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

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

从零开始掌握提示词工程核心技巧，结合 DeepSeek API 实战演示，让你的 AI 对话精准高效。

前言

你有没有遇到过这样的情况：给大模型提了一个问题，回答总是"答非所问"或者"泛泛而谈"？

问题往往不在模型，而在提示词（Prompt）。

本文将带你从原理到实战，系统掌握 Prompt Engineering 的核心技巧。

---

一、环境准备：调用 LLM API

1.1 初始化客户端

以 DeepSeek 为例，使用 OpenAI 兼容接口：

from openai import OpenAI

client = OpenAI(
    api_key="your-api-key",
    base_url="https://api.deepseek.com"
)

DeepSeek、Gemini、Claude 等主流模型都兼容 OpenAI 接口格式，JS 也借鉴了 Python 的模块化引入方式。

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

关键参数：

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

目标：让大模型回答符合预期，不偏离主题或出错。

具体一些，为大模型提供完整的说明与背景信息（上下文）。

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))
# 输出：清晰的指令应具体而非精简，长提示词能提供更完整背景，
#       从而提升模型输出的准确性和相关性。

关键认知：清晰的提示词 ≠ 精简的提示词。篇幅更长但信息完整的提示词，效果往往更好。

2.2 原则二：引导模型逐步推理

将复杂任务拆解为多个步骤，让模型按步骤执行。

示例：提取操作步骤

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))
# 输出：
# 步骤 一 把水烧开。
# 步骤 二 烧水的同时，拿出茶杯，放入茶包。
# 步骤 三 水烧开后，将热水冲入杯中浸泡茶包。
# 步骤 四 静置片刻让茶香析出。
# 步骤 五 根据个人口味，加入糖或牛奶。

无操作步骤的文本也能正确处理：

text_2 = f"""
今日阳光明媚，鸟儿欢唱。这样的好天气很适合去公园散步。
花儿竞相绽放，树木在微风中轻轻摇曳。
人们纷纷出门，享受这宜人的天气。
"""

prompt = f"""
你将收到由三引号包裹的文本。若内容包含一系列操作指令，请按以下格式重新整理：
第 1 步 - ...
第 2 步 - ...
如果文本中没有相关操作指令，直接输出：未提供步骤。
\"\"\"{text_2}\"\"\"
"""

print(get_completion(prompt))
# 输出：未提供步骤

---

三、进阶技巧

3.1 指定输出格式

让模型以特定格式（如 JSON）输出，方便后续程序处理：

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))
# 输出 JSON 格式的四大名著数据

3.2 Few-Shot 少量样本提示

通过提供示例，让模型保持统一的风格：

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))
# 输出：
# 能弯折千次而不折断的竹，因根须深扎岩缝；
# 能穿越沙漠的旅人，因脚印刻着不灭的星斗；
# 能重燃的灰烬，因火种藏在风干的骨血里。

Few-Shot 利用 LLM 的随机性，通过示例"校准"输出风格，效果显著。

3.3 多任务组合

在一个 Prompt 中要求模型完成多个操作：

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))

输出：

杰克和吉尔在取水途中摔倒受伤，但回家得到安抚后仍继续快乐冒险。
Jack et Gil sont tombés et se sont blessés en allant chercher de l'eau,
mais après avoir été réconfortés chez eux, ils ont continué à s'amuser joyeusement.

{"french_summary": "Jack et Gil sont tombés...", "num_names": 2}

---

四、警惕：LLM 的幻觉问题

大模型会"一本正经地胡说八道"，这是使用时必须注意的：

prompt = f"""
介绍以下李宁品牌的喜多多饮料
"""

print(get_completion(prompt))
# 模型会编造一段看似合理的回答，但实际上李宁从未推出过喜多多饮料

应对策略：对关键信息进行事实核查，不要盲目信任模型输出。

---

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

本文涵盖了 Prompt Engineering 的核心要点：

1. 清晰具体：提供完整上下文，不要吝啬提示词的篇幅
2. 逐步推理：将复杂任务拆解为多个步骤
3. 指定格式：用 JSON 等结构化格式方便程序处理
4. Few-Shot：通过示例校准输出风格
5. 多任务组合：一个 Prompt 完成多个操作
6. 警惕幻觉：对模型输出进行事实核查

写好 Prompt 是一门实践的艺术，多写多试，你会找到最适合自己场景的表达方式。

---

如果本文对你有帮助，欢迎点赞、收藏、评论！有任何问题可以在评论区留言讨论。

标签 ：Prompt Engineering DeepSeek LLM AI 提示词工程 Python