DeepSeek Prompt Engineering Guide

Master DeepSeek prompt engineering. Best practices, templates, reasoning strategies and sampling parameters for V4.1-Flash and V4-Pro.

提示词工程指南

掌握为 DeepSeek V4.1 编写提示词的艺术，获得最佳结果

掌握 DeepSeek 提示词

提示词工程

从 V4.1-Flash 和 V4-Pro 获得最佳结果

DeepSeek V4.1 对结构化提示词的响应出色。学习能够产生一致、高质量输出的模式、模板和策略。

具体明确

明确定义任务、受众、格式和约束。模糊的提示词产生模糊的结果。

"写一些关于AI的内容" ✅ "为初级开发者写一篇300字的博客引言，介绍混合专家架构。使用简单类比，避免专业术语。"

使用系统提示

在系统消息中设置上下文、语气和行为。这在重复调用中会被缓存，几乎不花成本。

{"role": "system", "content": "你是一位 Python 专家开发者。提供整洁、文档完善的代码，包含类型注解。简要解释你的推理。"}

思维链

对于复杂问题，要求模型逐步推理。多步骤任务使用思考模式。

"逐步解决这个问题。展示每一步的计算过程。"

结构化输出

请求特定格式（JSON、Markdown、表格）。JSON 模式时在提示中包含示例模式。

{"role": "user", "content": "用JSON列出3个AI趋势： {"trends": [{"name": "...", "description": "...", "impact": "..."}]}"}

采样参数

想调创造性得先关思考：思考模式下 temperature、presence_penalty、frequency_penalty 都不生效，top_p 只在 0.95–1.0 之间起作用。官方推荐的采样是 temperature=1.0、top_p=0.95。

思考模式：reasoning_effort="high"（此时 temperature 无作用）| 非思考：extra_body={"thinking":{"type":"disabled"}} 之后 temperature 才生效

少样本示例

在提示中提供 1-3 个示例以获得一致的格式。DeepSeek 擅长从示例中学习模式。

{"role": "user", "content": "将这些日期转换为ISO格式： 输入：2025年3月5日 → 输出：2025-03-05 输入：2024年12月25日 → 输出：2024-12-25 输入：2026年1月1日 → 输出："}

代码审查模板

审查以下代码的错误、性能问题和风格违规。提供具体的行号和建议修复。 ```[语言] [代码] ``` 重点关注：[安全性，性能，可读性]

文档摘要模板

用 3-5 个要点的形式总结以下文档。为每个要点提供置信度评分（高/中/低）。 文档：[文本] 格式： - [关键点]（置信度：高/中/低）

智能体任务模板

你可以使用以下工具：[工具列表] 任务：[任务描述] 计划：逐步分解任务。对于每一步，指定使用哪个工具和提供什么输入。

JSON 提取模板

从文本中提取以下字段并以 JSON 格式返回： - name（字符串） - date（ISO 格式） - amount（数字） - category（字符串，取值：[销售，支持，计费]） 文本：[输入] 仅返回有效的 JSON。

上下文缓存策略

使用很少变化的稳定前缀（系统提示 + 工具定义 + 少样本示例）构建提示。用户特定内容放在后面。这样可以最大化缓存命中率（节省98%成本）。

模型选择策略

默认全部走 deepseek-flash：按官方评测表，它在智能体与编码任务上已经超过 V4-Pro，输入输出还便宜好几倍，而且它是唯一能吃图像的。把 V4-Pro 留给世界知识问答（GPQA、HLE）和必须与既有行为对齐的老系统。

思考模式策略

什么都不传就是高思考。延迟敏感或简单问答把 thinking 设为 disabled，最难的题再用 reasoning_effort="max"——注意思考模式下 temperature 一类参数是不生效的。

迭代优化

从宽泛的提示开始，分析输出，然后优化。使用后续提示来缩小焦点，而不是试图一次性获得完美结果。