1、深度思考（Deep Thinking）与思维链（CoT）的概念与区别
思维链（Chain of Thought，CoT）：通过在Prompt中要求模型展示推理步骤（"请逐步思考"），引导模型在给出最终答案前先生成中间推理过程。CoT是一种提示技术，可应用于任何语言模型。
深度思考（Deep Thinking / Reasoning）：指以DeepSeek-R1、OpenAI o1/o3为代表的推理模型所具备的内置"慢思考"能力。这类模型通过强化学习（RL）训练，学会了在回答前自发进行大量内部推理（模型内部会生成大量"思维草稿"，最终只向用户展示精炼后的答案）。
关键区别：CoT是一种提示技术 ，需要用户在Prompt中主动触发；深度思考是推理模型通过特殊训练获得的内置能力 ，使用时不需要在Prompt中加入特殊指令（反而不建议写"请一步一步思考"，因为推理模型已经会自动这样做）。
2、深度思考模型（R1/o1类）与普通模型的选择策略
推理模型不应使用的场景（重要）：在RAG系统末端做简单文档汇总、翻译、格式转换等不需要复杂推理的任务时，不应使用推理模型------这会显著增加响应延迟和Token消耗，并可能因模型"想太多"而对简单内容进行过度分析，反而产生幻觉或答非所问。
3、深度思考模式下的参数配置
| 参数 | 通用模型推荐 | 推理模型推荐 | 原因 |
|---|---|---|---|
| Temperature | 0（精确任务）/ 0.7~1.0（创意任务） | 0.5~0.7 | 推理模型Temperature=0时极易在长思维链生成中陷入"重复循环"，适度随机性帮助跳出推理死胡同 |
| Top-P | 0.9~1.0 | 0.95~1.0（默认） | 推理模型不建议限制采样空间 |
| System Prompt | 可写详细指令 | 简洁为主（避免指导如何思考） | OpenAI/DeepSeek官方警告：推理模型自带强大的内在思维链。不要在Prompt中强加"请一步步思考"或硬性规定推理框架，多余的指导反而会限制其原生推理能力。 |
| Few-Shot示例 | 非常有效，推荐 | 尽量不使用 | OpenAI/DeepSeek明确建议移除Few-Shot。如果给出的示例只包含"问题+直接答案"（无CoT），推理模型会过度模仿示例，直接跳过内置思考过程，导致性能断崖式下跌。 |
4、深度思考中的清晰说明与答案结构
推理模型的性能高度依赖Prompt的清晰程度。以下几类歧义会严重干扰推理链的稳定性：
-
时间范围歧义 ："分析AI对就业的长期影响" → 应明确"长期=10年以上"；
-
范围边界歧义 ："分析市场情况" → 应明确地理范围（全球/国内/特定地区）和行业范围；
-
评判标准缺失 ：数学证明类任务应明确"证明需要满足的严格条件"；
推荐结构 ：对推理模型提出的任务应尽量采用"论点-论据-结论"的三段式框架，并在Prompt中预先声明期望的答案结构（如"请按照：①问题本质界定 ②分步推导 ③结论与验证 的结构作答"）。
5、提示词优化
5.1.Token节省策略
Token是大语言模型的计费和长度单位，精简Prompt有助于降低成本、提升效率：
-
去除客套语：开门见山，避免"你好，请帮我..."等无效前缀
-
合并冗余说明："请详细地、完整地、全面地分析" → "请全面分析"
-
使用简洁符号代替文字 ：用
###分隔代替"以下是背景信息，请认真阅读：" -
指定长度约束：明确"回复控制在300字内"，防止模型生成冗余内容
-
缩短Few-Shot示例：示例只需覆盖核心格式要素，不必包含完整的长篇范文
5.2.输入结构化
结构化输入能大幅提升模型的理解效率：
-
分段标注 ：使用
### 背景 ###、### 任务 ###、### 约束 ###等明确标注每段信息的类型； -
多项要求编号：将"请帮我写文案，要活泼，包含表情，不超过100字，含标签"改为有序列表，减少解析歧义；
-
关键信息前置：将最重要的约束或任务目标写在Prompt的最前面，利用模型对前部内容的更高关注度；
5.3.输出格式控制
精确控制输出格式是确保Prompt结果可用于下游系统的关键：
结构化输出（JSON/XML）：当AI输出需要被程序解析时，必须要求JSON格式输出，并在Prompt中说明JSON的Schema（键名和类型）：
请以JSON格式输出，结构如下：
{"status": "通过/拒绝",
"score": 数字0-100,
"reason": "简短理由（50字以内）"}
长度控制：宽泛的长度要求（"简短回答"）效果不如具体数字限定（"不超过150字"）。对输出条数也应明确：
-
"列出优点" → "列出3-5点优点"；
-
"给出建议" → "给出按优先级排序的3条建议"；
格式稳定性的最优方案 ：对于必须包含特定章节或字段的输出，在Prompt中直接嵌入含占位符的结构模板是最可靠的工程方案：
请按以下模板完整填写，不得省略任何部分：
## 研究背景
[在此处填写背景说明，100-150字]
## 实验方法
[在此处描述方法，100-150字]
## 数据可重复性声明
[在此处填写数据可获取方式和重复步骤]这种方式通过"占位符强制模型填充"，将格式硬编码进生成流，远比祈使句指令（"请在文末添加数据可重复性声明"）更可靠。