“`markdown

DeepSeek R1 发布后：提示词工程的进化与坚守

导语：

人工智能领域日新月异，大型语言模型（LLM）的迭代速度更是令人瞩目。DeepSeek 近期发布的 R1 模型，以其强大的性能和更长的上下文窗口，再次引发了业界对提示词工程（Prompt Engineering）的关注。那么，在 DeepSeek R1 这样的新型 LLM 面前，我们曾经熟知的提示词技巧是否仍然适用？又有哪些需要调整和进化的方向？本文将深入探讨 DeepSeek R1 发布后，提示词技巧的变与不变，为开发者和研究者提供一份实用的指南。

一、背景信息的重要性：始终如一的基石

无论 LLM 如何进化，提供充分的背景信息始终是构建有效提示词的基础。DeepSeek R1 拥有更长的上下文窗口，这并不意味着我们可以忽略背景信息的提供，反而更加需要精心设计背景信息，以引导模型更好地理解任务目标。

• 为何背景信息至关重要？

  LLM 本质上是基于概率分布的预测模型，它通过学习大量的文本数据来掌握语言的规律。然而，语言的表达方式是多样的，同一个问题可以用不同的方式进行描述，不同的背景信息也会影响模型的理解。如果缺乏足够的背景信息，模型可能会产生歧义，或者无法准确把握用户的意图。

• 如何在 DeepSeek R1 中有效利用背景信息？

  1. 明确目标： 在编写提示词之前，首先要明确任务的目标是什么。例如，是生成一篇新闻报道，还是解决一个数学问题？明确目标有助于确定需要提供的背景信息。

  2. 提供上下文： 尽可能提供与任务相关的上下文信息。例如，如果是生成一篇关于气候变化的新闻报道，可以提供最新的气候数据、相关的政策法规、以及专家的观点等。

  3. 定义术语： 对于专业领域的术语，需要进行明确的定义，以避免模型产生误解。例如，在生物医学领域，需要解释基因、蛋白质、细胞等概念。

  4. 设定角色： 可以为模型设定一个角色，例如“你是一位资深的新闻记者”，这样可以引导模型以特定的风格和视角来完成任务。

• 案例分析：

  假设我们需要让 DeepSeek R1 生成一篇关于“可再生能源”的科普文章。以下是一个对比示例：

  • 缺乏背景信息的提示词： “写一篇关于可再生能源的文章。”

  • 包含背景信息的提示词： “你是一位科普作家，请用通俗易懂的语言，写一篇关于可再生能源的文章。文章需要介绍可再生能源的种类（太阳能、风能、水能、地热能、生物质能），以及它们的优缺点和应用前景。文章面向的读者是普通大众，需要避免使用过于专业的术语。”

  显然，后者包含更丰富的背景信息，能够引导 DeepSeek R1 生成更符合要求的文章。

二、框架的有效性：结构化思维的胜利

框架，指的是提示词的结构和组织方式。一个清晰、合理的框架能够帮助模型更好地理解任务的逻辑关系，从而提高生成结果的质量。即使在 DeepSeek R1 这样强大的模型面前，框架的有效性仍然至关重要。

• 常见的提示词框架：

  1. 指令 + 背景信息 + 约束条件 + 示例： 这种框架适用于需要模型按照特定格式或风格生成内容的任务。

  2. 问题 + 步骤 + 结果： 这种框架适用于需要模型解决问题的任务，例如数学计算、逻辑推理等。

  3. 角色扮演 + 场景设定 + 对话： 这种框架适用于需要模型进行对话或角色扮演的任务。

• 如何在 DeepSeek R1 中应用框架？

  1. 选择合适的框架： 根据任务的性质选择合适的框架。例如，如果需要模型生成一篇新闻报道，可以使用“指令 + 背景信息 + 约束条件 + 示例”的框架。

  2. 明确框架的各个组成部分： 在框架中，需要明确每个组成部分的内容。例如，指令部分需要明确模型需要做什么，背景信息部分需要提供相关的上下文信息，约束条件部分需要规定生成结果的格式和风格，示例部分可以提供一些参考的例子。

  3. 使用分隔符： 为了让模型更好地理解框架的结构，可以使用分隔符将不同的组成部分分隔开。例如，可以使用“###”或“—”等符号。

• 案例分析：

  假设我们需要让 DeepSeek R1 生成一段代码，实现一个简单的排序算法。以下是一个对比示例：

  • 缺乏框架的提示词： “写一段 Python 代码，实现一个排序算法。”

  • 包含框架的提示词：

    “`

    指令：

    请用 Python 语言实现一个冒泡排序算法。

    背景信息：

    冒泡排序是一种简单的排序算法，它重复地遍历要排序的列表，比较相邻的元素，如果顺序错误就交换它们。

    约束条件：

    1. 代码需要包含详细的注释。
    2. 代码需要能够处理包含重复元素的列表。
    3. 代码需要能够处理空列表。

    示例：

    输入：[5, 1, 4, 2, 8]
    输出：[1, 2, 4, 5, 8]
    “`

    显然，后者包含更清晰的框架，能够引导 DeepSeek R1 生成更规范、更易于理解的代码。

三、结构化提示：化繁为简的力量

结构化提示是指将复杂的任务分解为更小的、更易于管理的子任务，并为每个子任务提供明确的指令。这种方法可以有效地降低任务的难度，提高生成结果的质量。

• 为何结构化提示有效？

  LLM 在处理复杂任务时，可能会遇到困难，例如无法理解任务的整体目标，或者无法有效地利用上下文信息。通过将任务分解为更小的子任务，可以降低任务的复杂度，并为模型提供更明确的指导。

• 如何在 DeepSeek R1 中应用结构化提示？

  1. 分解任务： 将复杂的任务分解为更小的子任务。例如，如果需要模型生成一篇研究报告，可以将任务分解为以下几个子任务：

     • 撰写摘要
     • 介绍研究背景
     • 阐述研究方法
     • 分析研究结果
     • 总结研究结论

  2. 为每个子任务提供指令： 为每个子任务提供明确的指令。例如，对于“撰写摘要”这个子任务，可以提供以下指令：

     • “请用简洁的语言，概括研究报告的主要内容。”
     • “摘要需要包含研究的目的、方法、结果和结论。”
     • “摘要的长度不超过 200 字。”

  3. 组合子任务的结果： 将各个子任务的结果组合起来，形成最终的输出。

• 案例分析：

  假设我们需要让 DeepSeek R1 生成一篇关于“人工智能伦理”的论文。以下是一个对比示例：

  • 非结构化的提示词： “写一篇关于人工智能伦理的论文。”

  • 结构化的提示词：

    “`

    任务：

    撰写一篇关于人工智能伦理的论文。

    子任务 1：撰写摘要

    指令：请用简洁的语言，概括论文的主要内容。摘要需要包含人工智能伦理的定义、重要性、以及面临的挑战。摘要的长度不超过 200 字。

    子任务 2：介绍研究背景

    指令：请介绍人工智能伦理的研究背景，包括人工智能技术的发展现状、伦理问题的产生原因、以及相关研究的进展。

    子任务 3：阐述研究方法

    指令：请阐述论文的研究方法，包括文献综述、案例分析、以及伦理分析框架。

    子任务 4：分析研究结果

    指令：请分析研究结果，包括人工智能伦理面临的主要挑战，例如算法偏见、数据隐私、以及自主决策等。

    子任务 5：总结研究结论

    指令：请总结研究结论，包括人工智能伦理的重要性、以及未来的发展方向。
    “`

    显然，后者使用结构化的提示，能够引导 DeepSeek R1 生成更系统、更深入的论文。

四、避免过度指定思考步骤：解放模型的创造力

在提示词工程中，一种常见的做法是详细指定模型需要执行的思考步骤，例如“首先……然后……最后……”。然而，对于像 DeepSeek R1 这样强大的模型来说，过度指定思考步骤可能会限制其创造力，反而降低生成结果的质量。

• 为何过度指定思考步骤会适得其反？

  DeepSeek R1 拥有强大的推理能力和知识储备，它可以根据任务的目标，自主地规划思考步骤。如果过度指定思考步骤，可能会干扰模型的自主思考，使其无法充分发挥自身的优势。

• 如何避免过度指定思考步骤？

  1. 明确任务目标： 首先要明确任务的目标是什么，让模型清楚地知道需要做什么。

  2. 提供必要的背景信息： 提供与任务相关的背景信息，帮助模型更好地理解任务的上下文。

  3. 允许模型自主思考： 避免过度干预模型的思考过程，让其自主地规划思考步骤。

  4. 关注生成结果： 关注模型生成的最终结果，如果结果不符合要求，可以适当调整提示词，但仍然要避免过度指定思考步骤。

• 案例分析：

  假设我们需要让 DeepSeek R1 解决一道数学难题。以下是一个对比示例：

  • 过度指定思考步骤的提示词： “首先，计算……然后，计算……最后，计算……得出答案。”

  • 避免过度指定思考步骤的提示词： “请解决以下数学难题：……”

  显然，后者更加简洁，能够让 DeepSeek R1 自主地规划解题步骤，从而更好地发挥其数学能力。

五、提升用户自身思考表达能力：提示词工程的根本

提示词工程不仅仅是关于如何编写提示词，更重要的是提升用户自身的思考表达能力。只有具备清晰的逻辑思维和准确的语言表达能力，才能编写出高质量的提示词，从而引导 LLM 生成符合要求的输出。

• 为何提升用户自身思考表达能力至关重要？

  提示词工程的本质是人机交互，用户通过提示词向 LLM 传达自己的意图。如果用户自身的思考表达能力不足，就无法清晰地表达自己的意图，从而导致 LLM 无法生成符合要求的输出。

• 如何提升用户自身思考表达能力？

  1. 学习逻辑思维： 学习逻辑思维的基本原理，例如演绎推理、归纳推理、以及因果关系等。

  2. 练习写作技巧： 练习写作技巧，例如清晰表达、简洁明了、以及逻辑连贯等。

  3. 积累领域知识： 积累与任务相关的领域知识，例如专业术语、行业规范、以及最新的研究进展等。

  4. 不断实践和反思： 通过不断实践和反思，总结经验教训，不断改进提示词的编写技巧。

结论：

DeepSeek R1 的发布，标志着 LLM 技术又向前迈进了一大步。然而，提示词工程的核心原则仍然适用，例如提供充分的背景信息、构建有效的框架、以及使用结构化提示等。同时，我们也需要根据新型 LLM 的特点，调整提示词的编写策略，例如避免过度指定思考步骤，以及提升用户自身的思考表达能力。只有不断学习和实践，才能掌握提示词工程的精髓，从而充分利用 LLM 的强大能力，创造更大的价值。

参考文献：

• Brown, T. B., Mann, B., Ryder, N., Subbiah, M., Kaplan, J., Dhariwal, P., … & Amodei, D. (2020). Language models are few-shot learners. Advances in neural information processing systems, 33, 1877-1901.
• Wei, J., Wang, X., Schuurmans, D., Bosma, M., Chi, E., Le, Q. V., & Zhou, D. (2022). Chain-of-thought prompting elicits reasoning in large language models. Advances in neural information processing systems, 35, 24824-24837.
• White, J., Fu, Q., Hays, S., Sandborn, M., Olea, C., Gilbert, H., … & Elnashai, A. S. (2023). A prompt engineering guide for large language models. arXiv preprint arXiv:2302.11302.
  “`

>>> Read more <<<

Views: 5