简介面向小红书运营与内容创作者的Deepseek高级指令合集以PDF整理了爆款标题、互动引导、内容创意、Emoji添加、口播脚本、种草文案、文章续写、广告策划、文本改写和热门问题选题等10类提示词模板适合小红书博主、品牌运营、文案策划及大模型辅助创作学习者作为日常发文速查手册。资源共1个PDF文件约1.45MB已有86人学习浏览新手可快速上手进阶运营者也能补充灵感。每类指令均含角色设定、背景说明和创作思路填入行业、主题、字数等参数即可生成符合平台调性的标题、互动文案、口播脚本与广告策划方案同时有助于梳理内容生产流程、理解互动引导方法从选题到发布形成完整闭环逐步提升内容质量与账号影响力方便迁移到实际账号运营。1. 一份 DeepSeek 小红书运营“高级指令”PDF到底在解决什么问题做小红书运营的人用 DeepSeek 最常见的姿势是“帮我写一篇笔记”然后得到一篇四平八稳、放上去没人看的文章。问题不在模型在于提问太宽。所谓高级指令不是玄学是把角色、流程、输出格式、评审标准一次性讲清楚让 DeepSeek 在第一次回答就给出接近能用的东西——而不是让你反复微调十轮。而把它整理成 PDF是让这套指令从“我的收藏夹”变成“团队可复制的运营资产”。这篇文章适合三类人正在用 DeepSeek 但产出质量不稳定的运营需要把 AI 写作流程教给同事或兼职的团队负责人以及想搭建一套可复用指令库的工具型运营。我会从指令为什么有效讲起给你一套能直接抄的小红书场景指令再讲怎么把这些指令沉淀成 PDF 并在日常工作中使用。全程只讲我试过、踩过、改过的东西不假装这份 PDF 有标准答案。2. 为什么普通提问输给“高级指令”先理解 DeepSeek 的回答习惯2.1 DeepSeek 的上下文窗口与“角色偏移”现象DeepSeek 这类模型在长对话里存在明显的“角色偏移”你第一句说“你是小红书运营专家”它第一轮回答确实像个专家但对话进行到第十轮它开始忘记你是哪个赛道的语气变得像通用助手。这不是 bug而是模型对上下文的注意力会随时间衰减尤其是早期信息被后续大量细节稀释时。所以高级指令的第一原则是把最重要的规则放在每条指令的开头而不是指望它记住半小时前的设定。常见做法是在每次对话开始时就重新声明角色和任务哪怕你觉得重复。我一般会把角色声明、输出格式、禁忌事项三件事压缩在开头 80 字以内让模型在生成前就完成“角色锚定”。这里有个实操细节DeepSeek 的上下文足够长但“足够长”和“足够准”是两回事。你给它塞 5000 字的参考资料它会觉得每条都重要反而抓不住重点。这也是为什么指令要精简——不是省 token是省模型的注意力。2.2 结构化输出为什么能直接提高可用率普通提问“写一篇护肤笔记”模型会自由发挥。高级指令会强制它按结构输出先给选题方向再给标题候选然后正文、标签、评论区回复预案。这一步的作用是把“生成”变成“填空”——模型不需要思考“用户到底要什么”只需要在你的框架里做选择。实际体验下来结构化输出至少带来三个改变第一返工率明显下降因为标题、正文、标签分离后你可以单独让模型换标题而不动正文第二质量控制变容易你可以逐段审查而不是面对一整块文字第三团队协作时交接成本低新编辑看一眼输出格式就知道哪些字段需要改。结构化还有一个隐藏好处它天然抑制了模型“一本正经胡说八道”的倾向。因为每段都有明确职责它编造信息时更容易被你发现——比如数据引用放在单独字段里一眼就能看出有没有给来源。2.3 一份最小可用指令模板角色、流程、输出约束三段式下面这份模板是我现在所有小红书相关指令的底子你可以直接复制使用你是小红书平台的美妆赛道运营专家有3年账号操盘经验熟悉平台审核规则和流量分发逻辑。 任务流程 1. 先分析我提供的素材方向判断是否有违规风险 2. 再用表格形式给出5个选题每个选题附目标人群和差异化角度 3. 我确认选题后你才继续写标题和正文 输出格式要求 - 标题5个候选每个不超过20字包含情绪词或数字 - 正文开头50字以内必须有悬念正文分段不超过5段每段3行以内 - 标签10个分为流量词、赛道词、人群词三类 注意不要在正文里使用首先其次最后等连接词不要出现功效承诺不要使用医疗词汇。这段指令的逻辑说明很关键角色声明限定了“美妆赛道”和“3年操盘”这比单纯说“你是专家”有效得多——模型对具体数字和赛道名词的响应更准确。流程部分把“选题-确认-写稿”拆成了两轮防止模型一次输出太多导致质量稀释。你实际使用时把“美妆赛道”换成自己的领域即可其余骨架不用动。输出格式里的约束词不是随便写的。“不要使用功效承诺”是针对平台审核的红线预设“不要用首先其次”是为了规避 AI 腔。如果你发现模型输出还是带 AI 味就在约束区继续加不要出现“总而言之”“值得注意的是”“在这个快节奏的时代”。这些词是 AI 写作的指纹你列得越细模型就越收敛。提示指令里的“先…再…最后…”有时候会被模型当成伪步骤——它可能会在一次回答里全部做完。解决方法是把它写成“如果我没确认选题不要输出正文”用条件触发来约束它。3. 小红书运营四场景的指令实操选题、写稿、评论区与改稿3.1 选题指令让 DeepSeek 从热点里找“差异化角度”选题是小红书运营里最耗神的一步。直接用“给我 5 个选题”出来的东西多半是你已经想到过的。问题在于模型缺少约束条件——它不知道你已经写过什么也不知道你的账号定位边界。所以选题指令的核心是给它“排除项”。我的常用选题指令模板你是小红书知识类博主账号“XX学姐”的内容策略顾问。 我的账号定位职场新人成长已发布内容主要涉及简历修改、面试技巧、试用期生存。 本月目标涨粉500互动率目标5%。 请基于以下热搜词给出 10 个选题 {在这里粘贴你找到的热搜词或平台热门话题} 要求 1. 每个选题必须写清楚“角度差异”——说明这个话题和市面上常见笔记的切入点有何不同 2. 排除我账号已经写过的方向简历格式模板、面试穿搭 3. 优先选有“场景冲突”的选题比如“工资不高但想存钱”这种自带矛盾的 4. 输出格式序号、选题名、目标人群、角度差异、预估搜索热度高/中/低参数说明{热搜词} 是你需要自己填的变量——DeepSeek 的训练数据有截止时间它不知道今天小红书在热什么所以热搜词必须由你提供。这点是很多人踩坑的地方让模型凭空猜热点它只会编造一个“自立自强女性成长”之类永远不温不火的话题。“预估搜索热度”这一栏要提醒模型这是主观预估不是平台数据。我见过新人把模型猜的热度当真连续做了三篇数据都很差。模型只能判断“这个话题在语义上有没有热度潜力”判断不了真实的实时流量。所以这个字段的用途是排序参考不是决策依据。3.2 写稿指令开头三秒、正文节奏和标签结构的强制约束选题定了之后写稿是最容易翻车的环节。DeepSeek 默认的输出风格偏“散文式长篇大论”而小红书需要的是短句、强节奏、有留白。如果不在指令里约束段落结构和每句长度你拿到的稿子往往要重写一半。我的一份写稿指令模板你是小红书图文笔记写手文风要求口语化、有节奏感、像真人分享而不是文案。 请根据以下选题和素材写一篇小红书笔记 选题{已确认的选题} 素材{你的原始素材如产品信息/个人经历/数据截图} 结构要求 1. 第一句必须是“场景代入”要么是具体时间地点要么是一句反常识结论 2. 中间留白不要把所有细节写满每段停在一个“然后你猜怎么着”的钩子上 3. 结尾必须有一句“行动召唤”引导用户评论、收藏或关注 风格红线 - 禁止以下词汇干货满满、保姆级、建议收藏这些词已被平台用户免疫 - 每句话不超过25个字允许有碎句 - 不要用排比句开头那太像作文 输出格式 【标题候选】4个 【正文】直接输出成文 【标签】10个标注每个标签的用途流量词/赛道词/人群词这里最值得注意的参数是“每句话不超过25个字”和“禁止建议收藏”。前者是结构性的长句在小红书的信息流里显示效果很差尤其手机端阅读超过两行就容易跳出。后者是内容层面的整个平台的笔记都在说“建议收藏”这三个字已经失去了行动触发能力你要引导收藏得换说法比如“先存下来等需要的时候翻出来看”。标签标注用途这个要求有时候模型会做得不准确——它把“护肤”标成流量词“平价护肤”标成赛道词但实际投放逻辑可能反过来。这块建议你在用前先和模型对齐定义流量词是泛领域大词赛道词是领域内的细分词人群词是带有用户身份特征的词。把定义写进指令分类准确率会高很多。3.3 评论区维护指令用“回复矩阵”管理高并发互动笔记发出去之后真正的运营工作才开始。评论区回复的及时性、语气一致性、置顶引导的策划这三件事直接决定互动率能不能被平台放大。用 AI 回评论最常见的坑是回复语气和博主本人不一致——模型默认回复像客服粉丝一眼就能感觉出不对劲。我常用的评论区指令模板模拟博主“XX姐”的回复语气。参考她的说话习惯 - 称呼粉丝为“姐妹” - 喜欢用“咱们”“是不是”这种商量式口吻 - 回复不超过两句话第二句一定是具体建议或反问 以下是新收到的评论列表 {粘贴评论区内容} 任务 1. 对每条评论给出回复建议分两个版本高情商版适合公开发布和私聊版适合主动私信 2. 标记出需要置顶的评论包含关键词“多少钱”“哪里买”“求链接”的评论优先置顶 3. 标记出负面评论包含投诉、质疑功效、疑似同行引流的不要直接回复生成一条私信话术 4. 如果评论里有人分享了自己的相关经历生成一条“情感回应”话术引导对方进一步互动参数设计的逻辑是回复不是单一动作而是分层的。公开回复负责展示“高情商版”要维持人设私信版负责转化语气可以更贴近。置顶评论的选择标准很重要——小红书用户进评论区第一眼看到的决定了他们对整篇笔记的信任感所以要把“求链接”“多少钱”这类购买意向评论顶上去制造“大家都在买”的气氛。负面评论这一栏是我后来加进去的因为 AI 处理负面信息的默认策略是“诚恳道歉”但很多场景下道歉反而是错的——功效质疑类的负面评论公开道歉等于承认产品有问题。指令里写明“不要直接回复”就是为了避免模型替你做出错误的风险决策。3.4 改稿指令让 DeepSeek 当“第一个读者”而不是“第二个写手”很多人不知道 DeepSeek 能用来审稿。把一篇写完的笔记丢给它让它以用户视角挑毛病比你冥思苦想“哪里写得不够好”高效得多。但注意直接对它说“帮我看看这篇笔记怎么样”没用它会夸你写得好。必须给定具体的检查维度。我的改稿指令模板你是一位严格的小红书内容编辑擅长挑刺不负责夸人。 以下是待审核的笔记草稿 {粘贴草稿} 请从以下维度逐项检查 1. 开头第一句前50字是否足够抓人如果不够给出2个替代开头 2. 信息密度是否有可删掉的啰嗦句子标出具体行号给出精简版 3. 情绪曲线第二段是否出现情绪回落如果全篇情绪平稳提出制造波动的改写点 4. 转化路径用户读到最后会不会想评论给出3个互动引导的替代说法 5. 合规风险是否有敏感词、医疗词、夸大承诺对每个风险词给出替换建议 输出格式 问题清单用表格分三列问题类型、原文引用、修改建议。 最后给出结论这篇稿子在当前状态下值不值得直接发布。直接说“值得”或“不值得”不要模棱两可。最后那句“不要模棱两可”是关键。模型回答里最常见的 AI 味就是“这个方案在某些方面很有潜力但还有一些优化空间”——这种话说等于没说。你让它二选一它被迫做出判断判断的过程才会真正暴露问题。实际使用时当你问“值不值得发布”模型列出的“不值得”理由往往比你自我检查时发现的更多因为它在寻找证据支持自己的判断。注意改稿指令产出的“替换建议”不能直接照搬只能参考方向。因为模型会为了体现自己“严格”而过度修改把口语化的稿子改回书面语。我一般只看它标记的问题不看它的改写版本。4. 把高级指令整理成 PDF 指令库结构、导出与版本管理4.1 指令库的目录结构按场景分类给每条指令编号和版本号指令散落在对话记录里等于不存在。真正的用法是建一个指令库文档每次要用什么就复制什么。我推荐的目录结构是三层场景 → 指令 → 参数说明。具体到这份 PDF我一般这样组织层级内容示例第一部分基础使用说明怎么替换赛道词、怎么填入热搜词第二部分场景指令库选题指令、写稿指令、评论指令、改稿指令第三部分参数表每条指令的可变参数、适用条件、风险提示第四部分版本记录每次修改了什么、为什么改每条指令内部固定用五段结构指令名称与版本号、适用场景、完整指令代码、可变参数表、踩坑记录。踩坑记录特别重要——你同一套指令用不同的账号出来的调性可能完全不同踩坑记录能帮助团队理解“上次这个指令为什么在某类账号上效果差”。版本管理建议用日期序号比如“选题指令 v2.3 2025-06-18”。原因很简单你给模型用的指令和普通文档不一样微调几个字输出质量可能差一个量级。没有版本记录你改着改着就忘了哪个版本最好回头想恢复都找不到。4.2 用 Python 脚本把 Markdown 指令库导出为 PDF指令库最适合的源格式是 Markdown因为它纯文本、易修改、可 diff。但团队协作时PDF 才是通用的交付格式看得见字、打不了错、发给外包也不会被改动。常见做法是写一个简单的 Python 脚本把 Markdown 转 PDF不用复杂的编辑器。以下是我常用的导出脚本# markdown_to_pdf.py # 用途把 Markdown 格式的指令库导出为带目录的 PDF # 依赖pip install markdown weasyprint import markdown from weasyprint import HTML # 1. 读取 .md 源文件 with open(deepseek_xiaohongshu_instructions.md, r, encodingutf-8) as f: md_content f.read() # 2. 转换为 HTML开启表格和代码块扩展 html_body markdown.markdown( md_content, extensions[tables, fenced_code, toc] ) # 3. 套一层样式控制字体、代码块背景、表格边框 html_full f !DOCTYPE html html headmeta charsetutf-8 style body {{ font-family: Noto Sans CJK SC, sans-serif; font-size: 12px; line-height: 1.8; }} h1 {{ font-size: 20px; border-bottom: 2px solid #333; }} h2 {{ font-size: 16px; margin-top: 24px; }} pre {{ background: #f5f5f5; padding: 12px; border-radius: 6px; font-size: 11px; }} table {{ border-collapse: collapse; width: 100%; }} th, td {{ border: 1px solid #999; padding: 6px; text-align: left; }} code {{ font-family: Courier New, monospace; }} /style /head body{html_body}/body /html # 4. 导出 PDF HTML(stringhtml_full).write_pdf(Deepseek小红书运营高级指令.pdf) print(导出完成)参数说明weasyprint 对中文字体的支持依赖系统已安装的字体所以样式里显式指定了 Noto Sans CJK SC。如果你在 macOS 上运行把字体名改成 PingFang SCWindows 上改成 Microsoft YaHei。不管用什么系统转换后都要抽查 PDF 里的中文有没有变成方块字这一步是绕不过去的。toc 扩展会在 HTML 里插入一个目录锚点但 weasyprint 默认不带页眉页码。实际交付时我一般手动在 Markdown 源文件的开头放一个链接列表当目录转换后直接作为第一页。这样生成 PDF 自带导航不用额外处理页眉。4.3 不用脚本时浏览器“打印为 PDF”的操作细节如果你不想搭 Python 环境或者只需要快速导出一份给同事看用 Markdown 渲染器加浏览器打印就行。整个过程是把 .md 文件放进任意支持 Markdown 渲染的编辑器如 Typora、VS Code 装预览插件然后用浏览器的打印功能输出 PDF。有几个参数必须设置页面边距选“最小”否则代码块会被截断勾选“背景图形”选项否则代码块的灰色底色消失代码和正文混在一起页眉和页脚里取消“URL”和“日期”否则打印出来的 PDF 每一页底部都有浏览器地址栏的信息显得像临时文件。这里最坑的点是代码块换行。读者屏幕上的长指令打印到 A4 纸宽度不够代码会硬换行导致指令的缩进和空行错乱。解决方法有两个要么在指令库里主动控制每行不超过 60 字符要么打印前把代码块的字体大小降到 10px。前者治本因为你把指令复制出来用时不会因为 PDF 的换行位置而产生歧义。5. 高级指令落地避坑5 个真实踩过的雷5.1 指令太长DeepSeek 直接把规则“吃掉”了现象把一套包含十条要求的指令粘贴进去模型仿佛没看见中间几条直接按自己的理解写了。 原因模型对长指令的注意力集中在开头和结尾中段规则容易被忽略。尤其是你把“输出格式”放在指令中部它记住开头和结尾的概率远高于记住中段。 解决把最重要的规则放在第一条或最后一条。优先级排布是——角色声明在开头输出格式在末尾其他细节垫中间。如果你有几条同样重要的规则拆成两轮对话不要都塞进一条指令。5.2 模型过度顺从“这个方案可行”不等于真的可行现象问 DeepSeek 某选题能不能做它说“这个方向很有潜力建议尝试”。做了之后数据很差。 原因模型的默认交互模式是顺着用户说话目的性是对齐你的预期而不是给你真实判断。你问“能不能”它默认答“能”。 解决在指令里加“否决权”。明确写“如果某个选题不适合我的账号直接说不行不要委婉”并且要求它给出“不行”的理由链。自从加了这条模型开始频繁否定我的选题但被它否掉的选题确实数据都不怎么样。5.3 同一套指令批量产文账号被平台判为营销账号现象用同一套模板连发 5 篇笔记阅读量一次比一次低最后几篇连推荐都不给。 原因虽然模板只是指令但模型的文风趋同性很强——同一个模型、同一套规则、同一个温度参数输出的句子结构几乎一模一样。平台反垃圾模型对这类文本有很高的识别置信度。 解决给每个场景准备两套不同风格的指令。比如写稿指令分成“碎句短段版”和“故事叙述版”按周交替使用。另外每次生成后手动改掉至少三处句子结构。不要试图只靠指令解决同质化问题人工介入是必须的。5.4 PDF 导出中文乱码字体问题不是内容问题现象用脚本生成的 PDF正文正常但特殊符号和中文标点变成方块。 原因weasyprint 或浏览器打印时字体回退到了系统默认西文字体。中文字体名称匹配失败只影响部分字符。 解决导出后不要只看首页要翻到代码块和表格页检查。最稳妥的做法是先把字体文件.otf 或 .ttt下载到本地在 CSS 里用 font-face 指定绝对路径而不是依赖系统字体名。这件事我翻过一次车之后导出 PDF 的第一件事就是查全篇有没有乱码字符。5.5 把内容审核交给 AI它不知道小红书的红线现象DeepSeek 用自己的合规标准替你做判断认为某句话没问题但它判断的是“法律和道德风险”不是平台审核规则。发布后被打回。 原因大模型的审校能力来自它的训练数据而小红书平台规则是一个实时变化的系统模型并不掌握最新版本。它对“医疗功效词”的红线判断常常过于宽松或过于严格。 解决在改稿指令里加一层人工复核清单——在 prompt 的最后写“以上只是风险提示最终发布前需要人工确认以下三项是否涉及功效承诺、是否提及第三方品牌、是否包含绝对化用语”。不要让 AI 替你拍板它只能当第一道筛子。这条原则是最重要的。6. 进阶把指令库变成本地检索工具让每条指令都命中指令库积累到二三十条之后复制粘贴也开始费劲了——你记不清某条指令存在哪个文件里有时候干脆重新写一遍。我的做法是把指令条目转成结构化的 JSON然后用一个简单的 Python 检索脚本按关键词找到指令并拼接成完整的 prompt。# instruction_matcher.py # 用途按关键词从 JSON 指令库中检索匹配指令并组装成完整 prompt import json, sys # 指令库结构[{id: write_v2.3, scene: 写稿, triggers: [标题, 正文, 标签], content: 完整指令文本...}] with open(instruction_library.json, r, encodingutf-8) as f: library json.load(f) query sys.argv[1] if len(sys.argv) 1 else 写稿 matched [item for item in library if any(k in query for k in item[triggers])] for item in matched: print(f\n# {item[id]} {item[scene]}) print(item[content]) print(\n---\n) # 把当前热搜词追加到指令末尾 print(当前可用的热搜词/待补充素材\n{请在此粘贴素材})输出到的内容直接复制回 DeepSeek 对话窗口就能用。这个脚本解决的是“指令查找”的效率问题大概能省掉每次 30 秒的人工翻找。如果你熟悉 Python还可以更近一步在 JSON 里增加“last_used”字段记录每条指令最近一次的使用日期超过 30 天没用的指令就是你该淘汰或更新的对象。用这套东西跑了一段时间之后我最大的感受是高级指令不是一次性写出来的是长出来的。每翻一次车就往 PDF 里添一条踩坑记录每遇到一个新平台功能就新建一条指令。约半年之后这份 PDF 才真正变成了团队的运营手册——新同事来了不用问东问西打开文档照着复制就行。希望这个方向能帮到你。本文还有配套的精品资源点击获取