簡(jiǎn)介這份PDF由廈門(mén)大學(xué)軟件和人工智能專(zhuān)家程希冀主講主題是DeepSeek提示詞設(shè)計(jì)與幻覺(jué)規(guī)避同時(shí)兼談Manus智能體。內(nèi)容面向AI開(kāi)發(fā)研究人員、提示詞工程愛(ài)好者及希望更高效使用大模型的職場(chǎng)人群、教育工作者和普通用戶(hù)重點(diǎn)解決“AI越來(lái)越聰明提示詞是否還重要”這一核心困惑并通過(guò)推理型與非推理型模型的對(duì)比給出差異化的提問(wèn)策略。資源為單個(gè)PDF文件大小約2.27MB已有248人學(xué)習(xí)。講解從“人機(jī)預(yù)先默契”說(shuō)起梳理了DeepSeek-R1與V3的不同性格、思維鏈CoT適用場(chǎng)景、六何分析法5W1H等實(shí)用技巧還演示了如何設(shè)計(jì)提示詞讓AI生成炫酷圖表和動(dòng)畫(huà)。針對(duì)AI幻覺(jué)現(xiàn)象文檔提出了限制知識(shí)來(lái)源、明確時(shí)間界限及檢索增強(qiáng)框架等應(yīng)對(duì)策略幫助讀者在降低錯(cuò)誤輸出的同時(shí)提升對(duì)話(huà)系統(tǒng)的可靠性與實(shí)用性。適合想系統(tǒng)掌握提示詞設(shè)計(jì)方法并規(guī)避AI幻覺(jué)風(fēng)險(xiǎn)的各類(lèi)學(xué)習(xí)者。1. DeepSeek提示詞設(shè)計(jì)為什么同一個(gè)人用效果能差出一倍手上拿到一份題為《2025廈門(mén)大學(xué)DeepSeek提示詞設(shè)計(jì)、幻覺(jué)避免與應(yīng)用》的PDF第一反應(yīng)是這年頭講提示詞的材料太多了但真正能把 DeepSeek 提示詞設(shè)計(jì)、幻覺(jué)避免、應(yīng)用落地串成一條完整鏈路的確實(shí)稀缺。這份材料好就好在它不是拿通用大模型的提示詞套路硬套 DeepSeek而是從模型自身的指令遵循特性、解碼參數(shù)和上下文管理出發(fā)給了能直接復(fù)現(xiàn)的寫(xiě)法。對(duì)從業(yè)者來(lái)說(shuō)這份材料要解決的是兩類(lèi)痛點(diǎn)。一類(lèi)是提示詞寫(xiě)了跟沒(méi)寫(xiě)一樣模型輸出空泛、說(shuō)教、答非所問(wèn)另一類(lèi)是看似答得很順實(shí)際上數(shù)字、引用、專(zhuān)有名詞全在編也就是幻覺(jué)。前者浪費(fèi)調(diào)優(yōu)時(shí)間后者直接把 AI 應(yīng)用擋在生產(chǎn)環(huán)境門(mén)外。適合讀它的人是要接 DeepSeek API 做應(yīng)用的后端工程師、要給團(tuán)隊(duì)沉淀 prompt 規(guī)范的算法工程師以及被“編數(shù)據(jù)”坑過(guò)的數(shù)據(jù)分析師和科研輔助工作者。2. 提示詞設(shè)計(jì)從模板堆砌到結(jié)構(gòu)化表達(dá)2.1 為什么 DeepSeek 的提示詞不能照搬 GPT 時(shí)代的寫(xiě)法GPT 時(shí)代的很多提示詞技巧本質(zhì)是在跟一個(gè)“對(duì)話(huà)能力強(qiáng)但指令遵循不嚴(yán)格”的模型周旋。但 DeepSeek 的指令遵循能力比較強(qiáng)它的設(shè)計(jì)邏輯更接近“把需求說(shuō)清楚模型就能拆解得比較準(zhǔn)”。你會(huì)發(fā)現(xiàn)很多在 GPT 上有效的“角色扮演”“思維鏈引導(dǎo)”寫(xiě)法在 DeepSeek 上反而顯得繞因?yàn)槟Ｐ捅緛?lái)就傾向于直接執(zhí)行指令。另一個(gè)關(guān)鍵差異是 DeepSeek 的長(zhǎng)上下文支持。上下文窗口大了之后提示詞不再只是“一段話(huà)”而是一份完整的任務(wù)說(shuō)明書(shū)。你可以把背景資料、歷史結(jié)論、輸出格式要求一次性塞進(jìn)去而不需要擔(dān)心截?cái)唷５@也帶來(lái)一個(gè)新問(wèn)題上下文越長(zhǎng)幻覺(jué)出現(xiàn)的概率越高因?yàn)槟Ｐ蜁?huì)在長(zhǎng)距離里丟失對(duì)約束條件的注意力。所以 DeepSeek 的提示詞設(shè)計(jì)第一原則不是“寫(xiě)得好而是”結(jié)構(gòu)清楚、約束靠后置反復(fù)強(qiáng)調(diào)“。2.2 一套可以直接抄的提示詞結(jié)構(gòu)我一般在設(shè)計(jì) DeepSeek 提示詞的時(shí)候會(huì)遵循五段式結(jié)構(gòu)角色定位、任務(wù)陳述、輸入數(shù)據(jù)、輸出格式、邊界條件。這五段不是并列關(guān)系而是層層遞進(jìn)。角色定位決定模型的語(yǔ)氣和立場(chǎng)任務(wù)陳述告訴它要做什么輸入數(shù)據(jù)給它素材輸出格式約束它的表達(dá)邊界條件劃清不能做什么。下面是一個(gè)可以直接用的 Python 模板我建議你把它存成字典方便后續(xù)批量調(diào)用和管理。實(shí)際使用時(shí)只需填充各字段內(nèi)容即可快速組裝多種任務(wù)。prompt_template { role: 你是一位資深數(shù)據(jù)分析師擅長(zhǎng)從原始數(shù)據(jù)中提煉結(jié)論并指出數(shù)據(jù)質(zhì)量的異常。, task: 請(qǐng)根據(jù)給定的銷(xiāo)售數(shù)據(jù)集分析本季度各區(qū)域業(yè)績(jī)變化的原因。, input_data: 將用戶(hù)上傳的 CSV 數(shù)據(jù)內(nèi)容放在這里或在這里描述數(shù)據(jù)文件的路徑與字段說(shuō)明。, output_format: 輸出 3 個(gè)核心結(jié)論每個(gè)結(jié)論后附一條數(shù)據(jù)證據(jù)用 markdown 表格呈現(xiàn)。, constraints: 只能基于給定數(shù)據(jù)回答若數(shù)據(jù)不足必須說(shuō)明缺失字段禁止編造同比、環(huán)比數(shù)字。 }這段代碼的邏輯不復(fù)雜核心是約束條件必須放在最后。模型對(duì) Prompt 末尾內(nèi)容的注意力權(quán)重往往更高把“禁止編造數(shù)字”放在最后比放在開(kāi)頭更容易被遵守。參數(shù)上的經(jīng)驗(yàn)是如果任務(wù)偏分析總結(jié)temperature 設(shè) 0.3 左右比較穩(wěn)太高容易讓模型在數(shù)據(jù)里“自由發(fā)揮”。如果是頭腦風(fēng)暴類(lèi)任務(wù)再考慮調(diào)到 0.7 以上。2.3 反直覺(jué)的技巧減少提示詞里的“聰明詞”很多人寫(xiě)提示詞喜歡堆砌“精準(zhǔn)地”“深入地”“嚴(yán)格地”這類(lèi)修飾詞這會(huì)讓模型的輸出風(fēng)格變得很僵化。DeepSeek 對(duì)指令的遵循能力越強(qiáng)就越吃具體的動(dòng)作詞——“列出”“對(duì)比”“計(jì)算”“排序”這類(lèi)動(dòng)詞遠(yuǎn)比“仔細(xì)分析”有效。舉個(gè)例子。把“請(qǐng)深入分析這份銷(xiāo)售數(shù)據(jù)”改成“請(qǐng)按季度分組計(jì)算各區(qū)域銷(xiāo)售額并對(duì)比環(huán)比變化找出超過(guò)平均值 20% 的區(qū)域”輸出的可用性差別很大。前者模型給你一段流暢但空洞的文字后者直接給可核驗(yàn)的結(jié)果。這個(gè)思路在給 DeepSeek 寫(xiě)提示詞的場(chǎng)景里幾乎能普遍提升回答質(zhì)量。如果團(tuán)隊(duì)要沉淀規(guī)范我建議在文檔里加一條硬性要求提示詞里禁止出現(xiàn)“深入”“精準(zhǔn)”這類(lèi)無(wú)信息量的形容詞。3. 幻覺(jué)避免從“事后糾正”到“事前約束”3.1 DeepSeek 的幻覺(jué)從哪里來(lái)幻覺(jué)不是 bug而是語(yǔ)言模型生成機(jī)制的直接產(chǎn)物。DeepSeek 預(yù)測(cè)下一個(gè)詞的時(shí)候選擇的是概率最高的詞而不是經(jīng)過(guò)事實(shí)核驗(yàn)的詞。所謂“幻覺(jué)避免”本質(zhì)是讓模型在“流暢續(xù)寫(xiě)”和“事實(shí)約束”之間把權(quán)重壓向后者。常見(jiàn)幻覺(jué)集中在三個(gè)區(qū)域具體數(shù)字、引文來(lái)源、罕見(jiàn)專(zhuān)有名詞。模型對(duì)常識(shí)性知識(shí)的把握相對(duì)可靠但對(duì)數(shù)字這類(lèi)概率分布比較平緩的 token天生容易出錯(cuò)。比如讓它回答一個(gè)公司上一季度的營(yíng)收它可能給出一個(gè)看起來(lái)合理、實(shí)際上完全不存在的數(shù)字。另一個(gè)容易出幻覺(jué)的地方是引用——模型沒(méi)有真實(shí)訪(fǎng)問(wèn)文獻(xiàn)庫(kù)的能力它的“引用”雖然在格式上像模像樣但篇目名、作者、年份都可能是組合出來(lái)的。在學(xué)術(shù)和數(shù)據(jù)分析場(chǎng)景里這比單純“回答錯(cuò)誤”更有迷惑性。3.2 在提示詞層面建立三道防線(xiàn)第一道防線(xiàn)是指定知識(shí)來(lái)源。直接在提示詞里聲明“只基于我提供的上下文回答”并且把參考資料粘進(jìn)輸入數(shù)據(jù)段。第二道防線(xiàn)是強(qiáng)制不確定性表達(dá)。要求模型在置信度不足時(shí)輸出“無(wú)法確認(rèn)”或“需要更多數(shù)據(jù)”這比讓它硬著頭皮猜要安全得多。第三道防線(xiàn)是結(jié)果自檢——讓模型在輸出后自己檢查答案中出現(xiàn)的每個(gè)數(shù)字和專(zhuān)有名詞是否都能在上下文中找到依據(jù)。一個(gè)常見(jiàn)的做法是在提示詞末尾增加一條輸出要求要求模型在回答末尾列出“事實(shí)核驗(yàn)清單”逐條標(biāo)注每條結(jié)論對(duì)應(yīng)的數(shù)據(jù)來(lái)源。這種做法看著簡(jiǎn)單但能顯著減少“表面正確、實(shí)際無(wú)據(jù)”的幻覺(jué)。原因在于它把模型的一部分生成注意力從“怎么把話(huà)說(shuō)流暢”轉(zhuǎn)移到了“怎么把話(huà)說(shuō)有據(jù)”上同時(shí)也方便人做二次核查。如果你在跑數(shù)據(jù)類(lèi)任務(wù)建議把 temperature 降低到 0.2 以下并且講清楚這個(gè)參數(shù)的含義——它降低了采樣隨機(jī)性讓模型更傾向于選高概率的下一個(gè)詞而不是冒進(jìn)選一些“聽(tīng)起來(lái)更有創(chuàng)意”的詞。3.3 問(wèn)對(duì)問(wèn)題的前提把模糊問(wèn)題改造成可核驗(yàn)問(wèn)題幻覺(jué)很多時(shí)候不是模型的問(wèn)題而是問(wèn)題本身不可核驗(yàn)。你問(wèn)“中國(guó)數(shù)字經(jīng)濟(jì)規(guī)模怎么樣”模型只能憑記憶作答——記憶又是壓縮過(guò)的必然丟細(xì)節(jié)。但如果你把問(wèn)題改成“根據(jù)附件《某省數(shù)字經(jīng)濟(jì)報(bào)告》第 3 頁(yè)的數(shù)據(jù)計(jì)算 2024 年該省數(shù)字經(jīng)濟(jì)占 GDP 的比重”模型的可執(zhí)行空間就完全不同了。這里有一個(gè)我在實(shí)際中反復(fù)用到的技巧在提問(wèn)前先問(wèn)自己三個(gè)問(wèn)題——這個(gè)問(wèn)題有標(biāo)準(zhǔn)答案嗎答案能從哪里找來(lái)我希望模型用什么樣的證據(jù)支撐它如果三個(gè)問(wèn)題都回答不上來(lái)那這個(gè)問(wèn)題本來(lái)就不該直接丟給模型。DeepSeek 的技術(shù)社區(qū)里很多人抱怨幻覺(jué)多但仔細(xì)看他們貼的 prompt多半問(wèn)的是“你覺(jué)得……”這類(lèi)開(kāi)放式問(wèn)題這種問(wèn)題模型不產(chǎn)生幻覺(jué)才是怪事。4. 應(yīng)用落地從 API 調(diào)用到完整工作流4.1 最小可用的 DeepSeek API 調(diào)用代碼不論最終做什么應(yīng)用接 API 是第一步。DeepSeek 的接口兼容 OpenAI 的調(diào)用格式所以如果你有調(diào)用 GPT 的經(jīng)驗(yàn)切換成本很低。下面這段代碼是最小可用版本我建議你直接拿去跑通再在此基礎(chǔ)上迭代。from openai import OpenAI client OpenAI( api_key你的API密鑰, base_urlhttps://api.deepseek.com ) def ask_deepseek(user_input: str, history: list None): messages history or [] messages.append({role: user, content: user_input}) response client.chat.completions.create( modeldeepseek-chat, messagesmessages, temperature0.3, max_tokens2048, ) return response.choices[0].message.content有兩點(diǎn)值得展開(kāi)說(shuō)明。第一messages參數(shù)直接回答了“DeepSeek 怎么繼承上一個(gè)對(duì)話(huà)”——把歷史消息按 user/assistant 交替?zhèn)鬟M(jìn)來(lái)就行接口本身不幫你記憶所有上下文都得自己維護(hù)。第二temperature0.3是個(gè)偏保守的設(shè)置適合需要事實(shí)準(zhǔn)確性的任務(wù)。如果你的場(chǎng)景是寫(xiě)文案可以上調(diào)到 0.7但如果跑數(shù)據(jù)整理就保持低溫度。4.2 把提示詞設(shè)計(jì)接進(jìn)業(yè)務(wù)一個(gè)文檔問(wèn)答的例子光會(huì)調(diào)用還不夠要把提示詞設(shè)計(jì)落進(jìn)流程里。我服務(wù)的一家數(shù)據(jù)團(tuán)隊(duì)要做一個(gè)內(nèi)部文檔問(wèn)答系統(tǒng)最初直接把文檔丟給模型回答質(zhì)量慘不忍睹。后來(lái)改成三段式先做文本切塊再做檢索召回再把召回內(nèi)容拼進(jìn)提示詞的input_data段。代碼量不大但效果提升非常明顯。# 文本切塊與向量化偽代碼流程 1. 讀取 PDF/Word 文檔按章節(jié)切塊單塊控制在 500 字以?xún)?nèi) 2. 使用文本嵌入模型為每塊生成向量存入向量數(shù)據(jù)庫(kù) 3. 用戶(hù)提問(wèn)時(shí)先檢索最相關(guān)的 3~5 塊內(nèi)容 4. 將檢索結(jié)果拼接到 prompt_template[input_data]再調(diào) DeepSeek 接口這樣做的好處是模型不需要“回憶”知識(shí)——它只需要“概括”給定內(nèi)容。順帶解決了一個(gè)大模型應(yīng)用里的經(jīng)典悖論模型參數(shù)里有的知識(shí)是靜態(tài)的文檔是動(dòng)態(tài)的只有把動(dòng)態(tài)知識(shí)塞進(jìn)上下文回答才能跟上業(yè)務(wù)變化。DeepSeek 的上下文窗口夠大所以一次塞 5 個(gè)文本塊完全不是問(wèn)題這點(diǎn)對(duì)落地很有利。4.3 本地部署什么時(shí)候需要自建服務(wù)API 方式適合大多數(shù)場(chǎng)景但有些團(tuán)隊(duì)因?yàn)閿?shù)據(jù)不出域、調(diào)用頻率過(guò)高或成本控制的原因會(huì)選擇本地部署 DeepSeek 模型。常見(jiàn)方案是用 vLLM 做推理服務(wù)框架支持高并發(fā)和連續(xù)批處理。我不會(huì)在這里展開(kāi)部署細(xì)節(jié)因?yàn)檫@份 PDF 的核心在提示詞和幻覺(jué)管理部署只是承載它們的基礎(chǔ)設(shè)施。但有一個(gè)判斷標(biāo)準(zhǔn)值得寫(xiě)在這里如果你的調(diào)用量每天在幾千次以?xún)?nèi)、對(duì)延遲不敏感且數(shù)據(jù)可以出域直接用 API 最劃算如果數(shù)據(jù)敏感或者調(diào)用量到了萬(wàn)次級(jí)別才值得投入本地部署的運(yùn)維成本。很多團(tuán)隊(duì)一上來(lái)就搞本地部署結(jié)果卡在顯卡配置和推理優(yōu)化上反而耽誤了業(yè)務(wù)驗(yàn)證——先跑通應(yīng)用再考慮基礎(chǔ)設(shè)施。4.4 從單輪到工作流把 PDF 里的方法論變成流水線(xiàn)對(duì)個(gè)人用戶(hù)或小團(tuán)隊(duì)來(lái)說(shuō)比較務(wù)實(shí)的做法是做一個(gè)“輸入—增強(qiáng)—生成—檢驗(yàn)”的四步流水線(xiàn)。輸入階段收集用戶(hù)問(wèn)題和參考文檔增強(qiáng)階段做檢索和上下文拼接生成階段用 DeepSeek 出答案檢驗(yàn)階段拿關(guān)鍵詞列表核對(duì)回答里有沒(méi)有編造的內(nèi)容。這四步看著普通但每一環(huán)都在對(duì)幻覺(jué)做一次攔截。做完之后你再回頭看那份 PDF 里的方法就會(huì)發(fā)現(xiàn)提示詞設(shè)計(jì)是其中的一環(huán)不是全部。5. 避坑指南DeepSeek 落地中的常見(jiàn)問(wèn)題與排查5.1 提示詞編寫(xiě)階段的 3 個(gè)坑坑一負(fù)向指令反而觸發(fā)拒答?，F(xiàn)象是提示詞里寫(xiě)“不要編造數(shù)據(jù)”模型反而頻繁回答“我無(wú)法回答這個(gè)問(wèn)題”。原因是模型把“不要”后面的內(nèi)容也當(dāng)成了關(guān)注對(duì)象它在解碼時(shí)對(duì)“編造”這個(gè)詞產(chǎn)生了不必要的激活。解決把負(fù)向指令改成正向約束寫(xiě)成“請(qǐng)?jiān)谖姨峁┑馁Y料范圍內(nèi)回答資料中未提到的信息請(qǐng)明確標(biāo)注‘資料中未涉及’”。這樣的表述既給了模型邊界又給了它一個(gè)合規(guī)的出路不會(huì)觸發(fā)拒答。這個(gè)坑在技術(shù)社區(qū)里被反復(fù)討論但很多人還是習(xí)慣性寫(xiě)“不要”改成正向表達(dá)之后拒答率會(huì)明顯下降?？佣崾驹~太長(zhǎng)導(dǎo)致約束失效。現(xiàn)象是前面交代的輸出格式到后面模型沒(méi)遵守。原因是模型對(duì)超長(zhǎng)上下文的注意力會(huì)衰減尤其當(dāng)上下文中穿插大量無(wú)關(guān)背景時(shí)。解決把最重要的約束放在提示詞的開(kāi)頭和結(jié)尾各強(qiáng)調(diào)一次。比如開(kāi)頭寫(xiě)“你的回答將用于對(duì)外發(fā)布必須使用 markdown 表格”結(jié)尾再寫(xiě)“再次提醒回答僅以 markdown 表格呈現(xiàn)”。在這個(gè)問(wèn)題上重復(fù)不是冗余是防止注意力衰減的補(bǔ)償機(jī)制?？尤齮emperature 不區(qū)分任務(wù)。現(xiàn)象是同一個(gè)參數(shù)打天下做數(shù)據(jù)清洗的任務(wù)輸出極不穩(wěn)定有時(shí)同一個(gè)問(wèn)題兩次結(jié)果不一樣。原因是溫度高采樣隨機(jī)性就大。解決按任務(wù)類(lèi)型建立參數(shù)規(guī)范——抽取、分類(lèi)任務(wù)設(shè) 0改寫(xiě)、總結(jié)設(shè) 0.3創(chuàng)意寫(xiě)作設(shè) 0.7推理鏈任務(wù)設(shè) 0.5 并配合思維鏈提示。這個(gè)參數(shù)表我建議直接寫(xiě)進(jìn)團(tuán)隊(duì)規(guī)范里比每次調(diào)一遍效率高得多。5.2 調(diào)用與部署階段的 2 個(gè)坑坑四接口偶爾報(bào)錯(cuò)或響應(yīng)變慢?，F(xiàn)象是調(diào)用時(shí)報(bào)連接錯(cuò)誤、超時(shí)或者返回 503表現(xiàn)就是“deepseek 服務(wù)器繁忙”。原因是對(duì)外服務(wù)在高負(fù)載時(shí)段確實(shí)會(huì)出現(xiàn)排隊(duì)。解決在代碼里加指數(shù)退避重試第一次等待 2 秒第二次 4 秒第三次 8 秒。同時(shí)把超時(shí)時(shí)間從默認(rèn)值調(diào)大到 60 秒。如果你在跑生產(chǎn)級(jí)應(yīng)用最好做一個(gè)簡(jiǎn)單的熔斷機(jī)制——連續(xù)失敗 5 次就切備用模型或本地模型。這個(gè)現(xiàn)象不是代碼問(wèn)題是并發(fā)資源問(wèn)題設(shè)計(jì)上要容忍它?？游彘L(zhǎng)文輸出中斷或截?cái)唷，F(xiàn)象是生成到一半突然停下內(nèi)容不完整。原因極可能是max_tokens設(shè)得太小模型生成到了長(zhǎng)度上限被強(qiáng)制截?cái)?。解決先算一下你的提示詞和回答大概要多少字一個(gè)漢字大概對(duì)應(yīng) 1.5 到 2 個(gè) token然后在設(shè)定max_tokens時(shí)留出至少 30% 的余量。還有一種可能模型識(shí)別到輸出中重復(fù)了某些片段主動(dòng)停止了生成。這種情況要把 temperature 稍微調(diào)高到 0.5 左右打破重復(fù)循環(huán)。6. 驗(yàn)證方法三層檢查法在交付前攔住幻覺(jué)最后一章我講一個(gè)自己驗(yàn)證 prompt 質(zhì)量的固定流程。這套流程花不了多少時(shí)間但它能直接反映“提示詞到底寫(xiě)沒(méi)寫(xiě)對(duì)”比讓同事幫忙“感覺(jué)一下”靠譜得多。第一層是事實(shí)核查。拿到模型輸出后逐個(gè)檢查里面出現(xiàn)的數(shù)字、日期、專(zhuān)有名詞和引用凡是在我的參考文檔里找不到出處的一律標(biāo)記為疑似幻覺(jué)。這個(gè)檢查可以做成半自動(dòng)的——把輸出里的數(shù)字提取出來(lái)再用腳本跑一遍原文匹配效率會(huì)高很多。第二層是反向驗(yàn)證。把模型的結(jié)論重新塞回 DeepSeek用一條新提示詞讓它判斷“上面的結(jié)論是否有充分的論據(jù)支撐”相當(dāng)于做一次交叉審查。第三層是邊界測(cè)試。故意輸入一些超出參考文檔范圍的問(wèn)題看它能不能正確地說(shuō)“不知道”而不是硬答這一步檢驗(yàn)的是提示詞里邊界條件敘寫(xiě)的有效性。下面是一個(gè)可以在這份流程里直接使用的自檢提示詞注意看它是怎么把“自檢”變成一個(gè)具體動(dòng)作的。邏輯上這一步是把模型從“回答者”切換到“審核者”換一種視角重新看一遍自己的答案相當(dāng)于讓模型站在檢查者的立場(chǎng)上審視輸出從而暴露它在回答階段忽略掉的細(xì)節(jié)。self_check_prompt 請(qǐng)以審核員的身份檢查以下回答。 檢查要點(diǎn) 1. 所有數(shù)字是否能在參考文檔中找到對(duì)應(yīng)出處。 2. 專(zhuān)有名詞和引用格式是否正確不得偽造篇目與作者。 3. 是否存在超出參考文檔范圍的推測(cè)性表述。 參考文檔{reference_text} 待檢查回答{answer_text} 輸出格式列出每個(gè)可疑點(diǎn)標(biāo)注可疑原因最后給出“通過(guò)/需修正”的結(jié)論。 這段代碼在實(shí)際使用中我一般會(huì)在“待檢查回答”里加入被檢查內(nèi)容的原文同時(shí)把參考文檔一并傳入。這樣模型才有足夠的上下文進(jìn)行比對(duì)否則它會(huì)憑借自己的既有知識(shí)去臆斷陷入二次幻覺(jué)。我自己經(jīng)歷過(guò)一次“用幻覺(jué)檢查幻覺(jué)”的翻車(chē)——那次沒(méi)有傳參考文檔模型把錯(cuò)誤信息當(dāng)作事實(shí)放行了之后我就把這個(gè)流程固定成了現(xiàn)在的樣子?；乜催@份 PDF 的價(jià)值它本質(zhì)上不是一份“新知識(shí)合集”而是一套把 DeepSeek 提示詞設(shè)計(jì)、幻覺(jué)避免和應(yīng)用落地揉在一起的工程方法論。它的幾個(gè)核心點(diǎn)——結(jié)構(gòu)化提示詞、事前約束代替事后修正、參數(shù)分任務(wù)設(shè)置、三層驗(yàn)證——每一條都值得你在自己的項(xiàng)目上跑一遍。公式化提示詞只能讓你應(yīng)付簡(jiǎn)單的對(duì)話(huà)任務(wù)真正拉開(kāi)差距的是對(duì)模型機(jī)制的尊重知道它擅長(zhǎng)什么、在什么地方會(huì)翻車(chē)然后設(shè)計(jì)流程去規(guī)避。我自己現(xiàn)在的習(xí)慣是任何一條 prompt 上線(xiàn)前先跑一輪邊界測(cè)試。哪怕只是多花十分鐘它也能攔住大部分會(huì)讓業(yè)務(wù)翻車(chē)的幻覺(jué)輸出。希望幫到你。本文還有配套的精品資源點(diǎn)擊獲取