DeepSeek 已连接
⚡ 基于 Google Prompt Engineering 白皮书 · DeepSeek 实时演示

掌握 提示词工程
的核心技术

从零样本到思维链，8大核心技术 · 真实案例 · 课堂互动演示
让 AI 能力在你手中任意发挥

8
核心技术
20+
精选案例
实时
DeepSeek 演示
01

零样本提示 Zero-Shot Prompting

不给任何示例，直接让模型完成任务。测试模型的基础能力，也是最常见的使用方式。
关键：任务描述越清晰，结果越好。

入门

📖 核心原理

大型语言模型经过海量文本训练，具备强大的零样本推理能力。你只需清楚地描述任务，无需提供任何例子。效果取决于：任务描述的清晰度、模型的预训练知识、以及任务本身的难度。

💡 互动演示 — 情感分析（无需示例）
📝 提示词 可编辑
😊 积极评论 😠 负面评论 📧 邮件分类 🌍 翻译任务
💡 教学重点：对比"判断评论的情感"（模糊）vs"只回答'正面''负面''中性'"（清晰）——指令越具体，AI越听话！
🌡️ 温度 0.3
低温=确定 高温=创意
🤖 DeepSeek 输出
点击上方按钮，实时调用 DeepSeek API...
02

少样本提示 Few-Shot Prompting

给 2-5 个"输入→输出"的例子，让模型学会格式和模式，自动套用到新问题上。
最适合格式统一、有规律的任务。

常用

📖 为什么比零样本更强？

当模型看到示例时，会自动提取隐含的规律和格式要求。例如：你希望输出JSON格式，与其解释半天，不如直接给一个JSON例子——模型立刻明白！这就是"示例胜过千言万语"。

📥 输入（评论文本）
📤 输出（期望格式）
这款手机的拍照效果真的让我惊艳，屏幕显示也非常清晰！
{"sentiment":"正面","confidence":0.95,"keywords":["惊艳","清晰"]}
电池续航太差了，用一天就没电，而且发热严重，很失望。
{"sentiment":"负面","confidence":0.92,"keywords":["太差","发热","失望"]}
⬇ 新输入（模型需要预测）
⬇ 模型自动套用上面的格式
💡 互动演示 — JSON格式情感分析（有示例）
📝 Few-Shot 提示词 含示例
📋 生成周报 🏷️ 实体抽取 📊 数据格式化
🌡️ 温度 0.1
🤖 DeepSeek 输出（应自动套用JSON格式）
少样本学习的魔力：模型会自动模仿上面示例的格式...
03

系统提示 + 角色扮演 System & Role Prompting

系统提示设置AI的"人格"和工作规则；角色提示让AI扮演专家。
两者结合：让AI彻底变成你想要的助手。

高级
你是一位专注于青少年心理健康的专业辅导老师，回答要温暖、耐心、专业，避免使用复杂术语，始终鼓励学生。当学生表达负面情绪时，首先表示理解和认可。
最近学习压力好大，感觉什么都学不进去，怎么办？
→ 模型在系统提示的约束下作答，而非随意回答
💡 互动演示 — 选角色，看差异
🎭 选择角色
👨‍⚕️ 医生
⚖️ 律师
👩‍🏫 心理老师
👨‍🍳 厨师
💰 投资顾问
📝 系统提示词 自动生成
💬 用户问题
💡 课堂互动：换成"投资顾问"角色，问同一个问题——AI的回答风格、措辞、关注点会完全不同！这就是角色提示的威力。
🌡️ 温度 0.7
🤖 DeepSeek 作为「医生」的回答
选择不同角色，观察同一问题的不同回答风格...
04

思维链 Chain of Thought (CoT)

加一句"让我们一步步思考"，AI的推理准确率大幅提升。
核心：让模型"先想后答"，而不是直接猜答案。

🔑 关键
❌ 普通提示（直接问答）
小明有23颗糖，给了小红一半，又买了8颗，现在有多少颗？ → 模型很可能直接猜测，跳过推理步骤
✅ CoT 提示（引导推理）
小明有23颗糖，给了小红一半，又买了8颗？ 让我们一步步思考： → 模型会先列出推理步骤，再得出答案，准确率显著提升
💡 互动演示 — 对比有无 CoT 的差别
📝 选择模式
❌ 普通模式
✅ CoT 模式
📝 提示词
🧩 逻辑推理 📐 几何问题 💼 商业决策
💡 关键魔法句："让我们一步步思考" / "Let's think step by step" — 这一句话让模型准确率提升高达40%（Google研究数据）
🌡️ 温度（CoT推荐设为0） 0
🤖 DeepSeek 输出（观察推理过程）
切换"普通模式"和"CoT模式"，对比两种回答的质量差异...
05

自洽性 Self-Consistency

让模型用不同思路独立推理3次，用"多数投票"选出最可靠答案。
原理：多条路通同一终点，说明答案可信；路路不同，说明题目难或模型不稳定。

可靠性↑

🗳️ 投票机制示意

假设同一问题让模型推理3次：路径A→答案42、路径B→答案42、路径C→答案38。多数投票：42胜出，作为最终答案。这比直接问一次可靠得多，相当于让3位专家独立核算后取共识。

💡 互动演示 — 3路推理并行投票
📝 待推理问题
🎲 概率问题 💰 利润计算 🚂 速度问题
会调用3次API，请确保有Key
路径 A — 思路一
等待推理...
路径 B — 思路二
等待推理...
路径 C — 思路三
等待推理...
06

思维树 Tree of Thoughts (ToT)

像人类专家一样：先探索多条路径，评估哪条最有前途，然后深入最优路径。
适合：需要规划、有多步决策的复杂问题。

专家级
💡 互动演示 — 产品发布策略的思维树探索
📝 复杂决策问题
🏠 购房决策 💡 创业方向 🎓 职业规划
💡 ToT 关键提示词模板："请提出N条不同方案 → 评估每条方案的优劣 → 选择最优方案深入展开"
🌡️ 温度（稍高以产生多样化路径） 0.7
🌳 思维树探索结果
思维树模拟多分支探索，就像人脑的发散思维...
07

ReAct Reasoning + Acting

让模型交替进行"思考(Thought)→行动(Action)→观察(Observation)"循环。
这是AI Agent的核心框架——会想、会做、会根据结果调整。

Agent核心

⚙️ ReAct 循环示意

Thought（思考）→ 我需要先搜索XX信息  |  Action（行动）→ Search["XX"]  |  Observation（观察）→ 搜索结果是...  |  Thought→ 根据结果，下一步应该...  |  Final Answer

💡 互动演示 — ReAct 推理行动链路可视化
📝 ReAct 任务
🔬 科学研究 🛒 购物决策 ✈️ 旅行规划
🌡️ 温度 0.3
⚙️ ReAct 推理-行动链路
08

后退一步 Step-Back Prompting

先问更抽象的原理问题，用原理知识来解决具体问题。
人类专家的思维方式：先看全局，再解决细节。

深度思考
❓ 具体问题：为什么我吃了布洛芬之后胃不舒服？
⬆ 后退一步
🔬 抽象原理：非甾体抗炎药（NSAIDs）的作用机制和副作用原理
⬇ 应用原理
✅ 精确解答：布洛芬抑制前列腺素合成→胃黏膜保护减弱→胃刺激/溃疡
💡 互动演示 — 两阶段推理（先抽象后具体）
📝 Step-Back 提示词（两阶段）
💊 医学问题 📈 投资问题 🔧 技术问题
💡 提示词模板："先回答更基础的问题：[抽象原理问题]，然后基于上述原理，解决具体问题：[你的实际问题]"
🌡️ 温度 0.5
🤖 DeepSeek 两阶段推理结果
Step-Back：先获取原理，再解决问题。质量远超直接回答！
★

提示词工程 · 最佳实践速记

Google 白皮书总结的核心原则，课堂必记

原则要点反例 vs 正例
🎯 明确具体用具体指令而非模糊描述❌"写点东西" → ✅"用200字写一段介绍"
📋 结构化输出指定JSON/表格等格式❌"告诉我结果" → ✅"以JSON格式返回"
🌡️ 温度控制推理用0，创意用0.7-1.0数学题temperature=0，诗歌创作=0.9
🔁 迭代优化记录每次尝试，不断改进好的提示词需要平均5-10次迭代
🧪 实验格式JSON强制结构化，减少幻觉JSON格式让模型"说不出"乱数据
💡 魔法触发词"让我们一步步思考"=强CoT触发一句话提升准确率40%