指令型模型， 提示詞依賴程度強，提示詞是否專業會直接影啊輸出效果。

推理型模型， 提示詞依賴程度弱，只要能表達清楚需求、任務和目的，R1 會“揣摩”提示詞背後你想要什麼。

直接在對話方塊中輸入你的 Prompt（提示詞）就會呼叫 V3 模型，使用方法和 ChatGPT、Kimi、豆包等一樣，優勢在於快。

當你的任務很簡單時，使用預設的模型就可以。

如果你的任務涉及複雜的步驟和邏輯關係，更建議使用“深度思考”，也就是 R1 模型來完成。

深度思考模型（R1）是 Deepseek 的核心推理引擎，透過多層邏輯鏈模擬人類專家級的思維過程。 它會自動對問題進行多維度拆解交叉驗證假設、迭代修正結論，最終生成可靠的問題解決方案。

R1 模型適用於需要複雜推理的場景（如數學證明、策略分析、矛盾問題處理等），其核心特點是具備自我糾偏能力和多步因果推理能力。

下面我們使用一樣的提示詞：“我計劃 3 月去杭州旅行，幫我制定一份旅行攻略“，看看 V3 和 R1 這兩種模型的輸出結果的區別，如圖 1 所示。

在 V3 中，只是列舉了每天去哪、交通選擇什麼、住宿可以住在哪；而 R1 會告訴你

最佳的花期、氣溫、攜帶什麼物件、早餐吃什麼美食等，考慮得更周到也更細緻。

聯網搜尋功能和其他 AI 工具一樣，可以即時獲取網路上的資訊。Deepseek 支援 R1 模型和聯網搜尋切能同時使用。

大家可以使用同樣的提示詞，開啟聯網搜尋功能，看看輸出結果的差異。

在本節中，將針對 DeepSeekV3 模型，介紹它所適用的傳統提示詞技巧。

在正式學習提示詞提問技巧前，可以先學習一個簡單易上手的 萬能提示詞模板。這個萬能提示詞模板將提示詞分為 4 個部分，分別是：角色、背景、任務、要求。

角色： 指的是讓 AI 扮演什麼樣的角色，站在角色的角度組織輸出文字。

背景： 具體的場景和細節，明確 AI 需要給出的回覆是建立在什麼樣的情境下的。

任務：AI 需要完成什麼任務。

要求：AI 輸出的內容需要滿足什麼條件，不要出現什麼內容。

下面我們來看一個例項，提示詞如下：

假如你是一名導遊（角色），你正在帶領一個旅遊團到北京旅遊，旅遊地點需要包含故官、長城和頤和園。因為是公司年會後的旅遊團，所以希望行程安排得比較輕鬆（背景），請你幫我設計一個 3 天的行程（任務），用表格方式輸出，表格中只包含每天上午、下午的行程即可（要求）。

DeepSeek 的輸出結果如圖 2 所示，非常簡潔明瞭。

將提示詞用結構化的方式呈現，可以讓 DeepSeek 更清晰地理解你的需求。前面的萬能提示詞模板，其實就是一種結構化提示詞的撰寫方式。常見的結構化提示詞包括絕俗扮演框架、ICIO 框架、CRISPE 框架等。感興趣的讀者可以作進一步的瞭解。

在學習完萬能提示詞模板後，下面來學習撰寫提示詞時需要注意的核心原則。

有 具體的問題 能引導模型聚焦在特定方面，提供更有價值的資訊。對於 AI 來說，具體問題 = 縮小答案範圍 = 更精準的輸出。

簡潔的指令 能減少誤解，提高回答的準確性。請記住，每增加一個不明所以的修飾詞，理解路徑就會多分叉一次，AI 的輸出就會離你的預期遠一些。

AI 一般會猜測你的意圖，而不是明確你的需求。所以，在使用 AI 時，明確的指令 = 減少腦補空間 = 降低返工率。

很多時候，AI 會條出看似合理、實則完全錯誤的答案。雖然聯網搜尋可以一定程度地規避這類問題的產生，但是為保險起見，還是要對輸出的知識性內容進行核實。

不少 AI 工具存在一定的單次輸出上限，並且在上下文資訊不足的情況下，即便是 DeepSeek 也很難一次性給出滿意的答案。

例如，如果你希望生成一份幾十頁的分析報告，最好的方式是拆分成幾步， 先讓 AI 生成整體大綱，再生成每節的明細大綱，最後再依據每小部分的題目依次生成對應的內容，必要時，還可以限定各個部分的字數。

在 R1 之前的指令型模型，使用者需要事無鉅細地交代流程，AI 才能明白怎麼做，也就誕生了很多提示詞模板，甚至出現了很多提示詞工程師。

寫好一個專業的提示詞是比較困難的事情，比如結構化提示詞。但對於 R1 模型來說，如果事無鉅細地交代所有細節，反而會抑制模型的創造力。

在使用 R1 時，雖然完全沒必要使用長段的結構化提示詞，但也可以用一些簡單的提示詞結構，例如下面的三要素結構：背景 + 需求 + 要求。

背景： 上下文資訊。對於專業知識背景的相關內容，也可以以附件的形式提供。

需求： 你想做什麼事。

要求： 需要滿足什麼，不滿足什麼。例如格式、風格等。

下面看一個典型的應用案例，提示詞：

我現在計劃在小紅書上經營一個美妝領域的賬號，做一個美妝博主，型別是露臉拍短影片，幫我設計一下口播文案。

要求：

1）我想要 3 組標題，每個標題都對應一條 90 秒以內可以播完的文案。

2）用“過來人”的語氣。

3）結尾引導評論區互動。

讓 DeepSeek 出圈的，是大家一起讓有 R1 像人一樣說話，比如這樣的提示詞：

“解釋一下 DeepSeek 的深度思考模型（R1）是什麼，說人話”。

輸出結果：

DeepSeek 的深度思考模型（R1）可以理解為一個“愛琢磨的 AI 大腦”。它和普通 AI 的區別就像“學霸”和“背題機器”——普通 AI 可能直接給你答案，而 R1 會像人類學霸一樣，把問題拆開揉碎，一步步推敲。

DeepSeekR1 和其他模型一樣，仍然有上下文和輸入輸出長度的限制。

在輸入上，舉個例子，比如你上傳一本約 30 萬字的《連城訣》小說給模型學習，它只能讀 20%，也就是 3 萬~4 萬字， 但這部分內容也足夠回答絕大部分問題了。

除了輸入外，輸出的限制顯得更加嚴苛，單次回答基本只能輸出 2000~3000 個漢字， 所以對於較長的內容，建議先讓 R1 列舉出提綱目錄，然後依次讓 R1 撰寫各個部分的內容。

另外，對於上下文的限制會讓模型 在輪次過多的對話中顯得“健忘”。 聊著聊著，DeepSeek 可能就會忘了最初的對話內容。

截至 2025 年 2 月 9 日，最新的 R1 知識庫截止時間是 2024 年 7 月。 在不聯網搜尋的情況下，對於截止時間以後的事情，R1 會出現幻覺，也就是看起來講解得頭頭是道，但實際是完全錯誤的。

雖然 R1 這類推理型模型非常好用但學習指令型模型的提示詞依然重要，除了一些方法思路可以借鑑之外，、更重要的是它們各有適用場景。推理型模型輸出較慢，並且由模型代替了人類的思考過程，在一些需要快速輸出或高度按照人類的步驟去執行的場景下，指令型模型會比推理型模型更適用。

《DeepSeek 使用指南：全職業場景應用實踐》 一書聚焦於 DeepSeek 的使用方法和技巧，直擊 30 多個高頻工作場景，透過 100 餘個開箱即用的提示詞模板，助你實現職場的彎道超車。從 3 分鐘速出會議紀要、1 鍵生成爆款思維導圖，到懸疑劇本創作、短影片分鏡設計，再到法律文書潤色、學術資料視覺化。無論是 PPT 排版“效率革命”、海報文案“靈感爆發”，還是商業計劃“專業攻堅”，都可以用 DeepSeek 的“理工科大腦”與“深度思考”功能精準破局。

杜雨（博士）， 未可知人工智慧研究院院長，資深人工智慧應用專家，曾就職於騰訊、紅杉資本。中國社會科學院技術經濟學博士，北京大學、香港中文大學雙碩士。

張孜銘， 未可知人工智慧研究院副院長，科技加速器 Quadratic Acceleration Quantum 合夥人，元宇宙教育實驗室智庫專家。北京大學管理學碩士，新加坡國立大學金融工程碩士，華中師範大學資訊管理與資訊系統、華中科技大學計算機科學與技術雙學士。

陳博， 未可知人工智慧研究院特邀授課講師，“尚工”行動 AIGC 評測培訓課程導師。喜馬拉雅 AI 教研及講師，風平智慧 AI 數字人短影片講師。