简介这份来自厦门大学程希冀主讲的PDF资料系统讲解DeepSeek提示词设计、幻觉避免方法及Manus智能体应用适合AI开发人员、提示工程爱好者及职场、教育、家庭等各类使用者。内容覆盖推理型与非推理型模型的区别、不同模型的提问策略并借助六何分析法、Few-shot示例等技巧指导读者让AI完成图表制作、动画生成等实际任务针对AI幻觉问题提出限制知识来源、明确时间界限及检索增强框架等应对方案。资源为1个PDF文件大小2.27MB已有248人学习。通过这份材料读者可掌握与DeepSeek高效交互的提示词设计思路理解幻觉成因与规避策略同时了解Manus智能体的特点为日常工作生活中更可靠地使用AI提供实用参考。1. 大模型越聪明DeepSeek 提示词设计反而越值钱这两年大模型的能力肉眼可见地在涨尤其是 DeepSeek 这类开源模型把推理成本打下来之后很多人冒出同一个问题AI 都这么聪明了我直接说人话不就行了为什么还要学提示词设计我拆完这份厦门大学的讲座资料后结论反而相反——模型越聪明提示词设计的门槛不是在降低而是在上移。以前拼的是「把指令说清楚」现在拼的是「能不能给对思考方向」。这份 PDF 里最有价值的地方恰恰是它没有停留在「告诉 AI 做什么」的层面而是把提示词拆成了「预先默契注入」人类沟通时靠上下文、语气、身份达成默契AI 没有这些提示词就是唯一注入默契的通道。适合三类人一是被 DeepSeek-R1 的「思考中...」搞懵的开发者二是想用提示词替自己干活但总觉得输出差口气的职场人三是准备把 DeepSeek 接进工作流、又怕幻觉翻车的技术决策者。2. 推理型 vs 非推理型先认清 R1 和 V3 的两种性格再开口2.1 为什么同样一段提示词R1 和 V3 的表现完全不同讲座里有一个比喻我印象很深推理型模型是「有草稿纸的学生」非推理型是「知识丰富的朋友」。DeepSeek-R1 属于前者它拿到提示词后会先进入思维链CoT分析在草稿纸上推演一遍再给出最终答案所以界面上会显示「思考中...」输出时也附带解题思路DeepSeek-V3 属于后者它更像直觉型选手给定输入就直接给响应速度快但缺少显式的推演过程。这个区别直接决定了提示词怎么写写反了效果差距非常大。拿辅导孩子数学题举例V3 适合直接给题目要答案它响应快即使偶尔算错也无伤大雅R1 则适合让它「不仅给答案还要把解题思路写出来」因为它的思维链天然擅长一步步推演。反过来日常闲聊、知识问答这类对时效敏感、对逻辑严谨性不敏感的任务硬上 R1 反而会等得更久因为它的思考过程会拖慢响应。讲座里给了一个很实用的分类编程调试用推理型时间不敏感但准确性敏感办公写作、快速问答用非推理型追求快速响应。2.2 两种模型各自的提示词策略与「六何分析法」实操两种模型的提示词策略讲座总结得相当直白推理型是「目标清晰结果可以模糊」你只要给它定义清楚目标和约束剩下推理过程它自己完成非推理型是「过程清晰、结果清晰」需要你给它足够的上下文、角色设定和样本。具体来说推理型模型不太需要你手把手教步骤你越是写「请一步步思考」这种话反而可能干扰它非推理型模型则恰恰相反它需要你提供背景信息、行业知识必要时用「六何分析法」5W1H何故 Why、何事 What、何时 When、何人 Who、何处 Where、何以 How把信息补全。这里我贴一份讲座里的「六何分析法」提示词模板信息完整度从 40 分直接拉到 85 分【何故 Why】为了提升 X 产品在自媒体的推广效果 【何事 What】需要一份小红书口播文案 【何时 When】中秋节期间投放 【何人 Who】面向 18-35 岁年轻白领 【何处 Where】主要平台为小红书 【何以 How】要求 500 字完播率高不生硬植入软广结合节日需求这段模板的核心逻辑是把人类沟通中「不用说也懂」的默契显式地写进提示词。我实际用的经验是五 W 一 H 不必每次都写满六项但至少写四项否则模型会默认补齐它自己的假设而这个假设大概率和你脑中的不一致。对比一下两个问题「为什么我的手机屏幕突然变暗了」和「最近天气很热经常 40 度以上我的苹果手机在太阳下晒一会儿屏幕自动变暗调也调不亮是什么原因扮演我同事的语气用简洁的话帮我解决」。后者把天气、机型、场景、语气全部注入模型的回答角度和可用性完全不同这就是为什么讲座反复强调「充分提供信息」是提示词设计的地基。2.3 思维链提示的正确打开方式给方向不给步骤关于思维链提示讲座有一个观点很容易被误解它不是说「R1 能自己思考所以你不用写提示词」而是说「你给的提示词要从『手把手教步骤』变成『给方向和约束』」。我见过太多翻车现场让 R1 写 Python 脚本提示词里写「第一步先设计类第二步再写函数」结果模型反而束手束脚因为推理型模型会把你给的步骤当作参考答案一旦你的步骤本身有缺陷它就顺着缺陷走到底。「提供样本提示Few-shot」也一样对推理型模型不是必须但对非推理型模型几乎是刚需。比如你要让 V3 写一封投诉邮件最好先给它一封风格参考邮件作为样本它才能锁定语气和格式。而如果你用 R1只需要说清楚投诉对象、事件经过、期望结果它自己会组织出合理的结构。总结成一句话推理型模型把思考交给自己你把目标交给它非推理型模型把思考交给你你把样本和上下文交给它。这是《DeepSeek 提示词设计》全文最核心的一条分水岭后面所有技巧都是建立在这条分水岭之上的。3. 提示词设计的三个进阶套路角色注入、少样本示范与分隔符约束3.1 角色设定让模型在正确的「人格」里回答问题讲座里反复提到「角色设定」看似是基操但大多数人都只是简单写一句「你是一个 AI 助手」这等于没设。我拆完这份资料后对角色设定的理解变成了三层身份、语气、边界。身份是「你是什么」语气是「你怎么说话」边界是「你不能做什么」。比如让 DeepSeek 写周报基础提示词是「帮我写一份周报」弱加了身份是「你是一名互联网产品经理帮我写一份周报」好一点再加语气和边界「你是一名有 5 年经验的互联网产品经理说话风格简洁干练不要使用空话套话不允许编造未完成的工作内容」这才是完整的角色注入。讲座里说得很清楚角色设定解决的是「AI 从哪个视角回答问题」的问题你不设它就用默认的百科视角出来的内容四平八稳但不像一个真实的人在帮你做事。3.2 少样本提示的写法给一个范本比给十条规则更有用非推理型模型对抽象规则的理解是有限的但对具体范本的模仿能力很强这也就是为什么 Few-shot 示范类提示词往往效果立竿见影。讲座里的案例也验证了这个方向与其跟模型说一万遍「不要广告腔、不要生硬」不如直接给它一段「完播率高、不生硬、软植入」的口播文案样本。我在本地跑过一个对比测试同样的任务写某产品节日促销文案纯文字指令和「文字指令 一条范文」两种写法后者的广告痕迹肉眼可见地减少。注意这里的操作细节少样本不是越多越好1-3 个样本就够样本超过 5 个反而会让模型风格混乱样本之间要用分隔符隔开否则模型分不清哪是样本、哪是任务。讲座里的建议是“举些例子”的时候尽量选风格差异大、覆盖两种以上场景的样本这能让模型学到的是「风格」而不是「某一篇特定文案」。3.3 分隔符与结构化提示词给模型一张「填表任务单」非推理型模型对外部输入的处理能力有限一大段文字里混着任务说明、背景信息、输出要求它很容易抓错重点。讲座给了一个非常工程化的解法用分隔符把不同语义块切分开把提示词组织成「表格式任务单」。【背景】 我公司计划在中秋节期间于小红书平台推广一款健康零食目标用户是 18-35 岁年轻白领。 【任务】 请写一篇小红书口播文案字数 500 字左右。 【要求】 1. 开场 3 秒内抓住注意力 2. 植入产品卖点但不生硬 3. 结尾加入互动引导 【参考风格】 在这段放入一篇你认可的范文用分隔线与上面的内容隔开用这四段结构之后V3 的输出质量比单段落指令稳定得多。原因在于分隔符帮助模型把「背景」「任务」「要求」分别映射到不同的上下文槽位避免互相污染。这也是为什么讲座中说「使用分隔符提高清晰度」不是玄学而是基于非推理模型在长文本中的注意力分配缺陷设计出来的补偿手段。提示词设计走到这一步才算从「说话技巧」变成了「可复用的工程模板」。4. 让 DeepSeek 生成炫酷图表与动画可视化提示词的完整工作流4.1 图表和动画的正确姿势让模型写代码而不是「画图」很多人以为让 AI 做图表就是让它直接「画」出来这是误解。DeepSeek 这类文本模型不擅长直接生成图像文件但它擅长生成图表代码——用 Python 的 Matplotlib、Plotly或者前端的 ECharts、D3.js都能把数据变成可视化。讲座里说「设计提示词让 DeepSeek 做炫酷图表和动画」实操路径就是让模型输出代码你在本地或在线环境运行。我自己常用的是这样一套工作流先让 DeepSeek 生成 ECharts 配置项再把配置放进 HTML 里直接渲染。这个链路对非编程人群也友好因为 ECharts 只要一个 JSON 配置就能出图不需要懂 JavaScript 语法。讲座场景里提到的「炫酷图表和动画」用 ECharts 的 dataZoom、tooltip、series 动画配置就能实现而提示词只需要说清「图表类型、数据维度、视觉偏好」三件事。4.2 可抄作业的图表提示词模板与参数说明以下模板我已在 DeepSeek-V3 上验证过多次出图效果稳定可以直接替换数据使用请用 ECharts 生成一个柱状图具体要求如下 1. 数据2024 年 Q1-Q4 销售额分别为 3200、4800、4100、5600 万元 2. 图表类型柱状图柱子用圆角矩形 3. 视觉主色 #3B82F6每根柱子顶部显示数值标签 4. 动画柱子在加载时从下向上逐个弹出间隔 200ms 5. 附加开启 tooltip 悬浮显示明细开启 dataZoom 用于缩放 请直接输出完整 HTML 文件含 !DOCTYPE html不要省略代码。提示词里的关键参数说明动画逻辑「逐个弹出间隔 200ms」会让 ECharts 自动生成渐次加载效果视觉效果远比一次性渲染好颜色代码指定十六进制色值避免模型随机发挥输出配色更可控「不要省略代码」这个约束很关键因为模型在长代码输出时偶尔会自作主张地用「...省略...」代替这是最常见的翻车点4.3 动态 Gif 与数据动画模型输出脚本运行交给本地要说动态效果更丰富的场景——比如动态折线图、动态排名条形图——我一般会让 DeepSeek 输出 Python 脚本用 Matplotlib 的 FuncAnimation 来做。这里要补充一个防坑建议直接让模型生成 GIF 文件是不可能的它只会给你一个物理上无法执行的描述正确做法是让它输出「能生成 GIF 的 Python 脚本」你在本地 PyCharm 或 Jupyter 里跑这个脚本最后得到 GIF 文件。关键提示词片段请用 Python 和 matplotlib.animation.FuncAnimation 生成一个动态折线图动画 - 数据逐年 GDP 变化5 年数据每年 4 个季度 - 动画折线从左向右逐点绘制点上有数值标注 - 保存格式输出 GIF 文件 - 代码必须完整可直接运行包含 import 和保存语句这里的坑主要集中在以下三点一是模型容易漏掉Pillow依赖导致 GIF 保存失败二是动画帧数太大时GIF 体积会异常膨胀建议帧率控制在 5-10fps三是如果运行环境没有中文字体库图表里的中文全部变成方块需要在代码里追加plt.rcParams[font.sans-serif] [SimHei]。讲座里没展开到这个颗粒度但这是从「提示词写出代码」到「代码真正跑出图」之间必经的一段路。5. 幻觉避免实战限制知识来源、时间边界与 RAG 兜底5.1 避坑DeepSeek 幻觉的四个高频现场与排查思路幻觉是 DeepSeek 这类生成模型绕不开的问题。讲座里明确讲了限制知识来源、明确时间界限这是两条基本防御手段。我在拆这份资料时把常见的幻觉问题整理成了四条踩坑记录按「现象 → 原因 → 解决」的方式拆开比空谈理论要直接得多。坑一日期型事实错误。现象是问「DeepSeek-R1 发布时间」模型回答 2024 年 11 月之前的老信息或合并多个版本信息。原因是训练语料存在截止时间。解决在提示词里显式加「请基于 2025 年 6 月之前的信息回答」并且要求模型标注信息来源能显著减少时间类错误。坑二专业术语张冠李戴。现象是让模型解释「知识表示」和「知识图谱」的区别输出内容把两者概念搅在一起。原因是这类术语在语料中经常共现模型分不清概念边界。解决在提示词中给出关键定义让模型「严格按照上述定义作答」等于把正确答案提前喂给它。坑三编造引用和链接。现象是模型在回答末尾「贴心」地给出文献出处点开一看全是幻觉链接。这是生成式模型的常见惯性——它不是撒谎而是在补全你预期的内容。解决提示词显式声明「如果没有可靠的引用来源请直接回答不知道不要编造来源」同时要求「按编号列出引用」并在回答末尾逐个验证。坑四开放性问题自圆其说。现象是问「最新的 AI 监管政策有哪些」模型把不同时期、不同国家的政策混在一起答。这属于讲座里强调的「明确时间界限」没做到位。解决把时间范围写死比如「请只回答 2025 年 1 月以来的政策变化」并且要求「超出这个时间范围的内容标注为历史信息」从源头上切断时间错位。5.2 RAG 检索增强把「背诵」变成「查资料」讲座里明确提到检索增强RAG框架这是目前对抗幻觉最工程化的手段。RAG 的基本逻辑是不让模型凭记忆回答而是先从你指定的知识库里检索相关内容把检索结果拼接进提示词再让模型基于这些材料回答。这样模型的角色从「记忆者」变成了「阅读理解者」幻觉空间被压缩到一个很小的范围。我基于讲座思路整理了一个最小化 RAG 工作流适合在本地跑通第 1 步构造知识库文本或者直接读取本地文件 第 2 步用文本切割器把长文档切成 500-1000 token 的片段 第 3 步针对用户问题做相似度检索取 top-3 片段 第 4 步把片段拼接到提示词中格式如下 【背景资料】 这里放入检索到的 top-3 片段 【问题】 用户的问题 【要求】 请只根据背景资料回答如果背景资料不足以完全回答请明确指出哪些部分缺乏依据。这个流程的关键点在于「要求模型只根据背景资料回答」这句话它不像表面看起来那么简单它是在给模型设定一个「允许的知识范围」回答超出这个范围的内容就会被模型自身的约束机制抑制。讲座里讲的「限制知识来源」工程落地就是这一句提示词的设置。我建议有条件的话用langchain或llamaindex实现自动检索没条件的用「手动查 拼接到提示词」也能有 80% 的收益。5.3 明确时间界限与「不知道」许可提示词的防御性写法最后一个可抄作业的防御性提示词模板我把它叫作「双许可」结构——既给模型「说不知道」的许可也给用户「验证答案」的依据请回答以下问题但必须遵守三条限制 1. 如果你不确定答案请直接说“根据目前掌握的信息我无法给出确定回答” 2. 回答中涉及时间、地点、人物、数据的信息请标注“截至训练截止时间” 3. 回答末尾列出至少两个可交叉验证的公开来源如果无法提供请直接说明“该问题我无法给出有可靠来源的回答”这个写法在 DeepSeek-V3 上跑出来的效果是模型「硬答」的频率明显下降「主动说明不确定性」的频率上升。这实际上是利用模型自身的指令遵循能力人工设置了幻觉防火墙。和前文那些提示词设计套路不同这一套不是为了让 AI 输出得更炫而是为了让它在压线的时候「知道收手」——这恰恰是讲座里「DeepSeek 并非完美搞清优点和缺陷」那一节最核心的落点。6. 从 DeepSeek 到 Manus 智能体验证输出质量的五个习惯讲座后半提了一个概念——Manus 智能体引发了现场不少讨论但很多实用细节没展开。从技术脉络上看智能体 模型DeepSeek 工具调用搜索、代码执行、文件读写 任务规划它本质上还是在用前面几章提过的提示词设计原则只不过提示词从「一次性指令」变成了「多轮任务描述」。比如你让一个智能体「调研并生成一份竞品分析报告」底层是多个子任务串联每个子任务单独走「上下文注入 → 检索 → 生成 → 验证」的链路。Manus 的价值是把这个链路包装成了像聊天一样自然的前端但底层并没有脱离提示词的边界约束和幻觉防御逻辑。从实践角度讲我从这份资料里提炼出一个最实用的收尾方法无论用 DeepSeek 还是 Manus最终验证提示词输出质量建议固定走这五步习惯。第一步问完任何问题先看模型输出里有没有「我不知道」「无法确定」这类表达出现如果全是斩钉截铁的结论就逐个核对结论中的数据点。第二步凡是涉及日期、数字、专有名词的句子单独复制到一个搜索框里做交叉验证别偷懒。第三步要求模型在回答末尾附上推理依据哪怕只有一句话也能暴露它是不是在「顺嘴胡编」。第四步把同一个提示词在 V3 和 R1 上各跑一次对比差异如果两个模型的输出语义相差很大说明提示词本身信息不足需要回炉补充上下文。第五步对长任务场景把输出拆成「观点」「事实」「推断」三类事实优先验证推断仅作参考。这套习惯的由来是因为我早年在用生成模型做资料整理时被幻觉狠狠坑过一次——当时让模型梳理一份产品需求文档里的关键数据它把一项「待确认」的参数直接写成「已验证」差点进了对外汇报材料。从那以后我每次跑 AI 生成内容都强制执行一遍这五步验证。自己多花五分钟交叉核对比事后发现数据错误再返工要划算得多。如果你把这份 DeepSeek 提示词设计与幻觉避免的资料下载下来建议先把第六章「避坑」部分精读一遍再看看第 3 章和第 5 章的可复用模板剩下的功夫就是拿真实任务反复试。希望帮到你。本文还有配套的精品资源点击获取