简介：这份来自厦门大学程希冀主讲的PDF资料，系统讲解DeepSeek提示词设计、幻觉避免方法及Manus智能体应用，适合AI开发人员、提示工程爱好者及职场、教育、家庭等各类使用者。内容覆盖推理型与非推理型模型的区别、不同模型的提问策略，并借助六何分析法、Few-shot示例等技巧，指导读者让AI完成图表制作、动画生成等实际任务；针对AI幻觉问题，提出限制知识来源、明确时间界限及检索增强框架等应对方案。资源为1个PDF文件，大小2.27MB，已有248人学习。通过这份材料，读者可掌握与DeepSeek高效交互的提示词设计思路，理解幻觉成因与规避策略，同时了解Manus智能体的特点，为日常工作生活中更可靠地使用AI提供实用参考。
1. 大模型越聪明，DeepSeek 提示词设计反而越值钱
这两年大模型的能力肉眼可见地在涨，尤其是 DeepSeek 这类开源模型把推理成本打下来之后，很多人冒出同一个问题：AI 都这么聪明了，我直接说人话不就行了，为什么还要学提示词设计？我拆完这份厦门大学的讲座资料后，结论反而相反——模型越聪明，提示词设计的门槛不是在降低，而是在上移。以前拼的是「把指令说清楚」，现在拼的是「能不能给对思考方向」。这份 PDF 里最有价值的地方，恰恰是它没有停留在「告诉 AI 做什么」的层面，而是把提示词拆成了「预先默契注入」：人类沟通时靠上下文、语气、身份达成默契，AI 没有这些，提示词就是唯一注入默契的通道。适合三类人：一是被 DeepSeek-R1 的「思考中...」搞懵的开发者，二是想用提示词替自己干活但总觉得输出差口气的职场人，三是准备把 DeepSeek 接进工作流、又怕幻觉翻车的技术决策者。
2. 推理型 vs 非推理型：先认清 R1 和 V3 的两种性格再开口
2.1 为什么同样一段提示词，R1 和 V3 的表现完全不同
讲座里有一个比喻我印象很深：推理型模型是「有草稿纸的学生」，非推理型是「知识丰富的朋友」。DeepSeek-R1 属于前者，它拿到提示词后会先进入思维链（CoT）分析，在草稿纸上推演一遍，再给出最终答案，所以界面上会显示「思考中...」，输出时也附带解题思路；DeepSeek-V3 属于后者，它更像直觉型选手，给定输入就直接给响应，速度快，但缺少显式的推演过程。这个区别直接决定了提示词怎么写，写反了，效果差距非常大。
拿辅导孩子数学题举例：V3 适合直接给题目要答案，它响应快，即使偶尔算错也无伤大雅；R1 则适合让它「不仅给答案，还要把解题思路写出来」，因为它的思维链天然擅长一步步推演。反过来，日常闲聊、知识问答这类对时效敏感、对逻辑严谨性不敏感的任务，硬上 R1 反而会等得更久，因为它的思考过程会拖慢响应。讲座里给了一个很实用的分类：编程调试用推理型，时间不敏感但准确性敏感；办公写作、快速问答用非推理型，追求快速响应。
2.2 两种模型各自的提示词策略与「六何分析法」实操
两种模型的提示词策略，讲座总结得相当直白：推理型是「目标清晰，结果可以模糊」，你只要给它定义清楚目标和约束，剩下推理过程它自己完成；非推理型是「过程清晰、结果清晰」，需要你给它足够的上下文、角色设定和样本。具体来说，推理型模型不太需要你手把手教步骤，你越是写「请一步步思考」这种话，反而可能干扰它；非推理型模型则恰恰相反，它需要你提供背景信息、行业知识，必要时用「六何分析法」（5W1H：何故 Why、何事 What、何时 When、何人 Who、何处 Where、何以 How）把信息补全。
这里我贴一份讲座里的「六何分析法」提示词模板，信息完整度从 40 分直接拉到 85 分：
【何故 Why】为了提升 X 产品在自媒体的推广效果 【何事 What】需要一份小红书口播文案 【何时 When】中秋节期间投放 【何人 Who】面向 18-35 岁年轻白领 【何处 Where】主要平台为小红书 【何以 How】要求 500 字，完播率高，不生硬，植入软广，结合节日需求这段模板的核心逻辑是：把人类沟通中「不用说也懂」的默契，显式地写进提示词。我实际用的经验是，五 W 一 H 不必每次都写满六项，但至少写四项，否则模型会默认补齐它自己的假设，而这个假设大概率和你脑中的不一致。对比一下两个问题：「为什么我的手机屏幕突然变暗了」和「最近天气很热，经常 40 度以上，我的苹果手机在太阳下晒一会儿屏幕自动变暗，调也调不亮，是什么原因？扮演我同事的语气，用简洁的话帮我解决」。后者把天气、机型、场景、语气全部注入，模型的回答角度和可用性完全不同，这就是为什么讲座反复强调「充分提供信息」是提示词设计的地基。
2.3 思维链提示的正确打开方式：给方向，不给步骤
关于思维链提示，讲座有一个观点很容易被误解：它不是说「R1 能自己思考，所以你不用写提示词」，而是说「你给的提示词要从『手把手教步骤』变成『给方向和约束』」。我见过太多翻车现场：让 R1 写 Python 脚本，提示词里写「第一步先设计类，第二步再写函数」，结果模型反而束手束脚，因为推理型模型会把你给的步骤当作参考答案，一旦你的步骤本身有缺陷，它就顺着缺陷走到底。
「提供样本提示（Few-shot）」也一样，对推理型模型不是必须，但对非推理型模型几乎是刚需。比如你要让 V3 写一封投诉邮件，最好先给它一封风格参考邮件作为样本，它才能锁定语气和格式。而如果你用 R1，只需要说清楚投诉对象、事件经过、期望结果，它自己会组织出合理的结构。总结成一句话：推理型模型把思考交给自己，你把目标交给它；非推理型模型把思考交给你，你把样本和上下文交给它。这是《DeepSeek 提示词设计》全文最核心的一条分水岭，后面所有技巧都是建立在这条分水岭之上的。
3. 提示词设计的三个进阶套路：角色注入、少样本示范与分隔符约束
3.1 角色设定：让模型在正确的「人格」里回答问题
讲座里反复提到「角色设定」，看似是基操，但大多数人都只是简单写一句「你是一个 AI 助手」，这等于没设。我拆完这份资料后，对角色设定的理解变成了三层：身份、语气、边界。身份是「你是什么」，语气是「你怎么说话」，边界是「你不能做什么」。
比如让 DeepSeek 写周报，基础提示词是「帮我写一份周报」，弱；加了身份是「你是一名互联网产品经理，帮我写一份周报」，好一点；再加语气和边界：「你是一名有 5 年经验的互联网产品经理，说话风格简洁干练，不要使用空话套话，不允许编造未完成的工作内容」，这才是完整的角色注入。讲座里说得很清楚：角色设定解决的是「AI 从哪个视角回答问题」的问题，你不设，它就用默认的百科视角，出来的内容四平八稳，但不像一个真实的人在帮你做事。
3.2 少样本提示的写法：给一个范本，比给十条规则更有用
非推理型模型对抽象规则的理解是有限的，但对具体范本的模仿能力很强，这也就是为什么 Few-shot 示范类提示词往往效果立竿见影。讲座里的案例也验证了这个方向：与其跟模型说一万遍「不要广告腔、不要生硬」，不如直接给它一段「完播率高、不生硬、软植入」的口播文案样本。
我在本地跑过一个对比测试，同样的任务（写某产品节日促销文案），纯文字指令和「文字指令 + 一条范文」两种写法，后者的广告痕迹肉眼可见地减少。注意这里的操作细节：少样本不是越多越好，1-3 个样本就够，样本超过 5 个反而会让模型风格混乱；样本之间要用分隔符隔开，否则模型分不清哪是样本、哪是任务。讲座里的建议是：“举些例子”的时候，尽量选风格差异大、覆盖两种以上场景的样本，这能让模型学到的是「风格」而不是「某一篇特定文案」。
3.3 分隔符与结构化提示词：给模型一张「填表任务单」
非推理型模型对外部输入的处理能力有限，一大段文字里混着任务说明、背景信息、输出要求，它很容易抓错重点。讲座给了一个非常工程化的解法：用分隔符把不同语义块切分开，把提示词组织成「表格式任务单」。
【背景】 我公司计划在中秋节期间于小红书平台推广一款健康零食，目标用户是 18-35 岁年轻白领。 【任务】 请写一篇小红书口播文案，字数 500 字左右。 【要求】 1. 开场 3 秒内抓住注意力 2. 植入产品卖点但不生硬 3. 结尾加入互动引导 【参考风格】 （在这段放入一篇你认可的范文，用分隔线与上面的内容隔开）用这四段结构之后，V3 的输出质量比单段落指令稳定得多。原因在于分隔符帮助模型把「背景」「任务」「要求」分别映射到不同的上下文槽位，避免互相污染。这也是为什么讲座中说「使用分隔符提高清晰度」不是玄学，而是基于非推理模型在长文本中的注意力分配缺陷设计出来的补偿手段。提示词设计走到这一步，才算从「说话技巧」变成了「可复用的工程模板」。
4. 让 DeepSeek 生成炫酷图表与动画：可视化提示词的完整工作流
4.1 图表和动画的正确姿势：让模型写代码，而不是「画图」
很多人以为让 AI 做图表就是让它直接「画」出来，这是误解。DeepSeek 这类文本模型不擅长直接生成图像文件，但它擅长生成图表代码——用 Python 的 Matplotlib、Plotly，或者前端的 ECharts、D3.js，都能把数据变成可视化。讲座里说「设计提示词，让 DeepSeek 做炫酷图表和动画」，实操路径就是让模型输出代码，你在本地（或在线环境）运行。
我自己常用的是这样一套工作流：先让 DeepSeek 生成 ECharts 配置项，再把配置放进 HTML 里直接渲染。这个链路对非编程人群也友好，因为 ECharts 只要一个 JSON 配置就能出图，不需要懂 JavaScript 语法。讲座场景里提到的「炫酷图表和动画」，用 ECharts 的 dataZoom、tooltip、series 动画配置就能实现，而提示词只需要说清「图表类型、数据维度、视觉偏好」三件事。
4.2 可抄作业的图表提示词模板与参数说明
以下模板我已在 DeepSeek-V3 上验证过多次，出图效果稳定，可以直接替换数据使用：
请用 ECharts 生成一个柱状图，具体要求如下： 1. 数据：2024 年 Q1-Q4 销售额分别为 3200、4800、4100、5600 万元 2. 图表类型：柱状图，柱子用圆角矩形 3. 视觉：主色 #3B82F6，每根柱子顶部显示数值标签 4. 动画：柱子在加载时从下向上逐个弹出，间隔 200ms 5. 附加：开启 tooltip 悬浮显示明细，开启 dataZoom 用于缩放 请直接输出完整 HTML 文件（含 <!DOCTYPE html>），不要省略代码。提示词里的关键参数说明：
- 动画逻辑：「逐个弹出，间隔 200ms」会让 ECharts 自动生成渐次加载效果，视觉效果远比一次性渲染好
- 颜色代码：指定十六进制色值，避免模型随机发挥，输出配色更可控
- 「不要省略代码」这个约束很关键，因为模型在长代码输出时偶尔会自作主张地用「...省略...」代替，这是最常见的翻车点
4.3 动态 Gif 与数据动画：模型输出脚本，运行交给本地
要说动态效果更丰富的场景——比如动态折线图、动态排名条形图——我一般会让 DeepSeek 输出 Python 脚本，用 Matplotlib 的 FuncAnimation 来做。这里要补充一个防坑建议：直接让模型生成 GIF 文件是不可能的，它只会给你一个物理上无法执行的描述；正确做法是让它输出「能生成 GIF 的 Python 脚本」，你在本地 PyCharm 或 Jupyter 里跑这个脚本，最后得到 GIF 文件。
关键提示词片段：
请用 Python 和 matplotlib.animation.FuncAnimation 生成一个动态折线图动画： - 数据：逐年 GDP 变化，5 年数据，每年 4 个季度 - 动画：折线从左向右逐点绘制，点上有数值标注 - 保存格式：输出 GIF 文件 - 代码必须完整可直接运行，包含 import 和保存语句这里的坑主要集中在以下三点：一是模型容易漏掉Pillow依赖，导致 GIF 保存失败；二是动画帧数太大时，GIF 体积会异常膨胀，建议帧率控制在 5-10fps；三是如果运行环境没有中文字体库，图表里的中文全部变成方块，需要在代码里追加plt.rcParams['font.sans-serif'] = ['SimHei']。讲座里没展开到这个颗粒度，但这是从「提示词写出代码」到「代码真正跑出图」之间必经的一段路。
5. 幻觉避免实战：限制知识来源、时间边界与 RAG 兜底
5.1 避坑：DeepSeek 幻觉的四个高频现场与排查思路
幻觉是 DeepSeek 这类生成模型绕不开的问题。讲座里明确讲了限制知识来源、明确时间界限，这是两条基本防御手段。我在拆这份资料时，把常见的幻觉问题整理成了四条踩坑记录，按「现象 → 原因 → 解决」的方式拆开，比空谈理论要直接得多。
坑一：日期型事实错误。现象是问「DeepSeek-R1 发布时间」，模型回答 2024 年 11 月之前的老信息或合并多个版本信息。原因是训练语料存在截止时间。解决：在提示词里显式加「请基于 2025 年 6 月之前的信息回答」，并且要求模型标注信息来源，能显著减少时间类错误。
坑二：专业术语张冠李戴。现象是让模型解释「知识表示」和「知识图谱」的区别，输出内容把两者概念搅在一起。原因是这类术语在语料中经常共现，模型分不清概念边界。解决：在提示词中给出关键定义，让模型「严格按照上述定义作答」，等于把正确答案提前喂给它。
坑三：编造引用和链接。现象是模型在回答末尾「贴心」地给出文献出处，点开一看全是幻觉链接。这是生成式模型的常见惯性——它不是撒谎，而是在补全你预期的内容。解决：提示词显式声明「如果没有可靠的引用来源，请直接回答不知道，不要编造来源」，同时要求「按编号列出引用」并在回答末尾逐个验证。
坑四：开放性问题自圆其说。现象是问「最新的 AI 监管政策有哪些」，模型把不同时期、不同国家的政策混在一起答。这属于讲座里强调的「明确时间界限」没做到位。解决：把时间范围写死，比如「请只回答 2025 年 1 月以来的政策变化」，并且要求「超出这个时间范围的内容标注为历史信息」，从源头上切断时间错位。
5.2 RAG 检索增强：把「背诵」变成「查资料」
讲座里明确提到检索增强（RAG）框架，这是目前对抗幻觉最工程化的手段。RAG 的基本逻辑是：不让模型凭记忆回答，而是先从你指定的知识库里检索相关内容，把检索结果拼接进提示词，再让模型基于这些材料回答。这样模型的角色从「记忆者」变成了「阅读理解者」，幻觉空间被压缩到一个很小的范围。
我基于讲座思路整理了一个最小化 RAG 工作流，适合在本地跑通：
第 1 步：构造知识库文本（或者直接读取本地文件） 第 2 步：用文本切割器把长文档切成 500-1000 token 的片段 第 3 步：针对用户问题做相似度检索，取 top-3 片段 第 4 步：把片段拼接到提示词中，格式如下： 【背景资料】 （这里放入检索到的 top-3 片段） 【问题】 （用户的问题） 【要求】 请只根据背景资料回答，如果背景资料不足以完全回答，请明确指出哪些部分缺乏依据。这个流程的关键点在于「要求模型只根据背景资料回答」这句话，它不像表面看起来那么简单，它是在给模型设定一个「允许的知识范围」，回答超出这个范围的内容就会被模型自身的约束机制抑制。讲座里讲的「限制知识来源」，工程落地就是这一句提示词的设置。我建议有条件的话，用langchain或llamaindex实现自动检索，没条件的用「手动查 + 拼接到提示词」也能有 80% 的收益。
5.3 明确时间界限与「不知道」许可：提示词的防御性写法
最后一个可抄作业的防御性提示词模板，我把它叫作「双许可」结构——既给模型「说不知道」的许可，也给用户「验证答案」的依据：
请回答以下问题，但必须遵守三条限制： 1. 如果你不确定答案，请直接说“根据目前掌握的信息，我无法给出确定回答” 2. 回答中涉及时间、地点、人物、数据的信息，请标注“截至训练截止时间” 3. 回答末尾列出至少两个可交叉验证的公开来源；如果无法提供，请直接说明“该问题我无法给出有可靠来源的回答”这个写法在 DeepSeek-V3 上跑出来的效果是：模型「硬答」的频率明显下降，「主动说明不确定性」的频率上升。这实际上是利用模型自身的指令遵循能力，人工设置了幻觉防火墙。和前文那些提示词设计套路不同，这一套不是为了让 AI 输出得更炫，而是为了让它在压线的时候「知道收手」——这恰恰是讲座里「DeepSeek 并非完美：搞清优点和缺陷」那一节最核心的落点。
6. 从 DeepSeek 到 Manus 智能体：验证输出质量的五个习惯
讲座后半提了一个概念——Manus 智能体，引发了现场不少讨论，但很多实用细节没展开。从技术脉络上看，智能体 = 模型（DeepSeek）+ 工具调用（搜索、代码执行、文件读写） + 任务规划，它本质上还是在用前面几章提过的提示词设计原则，只不过提示词从「一次性指令」变成了「多轮任务描述」。比如你让一个智能体「调研并生成一份竞品分析报告」，底层是多个子任务串联，每个子任务单独走「上下文注入 → 检索 → 生成 → 验证」的链路。Manus 的价值是把这个链路包装成了像聊天一样自然的前端，但底层并没有脱离提示词的边界约束和幻觉防御逻辑。
从实践角度讲，我从这份资料里提炼出一个最实用的收尾方法：无论用 DeepSeek 还是 Manus，最终验证提示词输出质量，建议固定走这五步习惯。
第一步，问完任何问题，先看模型输出里有没有「我不知道」「无法确定」这类表达出现；如果全是斩钉截铁的结论，就逐个核对结论中的数据点。第二步，凡是涉及日期、数字、专有名词的句子，单独复制到一个搜索框里做交叉验证，别偷懒。第三步，要求模型在回答末尾附上推理依据，哪怕只有一句话，也能暴露它是不是在「顺嘴胡编」。第四步，把同一个提示词在 V3 和 R1 上各跑一次对比差异，如果两个模型的输出语义相差很大，说明提示词本身信息不足，需要回炉补充上下文。第五步，对长任务场景，把输出拆成「观点」「事实」「推断」三类，事实优先验证，推断仅作参考。
这套习惯的由来，是因为我早年在用生成模型做资料整理时被幻觉狠狠坑过一次——当时让模型梳理一份产品需求文档里的关键数据，它把一项「待确认」的参数直接写成「已验证」，差点进了对外汇报材料。从那以后我每次跑 AI 生成内容，都强制执行一遍这五步验证。自己多花五分钟交叉核对，比事后发现数据错误再返工要划算得多。如果你把这份 DeepSeek 提示词设计与幻觉避免的资料下载下来，建议先把第六章「避坑」部分精读一遍，再看看第 3 章和第 5 章的可复用模板，剩下的功夫就是拿真实任务反复试。希望帮到你。
本文还有配套的精品资源，点击获取
