的原文、数据、风格样例”。约束是护栏，比如字数、语气、禁止事项、事实核查要求。输出格式是交付模板，比如 Markdown 表格、JSON、分点列表、邮件格式。把这五样写进 Prompt，模型输出的稳定性会高很多。我的经验是，多花两分钟写清楚，能省半小时改稿。
1.3 新手常见误区：指令模糊、上下文缺失、格式失控与过度提示
新手最容易踩的坑是指令模糊。有人问“帮我优化一下这段 DeepSeek Prompt”，模型不知道优化目标：是提高准确率、缩短长度、增强创意，还是适配某个场景。我早期也这样，拿到答案觉得“还行”，用起来才发现不对味。后来我改成“请从减少歧义、补充上下文、增加输出格式约束三个角度优化下面这段 Prompt，并解释每处修改的原因”，结果才真正可用。
上下文缺失也很常见。你让模型写周报，没有给它本周完成事项、数据、下周计划、汇报对象。它只能编一套万能模板。你让它分析用户反馈，没有给原始评论、业务背景、分析维度。它会给一些听起来合理、落不了地的结论。我处理这类任务时，会先问自己：模型不知道哪些我知道的信息？把这些信息补进 Prompt，答案会从“像那么回事”变成“能直接拿去用”。
格式失控和过度提示是一对冤家。有人完全不管格式，拿到的内容没法进表格、没法进代码、没法进邮件。有人走向另一头，写几百字规则，把模型绑得死死的，输出变得僵硬、重复、缺少判断。我的平衡方法是：硬格式用模板固定，软风格用示例引导；关键约束不超过几条，次要偏好写成“如果可以的话”。Prompt 不是越长越好，也不是越短越好。它要像一份清楚的 brief，让协作者知道终点，也留出发挥空间。
写完这一章，我更愿意把 DeepSeek Prompt 看作沟通工程。模型特性决定了它需要明确输入，五大要素帮你搭建输入结构，常见误区提醒你别把沟通变成猜谜。下一章我会聊具体技巧和模板体系，把这一章的认知落到可复用的方法上。
上一章聊了认知层面的东西，这一章我打算把手弄脏一点。光知道五大要素不够，真到写提示词的时候，脑子还是会卡壳。我自己的经验是，技巧和模板能把“知道”变成“做到”。这部分内容来自我过去一年在不同项目里反复折腾的笔记，有些模板改了十几版才顺手。
2.1 结构化提示词框架：从 RTF、CRISPE 到适配 DeepSeek 的变体
RTF 是我最早接触的框架，Role-Task-Format，三个字母对应角色、任务、格式。简单直接，适合快速上手。我写邮件草稿、会议纪要、短文案时经常用它。比如“你是一名客户成功经理，帮我写一封续费提醒邮件，输出格式是主题行加正文，正文不超过200字”。这种提示词十秒钟能写完，效果也够用。
CRISPE 更细一些，Capacity and Role、Insight、Statement、Personality、Experiment。它把背景信息和个性风格也纳进来了。我做品牌内容时更喜欢这个框架，因为“Personality”那一项能控制语气。不过 CRISPE 字母多，每次写全有点累。我的做法是把它当检查清单，不一定要逐项写出来，脑子里过一遍就行。
适配 DeepSeek 的变体，我自己常用的是“角色-背景-任务-约束-示例-格式”六段式。为什么加“示例”？DeepSeek 对少样本示例的响应很好，给一两个输入输出样例，它就能抓住规律。为什么把“背景”单独拎出来？因为 DeepSeek 上下文窗口大，塞背景信息不心疼，写上项目背景、受众画像、已有素材，输出质量会明显不一样。这个变体不是标准答案，是我试出来比较顺手的版本。
框架这东西，用多了会内化。我现在写复杂提示词时不会想着“这是 CRISPE 还是 RTF”，脑子里自动过一遍：角色要不要写、背景够不够、任务动词清不清楚、约束有没有漏、格式定没定。新手阶段可以照着框架填，填多了就有肌肉记忆。
2.2 核心使用技巧：少样本示例、思维链引导、分步推理、自我校验与多轮迭代
少样本示例是我最推荐的技巧，没有之一。你给 DeepSeek 看两个例子，比写两百字解释管用。我做数据提取时，会这样写：“请从下面评论中提取用户情绪和关键词。示例一：输入‘物流太慢了，等了一周’，输出{情绪：负面，关键词：物流慢}。示例二：输入‘客服态度很好，问题解决了’，输出{情绪：正面，关键词：客服好}。现在请处理这条评论：……”模型会照着示例的格式和粒度走，省去很多解释成本。
思维链引导适合推理类任务。你让模型“一步一步想”，它会展示中间步骤，准确率通常更高。我分析用户流失原因时，会加一句“请先列出可能的原因，再逐一评估证据强度，最后给出排序”。模型不会直接蹦一个结论，而是把推理过程摊开。分步推理和思维链有点像，区别在于分步推理更强调任务拆解。比如“第一步，总结原文观点；第二步，找出论据；第三步，评估论据是否充分；第四步，给出你的判断”。每一步输出什么，提前说清楚。
自我校验是个被低估的技巧。写完初稿后，我会追加一轮：“请检查上面的输出，找出三个可能的问题，然后给出修正版。”模型自己挑毛病的能力还不错，尤其是格式错误、逻辑跳跃、事实存疑的地方。多轮迭代是前面几个技巧的放大器。第一轮拿草稿，第二轮补细节，第三轮调语气，第四轮做校验。我写长文时基本是四轮起步，每轮只盯一个目标，不贪心。
这些技巧不用一次全上。简单任务用少样本示例就够，复杂任务再叠加思维链和分步推理。自我校验放在最后，多轮迭代贯穿全程。我的原则是：能用示例解决的就别写规则，能分步的就别让模型一口气干完，能迭代的就别指望一稿过。
2.3 高频场景提示词模板：写作、编程、数据分析、学习辅导、办公自动化
写作场景我常用的模板是这样的：“你是一名[角色]，请为[受众]写一篇关于[主题]的[文体]，字数[范围]，语气[风格]，结构包含[模块]，参考以下素材：[素材]，输出 Markdown。”这个模板我用了大半年，改一改就能写公众号、写产品说明、写周报。关键在“参考以下素材”那一项，不放素材，模型容易写空话。
编程场景的模板偏向约束和格式：“你是一名[语言]工程师，请实现[功能]，运行环境[版本]，输入[描述]，输出[描述]，要求：1. 代码有注释；2. 处理[边界情况]；3. 给出测试用例；4. 输出格式为代码块加说明。”我让 DeepSeek 写脚本时，会额外加一句“如果不确定，请先提问再写代码”。这样能避免它猜错需求。
数据分析模板：“你是一名数据分析师，以下是[数据集描述/原始数据]，请完成[分析目标]，输出包括：1. 数据概览；2. 关键发现；3. 可视化建议；4. 行动建议。格式为分节 Markdown。”学习辅导模板我给自己孩子用过：“你是一名[学科]老师，请用[比喻/故事/图示]解释[概念]，面向[年级]学生，最后出三道练习题并附答案。”办公自动化模板更直接：“请把以下内容整理成[会议纪要/待办清单/邮件]，提取[字段]，按[格式]输出。”
这些模板不是拿来即用的圣杯。它们更像起跑线，你需要根据手头任务改角色、改约束、改格式。我习惯把常用模板存在笔记软件里，用的时候复制粘贴再微调。改上三五次，模板就长出了你这个场景的形状。
2.4 模板参数化与复用：变量占位、风格控制、版本管理与组合调用
模板写多了，我发现很多部分是重复的。于是我开始用变量占位。比如“你是一名{{role}}，请为{{audience}}写一篇关于{{topic}}的{{format}}，字数{{word_count}}，语气{{tone}}。”用的时候把双花括号里的内容替换掉。这个做法借鉴了编程里的模板字符串，效果很好。我有一份变量清单，写新模板时直接从清单里挑，不用每次重新想字段名。
风格控制可以单独抽出来做模块。我有一组风格描述词，比如“口语化、短句、多用比喻”“正式、数据支撑、逻辑严密”“轻松、有幽默感、适当自嘲”。写提示词时把风格模块拼进去，不用每次重新描述。风格模块还能做成对照表：正式版、口语版、学术版各一套，需要哪个贴哪个。
版本管理听起来很正经，其实我就用最笨的办法：文件名加日期和备注。比如“写作模板_v3_20240612_适合公众号长文.md”。每次大改就存一个新版本，小改直接覆盖。我会在文件开头写三行说明：这版改了什么、适合什么场景、已知问题是什么。组合调用是进阶玩法。我把“角色模块”“风格模块”“格式模块”“约束模块”分开存，写新提示词时像搭积木一样拼起来。这样做的好处是复用率高，缺点是模块之间的衔接需要检查一遍，避免出现矛盾指令。
模板体系建起来之后，写提示词从“每次重新造轮子”变成了“选轮子、改轮子、拼轮子”。省下来的时间可以花在打磨任务本身，而不是纠结怎么跟模型说话。下一章我会聊复杂任务的工作流设计和效果评估，把模板放进更大的流程里看。
上一章结尾我说了，模板体系解决的是“怎么跟模型说话”，这一章要解决的是“怎么把话说到位，还要把活干完”。我接过一些企业内部的 AI 应用咨询，发现很多人卡在同一个地方：单次对话玩得挺溜，一遇到需要多步骤、多角色、多轮交互的复杂任务就乱了阵脚。这一章我把踩过的坑和跑通的流程摊开讲。
3.1 复杂任务拆解：多轮对话、角色协作与任务链设计
复杂任务的第一个特征就是“一口气说不完”。你让 DeepSeek 直接写一份完整的商业计划书，它确实能吐出一大篇，但细看全是套路话，数据、逻辑、可行性都经不起推敲。我现在遇到这类任务，第一反应是拆。拆成几个子任务，每个子任务单独一轮对话，每轮只解决一个问题。
多轮对话的节奏感很重要。我做一个市场调研报告时，第一轮让模型列出需要调研的维度，第二轮针对每个维度生成具体问题，第三轮让它扮演分析师回答这些问题，第四轮汇总成初稿，第五轮做事实核查和逻辑修补。每一轮我都会把上一轮的关键输出贴回去，保持上下文连贯。这里有个小技巧：每轮开头加一句“这是上一轮的输出，请在此基础上继续”，模型就不会跑偏。
角色协作是另一个维度的拆解。我做过一个产品发布会物料包，同时开了三个对话窗口。第一个窗口的角色是产品经理，负责梳理卖点和用户痛点；第二个窗口的角色是文案，负责把卖点翻译成传播语言；第三个窗口的角色是设计师，负责给视觉建议和排版方案。三个角色的输出最后汇总到一个窗口，让模型扮演项目负责人做整合。这种玩法比单窗口硬写好得多，因为每个角色有独立的上下文，不会被其他角色的任务干扰。
任务链设计是进阶版。它跟多轮对话的区别在于，任务链有明确的上下游依赖关系。我帮朋友设计过一个内容生产链：第一步用 DeepSeek 分析竞品账号的选题规律，第二步生成选题清单，第三步为每个选题生成大纲，第四步把大纲扩写成初稿，第五步做标题和摘要优化。每一步的输出是下一步的输入，中间我会人工介入筛选和调整。这条链跑一遍大概四十分钟，能产出五篇可用的内容初稿。手工写的话，一天都搞不定。
拆解的核心原则是：每一步的输出要能被下一步直接使用。如果输出是模糊的、开放式的一大段文字，下一步就没法接。所以我每轮都会强制模型输出结构化格式，比如列表、表格、带标签的段落。这样任务链才能顺畅传递。
3.2 输出质量控制：格式约束、事实核查、评分反馈与迭代修正
拆解能让任务跑起来，质量控制决定跑得好不好。我先说格式约束。模型输出飘格式是常有的事，你要求 JSON，它给你一段解释性文字加 JSON。我的做法是在提示词里写死格式，并且给一个输出样例。比如“严格按以下 JSON 格式输出，不要添加任何解释：{‘summary’： ‘...’， ‘keywords’： [...]， ‘sentiment’： ‘...’}。”用了样例之后，格式遵从率从七成提到了九成五以上。
事实核查不能省。DeepSeek 在事实性任务上会“自信地胡说”，尤其是涉及具体数据、人名、时间、引用的时候。我的做法是让模型自己标注不确定的部分。我会加一句“请在每个事实性陈述后面标注[高置信/中置信/低置信]”。标注低置信的部分，我会人工去查或者换一种问法再问一遍。还有一个办法是让模型扮演审稿人，专门挑上一轮输出的毛病。它挑自己毛病的时候，眼睛比挑别人毛病还尖。
评分反馈机制是我最近才用顺的。我会给模型的输出按几个维度打分，比如完整性、准确性、可读性、格式合规性，每项一到十分。然后把评分和扣分原因写进下一轮提示词：“上一轮输出在完整性上得6分，缺少了竞品价格区间的分析；可读性8分，但第二段逻辑跳跃。请针对这两点修正。”模型看到具体分数和扣分项，修正的方向感会强很多。迭代修正是最后一环。我的习惯是至少跑三轮：第一轮拿草稿，第二轮补内容和细节，第三轮做语言打磨和格式校对。每一轮我只看一个维度，不贪心。第三轮结束后，输出质量通常能达到直接用的水平。
这些质量控制动作听起来繁琐，但熟练之后每轮也就多花两分钟写提示词。相比输出不能用、要重来的成本，这两分钟花得很值。
3.3 构建个人/团队 Prompt 库与自动化工作流
我一开始是把提示词散落在各个笔记软件里，用的时候靠搜索。提示词一多就乱套了，同一类任务有七八个版本，分不清哪个最新。后来我搭了一个简单的 Prompt 库，结构不复杂，就是文件夹加表格。文件夹按场景分：写作、编程、数据分析、办公、学习。每个文件夹里放 Markdown 文件，文件名格式是“场景_用途_版本号_日期”。表格是索引，记录每个提示词的用途、适用模型、上回更新时间、效果评分。
团队用的话，需要多一层共享机制。我参与过一个小团队，我们用飞书文档建了一个共享 Prompt 库，每个人可以提交新提示词或者改进版本。提交的时候要填一张小表：这个提示词解决什么问题、用在什么场景、有没有已知缺陷。每两周我们会花半小时过一遍新增和改动的提示词，评出最好的那个置顶。这个做法让团队的提示词质量涨得很快，因为每个人都在别人的基础上改进。
自动化工作流是我一直在探索的方向。现在能做到的是半自动化。比如我把常用的写作模板做成一个带变量的提示词，用简单的脚本把变量填进去，调用 DeepSeek API，输出保存到指定文件夹。每天早上我会跑一遍固定的几个任务：行业新闻摘要、竞品动态监测、用户评论情绪分析。这些任务不需要我动脑子，但需要我手动把结果复制粘贴到汇报文档里。自动化省掉了复制粘贴的功夫，我只需要最后过一眼。
更复杂的自动化我还在试。比如把多个提示词串成工作流，第一步的输出自动作为第二步的输入，中间加一个判断节点，如果输出不满足某个条件就退回上一步重新生成。这个玩法需要写一点代码，但逻辑不复杂。我的体会是，自动化不是为了取代人，是为了把人从重复劳动里捞出来，把时间花在判断和决策上。
3.4 综合案例：从模糊需求到高质量交付的 DeepSeek Prompt 全流程设计
说一个我印象最深的案例。一个做在线课程的朋友找我，说想用 DeepSeek 帮他生成一套“用户增长实战”课程的推广文案，要求是“有吸引力、能转化、不同渠道风格不一样”。这个需求很模糊，“有吸引力”是什么标准，“不同渠道”有哪些渠道，他都没说。
我的第一步是跟他一起把需求拆清楚。我们花了二十分钟聊，最后把任务分解成：目标用户画像（25-35岁互联网运营，有半年以上经验，焦虑晋升）、核心卖点（三套增长模型、五个实操案例、一个诊断工具）、渠道清单（公众号长文、小红书笔记、朋友圈短文案、邮件推送）。这一步人工完成，不用 DeepSeek，因为需求澄清本身就是人的活。
第二步是把拆好的需求写成提示词。我用六段式框架：角色是“资深课程运营”，背景是目标用户画像和产品卖点，任务是生成四个渠道的推广文案，约束是每个渠道的字数和风格要求，示例是之前跑得好的小红书文案和朋友圈文案各一条，格式是分渠道分段输出。这条提示词写完，我让 DeepSeek 跑了一轮，出来的初稿框架对了，但语气偏正式，不够“网感”。
第三步是迭代修正。我追加了一轮，把第一轮的输出和评分一起贴回去：“小红书文案语气太像广告，得6分；朋友圈文案太长，得5分；公众号长文开头不够抓人，得6分。请按以下方向修正：小红书要用‘姐妹’‘踩坑’‘亲测’这类词，朋友圈压到80字以内，公众号开头用一个真实场景切入。”第二轮改完，小红书和朋友圈能用了，公众号长文还需要再调。
第四步是事实核查和最终打磨。我让 DeepSeek 检查文案里的数据引用和案例描述是否与提供的素材一致，然后做了一轮语言润色。整个过程跑了五轮对话，产出了四个渠道的文案，朋友直接拿去用了，转化数据比他自己写的高了三成。
这个案例让我最深的体会是：复杂任务的交付质量，八成取决于任务拆解和需求澄清，两成取决于提示词技巧。很多人反过来，在提示词上雕花，但需求本身是模糊的，输出自然好不到哪去。工作流的意义就是把思考前置，把执行交给模型，把判断留给人自己。
