AI-DeepSeek使用与提示词工程

一、DeepSeek 使用

1. 创新与模型演进

V3：开源顶尖，推理更快；训练成本相对低。
R1（对标 o1）：在 V3 上用 GRPO 等强化学习强化推理；MIT 许可；API 可用思维链（deepseek-reasoner）。
三大架构点：
- MLA：压缩 KV Cache，降显存、提效率
- MoE：总参大、激活少（医院分诊类比）
- 混合精度（FP8）：降训练算力
R1 系列：Zero（纯 RL）→ R1（冷启动 SFT→RL→再 SFT→全场景 RL）→ 蒸馏小模型（1.5B～70B）

2. 尺寸与选型

尺寸	大致用途
1.5B	轻量问答，可 CPU
7B/8B	文案、一般代码
14B～32B	推理/专业任务
70B～671B	高算力、旗舰

编程选型：日常写代码用 V3；复杂算法/深度推理用 R1。

3. 蒸馏与量化（部署必备）

蒸馏：教师→学生，适合端侧、高并发、低算力。
量化：FP32→INT8/4-bit，更小更快，数值/细节任务易掉点；常见 GPTQ、动态量化、QLoRA、PTQ。

4. 实战路径

Cursor + DeepSeek：小球碰撞 HTML，多轮纠错（边界、重力、自适应等）
私有化：魔搭下载蒸馏版；显存约 1.5B→1--2G ... 671B→约 496GB
部署三件套：vLLM（高吞吐）/ Ollama（简单）/ Python+GPU（直接加载）
API：阿里 DashScope 调 deepseek-r1（情感分析示例）
封装：Ollama 11434 → FastAPI 8000 对外提供服务

打卡要求：任选一种方式部署任意一款开源模型并调通。

二、提示词工程

1. 原理与模型差异

Prompt → 词向量 → 自回归逐词生成。
通用模型：要结构化、补短板（CoT、few-shot）。
推理模型：指令宜短、直说目标；硬拆步骤可能反而伤效果。

2. 编写原则

明确目标 → 具体约束 → 简洁 → 示例/边界引导 → 迭代优化。

可重复强调；允许答「不知道」；专业场景少留歧义。

3. 编写框架（重要性从高到低）

任务 > 上下文 > 示例 > 角色 > 格式 > 语气

4. 五大技巧

限制输出格式（如 JSON）
分隔符区分多段输入
Few-shot 样例
CoT 分步推理
按受众角色讲解（如「像对五岁小孩解释」）

5. Prompt 实战（DashScope）

围绕「手机流量套餐客服」递进：

识别需求（名称/月费/流量）
强制 JSON
CoT 审核客服话术是否合规
用 Prompt 优化 Prompt

打卡：结合自己业务完成以上之一即可。

python 复制代码

#!/usr/bin/env python
# coding: utf-8

# In[ ]:


### 使用提示词完成任务


# In[2]:


# 导入依赖库
import dashscope
import os

# 从环境变量中获取 API Key
dashscope.api_key = os.getenv('DASHSCOPE_API_KEY')

# 基于 prompt 生成文本
# 使用 deepseek-v3 模型
def get_completion(prompt, model="deepseek-v3"):
    messages = [{"role": "user", "content": prompt}]    # 将 prompt 作为用户输入
    response = dashscope.Generation.call(
        model=model,
        messages=messages,
        result_format='message',  # 将输出设置为message形式
        temperature=0,  # 模型输出的随机性，0 表示随机性最小
    )
    return response.output.choices[0].message.content  # 返回模型生成的文本
    
# 任务描述
instruction = """
你的任务是识别用户对手机流量套餐产品的选择条件。
每种流量套餐产品包含三个属性：名称，月费价格，月流量。
根据用户输入，识别用户在上述三种属性上的需求是什么。
"""

# 用户输入
input_text = """
办个100G的套餐。
"""

# prompt 模版。instruction 和 input_text 会被替换为上面的内容
prompt = f"""
# 目标
{instruction}

# 用户输入
{input_text}
"""

print("==== Prompt ====")
print(prompt)
print("================")

# 调用大模型
response = get_completion(prompt)
print(response)


# ### JSON格式

# In[3]:


# 输出格式
output_format = """
以 JSON 格式输出
"""

# 稍微调整下咒语，加入输出格式
prompt = f"""
# 目标
{instruction}

# 输出格式
{output_format}

# 用户输入
{input_text}
"""

# 调用大模型，指定用 JSON mode 输出
response = get_completion(prompt)
print(response)


# ### CoT示例

# In[12]:


instruction = """
给定一段用户与手机流量套餐客服的对话，。
你的任务是判断客服的回答是否符合下面的规范：

- 必须有礼貌
- 必须用官方口吻，不能使用网络用语
- 介绍套餐时，必须准确提及产品名称、月费价格和月流量总量。上述信息缺失一项或多项，或信息与事实不符，都算信息不准确
- 不可以是话题终结者

已知产品包括：

经济套餐：月费50元，月流量10G
畅游套餐：月费180元，月流量100G
无限套餐：月费300元，月流量1000G
校园套餐：月费150元，月流量200G，限在校学生办理
"""

# 输出描述
output_format = """
如果符合规范，输出：Y
如果不符合规范，输出：N
"""

context = """
用户：你们有什么流量大的套餐
客服：亲，我们现在正在推广无限套餐，每月300元就可以享受1000G流量，您感兴趣吗？
"""

cot = ""
#cot = "请一步一步分析对话"

prompt = f"""
# 目标
{instruction}
{cot}

# 输出格式
{output_format}

# 对话上下文
{context}
"""

response = get_completion(prompt)
print(response)


# ### 使用Prompt调优Prompt

# In[13]:


user_prompt = """
做一个手机流量套餐的客服代表，叫小瓜。可以帮助用户选择最合适的流量套餐产品。可以选择的套餐包括：
经济套餐，月费50元，10G流量；
畅游套餐，月费180元，100G流量；
无限套餐，月费300元，1000G流量；
校园套餐，月费150元，200G流量，仅限在校生。"""

instruction = """
你是一名专业的提示词创作者。你的目标是帮助我根据需求打造更好的提示词。

你将生成以下部分：
提示词：{根据我的需求提供更好的提示词}
优化建议：{用简练段落分析如何改进提示词，需给出严格批判性建议}
问题示例：{提出最多3个问题，以用于和用户更好的交流}
"""

prompt = f"""
# 目标
{instruction}

# 用户提示词
{user_prompt}
"""

response = get_completion(prompt)
print(response)