【人工智能通识专栏】第七讲：准确描述问题
在使用大型语言模型（LLM）如DeepSeek、GPT、Claude等时，输出质量高度依赖输入质量。俗话说“垃圾进，垃圾出”（Garbage In, Garbage Out）。即使是最强大的推理模型（如DeepSeek-R1），如果问题描述模糊、含糊或缺少关键信息，也容易给出泛泛而谈或错误的答案。
本讲聚焦Prompt Engineering（提示工程）的核心基础：如何准确、清晰、完整地描述问题。这是提升LLM使用效果的最重要技能之一，适用于聊天、代码生成、数学求解、写作等所有场景。
1. 为什么准确描述问题如此重要？
- LLM没有“常识”假设：它不会自动补全你脑子里想但没说出来的细节。
- 推理模型（如DeepSeek-R1、o1）会严格按照你的输入进行逐步思考，模糊输入会导致推理方向偏离。
- 准确提示可以显著减少幻觉（hallucination）、提高答案可靠性。
2. 准确描述问题的五大原则（CLEAR框架）
使用以下CLEAR框架检查你的提示：
| 原则 | 英文 | 含义 | 示例改进 |
|---|---|---|---|
| Clear | 清晰 | 避免歧义，用词精确 | 模糊：“给我讲讲量子计算” 清晰：“用通俗语言解释量子计算的核心概念，包括量子比特、叠加、纠缠和量子门，并举一个简单例子。” |
| Logical | 逻辑结构化 | 按步骤或层次组织问题 | 无结构：“帮我写代码” 有结构：“请用Python编写一个函数，实现以下功能：1. 输入一个整数列表；2. 返回其中所有素数的和；3. 添加类型提示和异常处理。” |
| Explicit | 明确要求 | 明确指定输出格式、长度、风格 | 不明确：“分析这篇文章” 明确：“请阅读以下文章（粘贴内容），然后用300字以内总结其核心观点，并列出3个主要论据。用中文回复，格式为：标题 + 正文 + bullet points。” |
| Adequate Context | 提供足够上下文 | 给出必要背景信息 | 缺上下文：“这个方程怎么解？” 有上下文：“高中数学水平，一步步思考并解释：求解方程 x³ - 6x² + 11x - 6 = 0，并说明使用的解法原理。” |
| Reasoning Guidance | 引导推理 | 尤其是对推理模型，建议“逐步思考” | 普通：“这个证明对吗？” 引导：“请先逐步复现以下证明过程（粘贴证明），然后检查每一步是否正确，最后给出结论并解释错误（如有）。” |
3. 常见场景的最佳实践示例
场景1：数学/推理问题（推荐DeepSeek-R1）
- 坏提示：“解这个题：2x + 3 = 7”
- 好提示：“请一步步思考并详细解释解题过程：解方程 2x + 3 = 7。要求：1. 列出每一步变换；2. 说明使用的代数性质；3. 验证答案正确性。”
场景2：代码生成
- 坏提示：“写个爬虫”
- 好提示：“用Python + requests + BeautifulSoup编写一个爬虫，目标网址：https://example.com/news，要求：1. 抓取最新10条新闻标题和链接；2. 保存为CSV文件；3. 添加异常处理和请求头伪装；4. 代码添加详细注释。”
场景3：文章写作/分析
- 坏提示：“写一篇关于AI的文章”
- 好提示：“请以《2026年AI发展展望》为题，写一篇800字左右的科普文章。要求：1. 开头用一个吸引人的场景；2. 主体分三部分：技术进展、应用影响、社会挑战；3. 结尾提出积极展望；4. 语言通俗易懂，适合非专业读者。”
场景4：复杂多步骤任务
- 使用分步提示（Chain of Thought）：“首先……其次……最后总结。”
4. 进阶技巧
- 角色赋予：让模型扮演特定角色（如“你是一个高中数学老师”）可提升输出质量。
- 示例引导（Few-Shot）：提供1-2个输入输出示例。
- 迭代优化：如果第一次输出不理想，引用原输出要求修改（如“在上一个答案的基础上，更详细解释第三步”）。
- 对推理模型：明确说“请逐步思考”或“详细说明你的推理过程”，能最大化发挥DeepSeek-R1等模型优势。
5. 练习建议
立即打开DeepSeek聊天界面（https://chat.deepseek.com/），用R1模型尝试：
- 先用一个模糊问题提问，观察输出。
- 再用CLEAR原则重写问题提问，对比差异。
你会惊叹于同样模型在清晰提示下的表现提升！
总结与展望
准确描述问题是使用LLM的“基本功”，掌握它比记住复杂提示模板更重要。无论你是学生、程序员还是职场人士，这一技能都能成倍提升AI助手的价值。
实践是唯一捷径：多写、多对比、多迭代，你的提示能力会快速进步。
下一讲，我们将探讨更高级的提示工程技巧：Chain-of-Thought与Few-Shot学习。欢迎分享你曾经遇到的“提示翻车”或“神提示”案例！
