DeepSeek API 实战手册：Prompt Engineering 高效提示词编写指南

你是否发现大模型经常给出偏离预期的回答？关键在于掌握提示词优化技巧。

Prompt Engineering 实战指南：用 DeepSeek API 写出高质量提示词

一、环境准备：调用 LLM API

1.1 初始化客户端

以 DeepSeek 为例，采用 OpenAI 兼容接口进行调用：

from openai import OpenAIclient = OpenAI(
    api_key="your-api-key",
    base_url="https://api.deepseek.com"
)

1.2 封装调用函数

def get_completion(prompt, model='deepseek-chat'):
    response = client.chat.completions.create(
        model=model,
        messages=[
            {"role": "user", "content": prompt}
        ],
        temperature=0.5,   # 自由度参数：0 严谨，1 随机性强
        max_tokens=1024     # 问题+回复的 token 数量上限
    )
    return response.choices[0].message.content

核心参数说明：

参数	说明	取值范围
temperature	控制模型随机性	0（完全确定）~ 1（完全随机）
max_tokens	控制生成最大 token 数	1 ~ 1024，默认 1024

二、Prompt 核心原则

2.1 原则一：撰写清晰、具体的指令

通过完整说明与背景信息引导模型输出符合预期的结果：

text = f"""
你应当通过尽可能清晰、具体的指令，来明确你希望模型完成的任务。
这能引导模型产出符合预期的结果，同时降低回复内容偏离主题或出现错误的概率。
不要把编写清晰的提示词和精简提示词混为一谈。
很多时候，篇幅更长的提示词能为模型提供更完整的说明与背景信息，
进而让输出内容更加详实、贴合需求。
"""prompt = f"""
将三个反引号之间的文本总结为一句话
```{text}```
"""print(get_completion(prompt))

2.2 原则二：引导模型逐步推理

通过步骤分解提升复杂任务的处理效果：

text_1 = f"""
泡一杯茶其实很简单！首先把水烧开。烧水的同时，拿出茶杯，放入
茶包。水烧开后，将热水冲入杯中浸泡茶包。静置片刻让茶香析出。
几分钟后，根据个人口味，还可以加入糖或牛奶。这样一杯美味的
茶饮就泡好了。
"""prompt = f"""
你将收到由三引号包裹的文本。若文本中包含一系列操作指令，
请按照下述格式重新整理这些指令。
步骤 一  ...
步骤 二  ...
...
步骤 N ...
如果文本中没有一系列操作指引，直接输出**"没有操作步骤。"**
"""{text_1}"""
"""print(get_completion(prompt))

三、进阶技巧

3.1 指定输出格式

通过格式约束提升结果可用性：

prompt = f"""
请列出四大名著，并标注对应的作者与书籍类型。
使用JSON格式呈现，需包含以下字段：
book_id(数据编号)、title(书名)、author(作者)、
desc(简介)、genre(书籍类型)
"""print(get_completion(prompt))

3.2 Few-Shot 少量样本提示

通过示例保持输出风格一致性：

prompt = f"""
你的任务是保持统一的行文风格作答。
提问：请讲讲何为耐心。
回答：能凿出幽深峡谷的江河，源自涓涓细流；
恢弘壮阔的交响乐，起于单个音符；
精美繁复的织锦，始于一缕丝绒。
请问：请讲讲何为韧性。
"""print(get_completion(prompt))

3.3 多任务组合

单次提示完成多项操作：

text = f"""
在一座风光宜人的小村庄里，姐弟俩杰克和吉尔动身前往山顶的水井取水。
两人一路欢歌向上攀登，不料意外突生
—— 杰克被石头绊倒，滚下山坡，吉尔也跟着摔了下去。
二人虽受了些轻伤，还是回到了家中，得到家人温柔的安抚。
这场小意外并未磨灭他们冒险的兴致，此后他们依旧满心欢喜地四处游玩。
"""prompt = f"""
执行以下操作:
1. 将三个反引号内的文本概括为一句话。
2. 把这句摘要翻译成法语。
3. 列出法语摘要中出现的所有人名。
4. 输出JSON对象，包括字段：french_summary、num_names。
5. 答案分行展示。
文本：
```{text}```
"""print(get_completion(prompt))

四、警惕：LLM 的幻觉问题

注意识别模型可能产生的虚构内容：

prompt = f"""
介绍以下李宁品牌的喜多多饮料
"""print(get_completion(prompt))

五、实用模板总结

场景	Prompt 模板
文本摘要	将以下文本总结为一句话/N个要点：{text}
格式转换	将以下内容转换为JSON/Markdown/表格格式：{text}
步骤提取	若文本包含操作指令，按步骤格式整理：{text}
风格模仿	保持以下风格作答。示例：{example} 提问：{question}
多任务	执行以下操作：1. ... 2. ... 3. ... 文本：{text}

六、总结

掌握Prompt Engineering需要持续实践，从明确指令到格式控制，逐步提升与大模型的协作效率。