时间证明，任何产品的爆火，往往都是因为其自身有着独特之处。对于DeepSeek的爆火，你可能也会好奇其有什么特别之处。简单来说就是DeepSeek可以说是首款主打深度推理的大模型，并且其性能碾压GPT-3.5，在结构化思维层面甚至比肩GPT-4。还有就是DeepSeek与通用大模型需要复杂提示语驱动不同，Deepseek-R1的提示词简单到像日常聊天。比如：输入"帮我分析财报趋势"，它就能自动拆解数据提取、对比维度、结论推导全流程。同时在眼下这场智能革命中也揭开了更本质的真相——当AI能听懂人话时，【精准表达需求】反而成了核心竞争力。模糊的指令只会得到正确的废话，这场无声的博弈中，提示语成为了解码智能时代的摩尔斯电码。

可能你会觉得，大模型越来越听得懂人话，那么我们还需要学习提示语（Prompt）吗？答案是：需要。

提示语，本质是与AI对话所使用的语言，它可以是一个简单的问题，一段详细的指令，也可以是一个复杂的任务描述。推理模型与通用模型的提示语策略也有所差异。即便是DeepSeek已经能理解自然指令，但是不同用户获得的回答的质量却是天差地别。就像是过去刚有了搜索引擎，有的人可以快速的搜索到自己想要的内容，而有的人可能忙忙碌碌一天也没找到自己想要的。这就是提示语 Prompt 的差异之处。

那么对于提示语 Prompt 你有哪些技巧呢？

你可以把DeepSeek（大模型）理解为一个非常专业的智能助手，那么你在于智能助手沟通，或者分配任务时，你就不能绕来绕去不进入主题，而是应该直接有效的告诉你的助手你想要什么，如何去实现，有什么限制，最终目标达成什么效果。

对于DeepSeek（大模型）来说，一个明确的目标是大模型行进的方向，方向的正确与否，将直接影响大模型返回的结果。比如说你想了解人工智能技术，那么你下面有两种提示语展示，你觉得哪种更能得到自己想要的结果呢？

明确指令：用通俗语言解释人工智能中的强化学习技术，对比其与监督学习的差异，要求分点说明并附现实应用案例（如AlphaGo）

在于大模型的交流中，大家或许会不经意间使用类似 “请”、“如果你不介意”、“谢谢”、“我想要” 这样的礼貌用语，其实完全不需要，直接陈述自己的需求，往往更高效。大模型是基于文字描述内容来理解和回答问题的，礼貌用语并不会让大模型回答的更好。

礼貌指令：请告诉我明天的天气，谢谢

明确指令：明天北京的天气如何

结构化输入也就是说通过关键词、规则、提示或指示的形式，清晰地说明必须遵循的要求。告诉大模型写东西时需要遵守哪些规则和提示，列一个简单的清单。明确指示对于指导模型生成高质量和目标导向的输出至关重要。比如现在有这样一个需求，需要你分析一下智能手环在青少年市场的需求，那么你可以这样提问

[角色设定]：你是一位经验丰富的产品经理  
[任务描述]：分析智能手环的青少年市场需求  
[输入数据]：  
- 竞品：小米手环7、华为Band 8  
- 用户调研：附件表格数据  
[输出要求]：  
1. SWOT分析框架  

2. 提出3条差异化策略  
3. 用Markdown表格呈现  

最终通过大模型返回的结果就像这样

就是说，你可以通过设定角色，描述任务、以及输出要求等多个角度去完善优化你的想法，从而可以让大模型更加的懂你，知道你想要的是什么，那么生成的内容自然也就是满足你预期的内容了。

在上面我们进行结构化输入的时候，我们其实已经用到了一个角色扮演，那么在大模型对话过程中，一个恰如其分的身份，往往能让你得到意料之外的效果。比如说你是一位医生，那么你想给患者指定一份恢复指南，那么你可以这样来描述

作为拥有10年临床经验的呼吸科主任医师，根据最新《中国哮喘防治指南》，为初诊患者制定一份包含药物、监测、生活禁忌的诊疗方案，用患者能理解的通俗语言描述

当你可以和大模型进行简单有效的交流之后，那么这个时候你可能会遇到一些复杂的问题，那么在遇到复杂问题时，该如何告诉大模型，才能让大模型更好的帮到我们呢？简单总结的话就是 引导模型显式展示推理过程，提升复杂问题准确率。

就像DeepSeek的思维链一样，其实对于大模型来说，思维链除了可以让用户更好的理解大模型的思考过程，同时也是为了保证整个理解的过程是满足用户预期的。

对于复杂问题，我们需要对问题按照以下步骤进行处理：

1. 理解问题核心   2. 分解子任务   3. 逐步计算/分析   4. 验证结果合理性 

某公司2022年营收1200万元，2023年增长25%，但成本占比从60%上升到68%，请计算两年净利润变化。要求分步说明计算过程并分析成本上升的影响。

少样本学习就是说通过在与大模型交流过程中提供输入-输出示例，来让大模型学习你想要的效果，从而在后面的问题结果中获取准确的答案。比如这里你想要询问大模型天气情况，同时需要让其返回你需要的json格式

示例1：  
输入：生成北京天气数据  
输出：{"城市":"北京","日期":"2024-05-20","气温":{"最高":28,"最低":18},"天气":"晴"}  


示例2：  
输入：生成上海天气数据  
输出：[你的任务]  

这里可以看到大模型按照我们想要的json格式返回我们需要的内容

多轮对话就是通过你来设定规则的形式，结合大模型的文本能力，从而按照你设定的规则来生成你想要的内容的过程。比如这里你想写一篇论文，那么你就可以先让大模型了解具体的论文格式。

本次对话中，你作为论文写作助手，所有建议必须符合APA格式第7版，不确定的信息需标注‘需核实’

同时你要求模型主动记录整个论文创作过程中的关键信息，包括你在论文创作过程中提出的需求点

总结用户已提供的需求要点，每次回复前先确认是否与之前要求一致

对于论文写作过程中发现的事实性错误，也需要有明确的纠错机制

如果发现回答存在事实性错误，请用【修正】标记并说明依据来源

在与大模型的对话过程中，经常会遇到大模型幻觉的情况，大模型幻觉

的现象，就像人类产生虚假记忆，就是说大模型自信满满的编造看似合理实则错误的内容。在应对大模型幻觉时，我们可以通过以下方法来减少发生幻觉的可能:

知识边界声明："仅基于2020年后的公开研究数据回答"

不确定性提示："如果信息存在争议，请列举不同观点及依据"

来源追溯要求："每个医学建议需标注出自《中华药典》第几版第几章"

解释量子纠缠现象时，需区分已验证的实验结论（如贝尔不等式验证）与理论假说（如多世界诠释），不确定部分请注明‘当前学界尚未达成共识’

混合模态控制就是说通过结合文本、代码、结构化数据的方式来实现数据分析任务，使得任务可以达到我们预期的效果。比如我们分析销售数据趋势，这里需要你提前准备好你的销售数据，

任务：分析销售数据趋势  
输入数据：  
```python  
import pandas as pd  
df = pd.read_csv("sales_2023.csv")  
# 数据包含月份、产品线、销售额三列
输出要求：
绘制月度总销售额折线图（给出Python代码）
用Markdown表格显示各产品线占比
文字总结同比变化率

输入我们的需求后，我们可以看到DeepSeek帮助我们生成的python 代码，我们可以基于 DeepSeek 生成的代码来进行我们后续的数据分析任务

# 数据预处理与可视化（Python代码）

import pandas as pd
import matplotlib.pyplot as plt

# 读取数据
df = pd.read_csv("sales_2023.csv")


# 1. 月度总销售额折线图
plt.figure(figsize=(10, 6))
monthly_sales = df.groupby('月份')['销售额'].sum()
plt.plot(monthly_sales.index, monthly_sales.values, marker='o', color='#2c7bb6', linewidth=2)

plt.title('2023年月度销售额趋势', fontsize=14, pad=20)

plt.xlabel('月份', fontsize=12)
plt.ylabel('销售额（万元）', fontsize=12)
plt.grid(linestyle='--', alpha=0.5)
plt.xticks(monthly_sales.index)  # 确保所有月份显示
plt.tight_layout()

plt.show()

# 2. 产品线占比表格（Markdown格式）

product_share = df.groupby('产品线')['销售额'].sum().reset_index()
total_sales = product_share['销售额'].sum()
product_share['占比'] = (product_share['销售额'] / total_sales * 100).round(1).astype(str) + '%'

print("\n## 各产品线销售额占比\n")
print(product_share[['产品线', '占比']].to_markdown(index=False))

# 3. 同比变化率分析（假设有2022年数据需对比）
try:
    df_2022 = pd.read_csv("sales_2022.csv")
    merged = monthly_sales.to_frame('2023').join(df_2022.groupby('月份')['销售额'].sum().to_frame('2022'))
    yoy_growth = (merged['2023'] / merged['2022'] - 1).mean() * 100
    
    print(f"\n年度同比变化率：\n- 平均同比增长 {yoy_growth:.1f}%")
except:
    print("\n（提示：缺少2022年数据文件，完整同比分析需补充sales_2022.csv）")

场景化模版就是说在整合了上面的提示语技巧之后整理出来的在具体场景下比较适用的大模型提示语模版，比如这里有一个我想要写一篇关于未来科幻的小说，那么我可以这样

/角色设定：顶尖科幻作家  
/核心指令：生成包含以下要素的短篇小说大纲  
- 必选元素：量子计算机、东方神话生物  
- 风格要求：赛博朋克+黑色幽默  
/约束条件：  
1. 避免时间旅行设定  
2. 主角需有生理缺陷  
/输出格式：分章节概要（每章不超过3句话）  

[任务]：撰写文献综述方法论部分  
[领域]：人工智能伦理  
[要求]：  
- 对比至少3种研究框架（如PRISMA、SPIDER）  
- 用LaTeX格式呈现  
- 附参考文献管理建议（Zotero vs. EndNote）  

> 背景：某奶茶品牌计划进入东南亚市场  
> 你的角色：市场战略顾问  
> 输出要求：  
  1. 用PESTEL模型分析马来西亚市场  
  2. 制作SWOT矩阵（含竞品CoCo都可、Chatime）  
  3. 提出本土化策略3条（需考虑宗教饮食禁忌）  

那么为了提高大模型回答的准确性，我们首先需要从简单Prompt开始，逐步增加复杂度；建立个人指令库，标注不同场景下的最优模板，关键领域输出必须由人工审核。其实当我们惊叹于层出不穷的大语言模型时，也不要忘了这些AI背后的人类智慧。这些法则揭示的不仅是与AI对话的技巧，更是智能时代的核心生存技能——如何把模糊需求转化为精准指令，如何让机器理解人类意图的微妙差异。在AI指数级进化的今天，真正的竞争力或许就藏在你输入的那个小小对话框里。

大模型提示语技巧大全

序言时间证明，任何产品的爆火，往往都是因为其自身有着独特之处。对于DeepSeek的爆火，你可能也会好奇其有什么特别之处。简单来说就是DeepSeek可以说是首款主打深度推理的大模型，并且其性能碾压GPT-3.5，在结构化思维层面甚至比肩GPT-4。还有就是DeepSeek与通用大模型需要复杂提示语驱动不同，Deepseek-R1的提示词简单到像日常聊天。比如：输入"帮我分析财报趋势"，它就能自动

人工智能

编程语言

结构化数据

数据预处理

量子计算机

数据分析

量子计算

强化学习

Python

精选特惠 拼团嗨购

ai-class

腾讯云BI新客户首次购买9.9元起！


33 天实现自己的 AI 进化论？发文瓜分机械键盘、耳机等万元奖池！点击参加活动：<a href="https://cloud.tencent.com/developer/article/2503022" target="_blank">https://cloud.tencent.com/developer/article/2503022</a><br/> 
 <img src="https://qcloudimg.tencent-cloud.cn/raw/01543e0407db10898a7ee9f420794432.jpg"/>

技术创作特训营有奖征文

文章

问答

视频

学习中心

腾讯云实验室

直播

竞赛

腾讯云架构师技术同盟交流圈

腾讯云数据库专区

腾讯云原生专区

腾讯混元专区

腾讯云TCE专区

腾讯云Lighthouse专区

腾讯云HAI专区

腾讯云Edgeone专区

腾讯云存储专区

腾讯云智能专区

腾讯轻联专区 

腾讯云开发专区

TAPD专区

腾讯云最具价值专家

腾讯云架构师技术同盟

腾讯云创作之星

腾讯云开发者先锋 

腾讯云AI代码助手

CODING DevOps

Cloud Studio

SDK中心

API中心

命令行工具

文章&问答评论现已支持表情

全新交互，全新视觉，新增快捷键、悬浮工具栏、高亮块等功能并同时优化现有功能，全面提升创作效率和体验

社区富文本编辑器全新改版！诚邀体验～ 

时间证明，任何产品的爆火，往往都是因为其自身有着独特之处。对于DeepSeek的爆火，你可能也会好奇其有什么特别之处。简单来说就是DeepSeek可以说是首款主打深度推理的大模型，并且其性能碾压GPT-3.5，在结构化思维层面甚至比肩GPT-4。还有就是DeepSeek与通用大模型需要复杂提示语驱动不同，Deepsee...

大模型提示语技巧大全

大模型提示语技巧大全

社区

活动

圈层

关于

腾讯云开发者

热门产品

热门推荐

更多推荐