简介这份PPT资料聚焦DeepSeek提示词设计与幻觉避免面向希望系统掌握大模型提问技巧的职场人、开发者与AI爱好者。内容从提示词本质切入辨析DeepSeek-R1与V3的模型性格差异讲解推理型与非推理型模型的不同提问策略并借助六何分析法、Few-shot样本提示、思维链提示等方法帮助读者设计出能生成炫酷图表与动画的高质量提示词。同时剖析DeepSeek的优点与缺陷探讨幻觉成因与规避思路并延伸至近期爆火的Manus智能体。资源包内含1个pptx文件共50页压缩包约1.05MB以图文并茂的幻灯片形式呈现结构清晰便于按主题检索与演示。目前已有75人学习适合需要提升提示词工程能力、减少模型幻觉、拓展AI应用场景的读者参考。1. 从一份 50 页 PPT 说起DeepSeek 提示词设计里幻觉到底怎么冒出来的很多人第一次用 DeepSeek 做业务问答都会经历同一个瞬间模型答得又快又顺格式漂亮语气笃定结果一核对数字是编的、条款是拼的、引用是不存在的。这就是 AI 幻觉最典型的现场——它不是模型“坏了”而是提示词没给它划边界。这份《DeepSeek 提示词设计幻觉避免与应用》的 50 页 PPT本质上要解决的就是一件事把“让模型别乱说”从玄学变成可复用的提示词工程流程。它适合三类人正在用 DeepSeek API 做问答或文档助手的开发者、要搭智能体但被幻觉拖垮准确率的团队、以及想把提示词设计沉淀成规范的产品和运营同学。下面我不复述 PPT而是按我实际落地的顺序把提示词设计、幻觉抑制、评测验证这条链路讲透让你能直接抄去改自己的项目。2. 先搞清楚幻觉从哪来DeepSeek 提示词设计的三个失效点2.1 幻觉不是随机噪声是提示词缺了约束很多人把幻觉理解成模型“偶尔抽风”于是靠反复重试碰运气这是最费钱也最没用的做法。幻觉的产生有明确诱因当提示词没有限定知识来源、没有规定“不知道时怎么办”、没有约束输出结构时模型会用训练语料里的统计规律去补全一个“看起来合理”的答案。DeepSeek 这类模型在长文本生成上很流畅流畅本身就是风险——它会把不存在的信息用同样自信的语气写出来。我一般把幻觉分成三类来定位问题。第一类是事实性幻觉比如编造一个不存在的接口参数或法规条款第二类是引用性幻觉答案对但出处是假的第三类是结构性幻觉格式对了但字段之间逻辑矛盾比如金额和明细对不上。三类对应的提示词修法完全不同事实性靠“限定来源拒答机制”引用性靠“强制标注出处无出处不输出”结构性靠“给模板给校验规则”。分不清类型就乱改提示词等于蒙眼修车。提示判断幻觉类型最快的方法是把模型输出和原始资料逐句对照标出哪些句子在资料里找不到依据。找不到依据的句子占比就是你这版提示词的“幻觉率”粗估。2.2 提示词的四层结构角色、任务、约束、格式一份能压住幻觉的提示词我习惯拆成四层来写缺一层就漏一类问题。角色层决定模型站在什么立场回答。写“你是一个严谨的技术文档助手”比写“你是一个聪明的AI”有用得多因为前者隐含了“不确定要说明”的行为倾向。任务层要把动作写具体是“提取”还是“总结”还是“判断”动词不同模型的行为边界不同。约束层是压幻觉的核心必须明确写清知识来源范围、超出范围怎么处理、禁止哪些行为。格式层用结构化模板锁死输出让模型没有自由发挥的空间。# DeepSeek 提示词四层结构模板 角色你是XX领域的资料问答助手只依据【参考资料】回答。 任务根据用户问题从参考资料中提取答案并给出处。 约束 1. 参考资料中没有的内容直接回答“资料中未提及”禁止推测。 2. 每个结论后必须标注来源段落编号。 3. 禁止使用参考资料之外的任何知识。 格式 结论一句话答案 依据段落编号 置信度高/中/低这段模板的关键在约束层的第 1 条和第 3 条。第 1 条给了模型一个“合法退路”它不用编也能完成任务第 3 条切断了模型调用自身训练知识的路径。很多人只写“请准确回答”这等于没约束因为“准确”对模型来说没有可执行定义。参数上约束条目建议控制在 3 到 5 条太多会互相稀释模型记不住重点。2.3 为什么“请勿编造”这句话基本没用新手最常写的一句约束是“请勿编造不要产生幻觉”。这句话几乎无效原因有两个。一是它只说了“不要做什么”没说“应该做什么”模型缺少可执行替代行为二是“幻觉”对模型不是一个可操作的概念它无法在生成时判断自己是不是在幻觉。有效的写法是把否定约束翻译成肯定动作。把“请勿编造”改成“每个结论必须能在参考资料中找到对应句子找不到就输出‘未提及’”。把“不要瞎猜”改成“信息不足时先列出缺失的字段再询问用户补充”。这种改写把抽象要求变成了模型可以逐步执行的动作序列幻觉率会明显下降。# 调用 DeepSeek API 时把约束作为 system 消息传入 import requests payload { model: deepseek-chat, messages: [ {role: system, content: SYSTEM_PROMPT}, # 四层结构提示词 {role: user, content: f参考资料{context}\n\n问题{question}} ], temperature: 0.2, # 事实类任务压低随机性 top_p: 0.9 } resp requests.post(API_URL, jsonpayload, headersHEADERS)这段代码里有两个参数直接关系幻觉。temperature 控制随机性事实问答类任务我一般压到 0.1 到 0.3越高越容易“自由发挥”top_p 控制采样范围0.9 是常用值再高会引入更多低概率词。注意 system 消息和 user 消息的分工约束放 system资料和问题放 user这样约束的权重更稳定。如果你的资料很长把资料放在问题前面、问题放在最后模型对末尾内容的注意力更强。3. 把提示词落成可复现的流程从模板到评测3.1 用结构化模板锁死输出格式格式约束是压幻觉里性价比最高的一招因为它把“自由生成”变成了“填空”。当模型必须按固定字段输出时它编造的空间被大幅压缩而且字段缺失会直接暴露问题方便你排查。请严格按以下 JSON 输出不要添加任何额外文字 { answer: 从资料中提取的答案找不到填 null, source: 来源段落编号找不到填 null, confidence: high / medium / low, missing: [资料中缺失但回答所需的信息] }这个模板里missing字段是精髓。它给模型提供了一个“承认不知道”的出口模型不用靠编造来填满答案。source字段强制模型回溯依据如果它填不出编号说明这个结论很可能是幻觉。实际用的时候我会在解析端加一层校验answer非空但source为 null 的直接标记为可疑输出人工复核。注意JSON 输出偶尔会被模型加上 markdown 代码块包裹解析前先做一次清洗去掉json 和标记否则 json.loads 会直接报错。3.2 检索增强让答案有据可查而不是靠记忆光靠提示词约束还不够因为模型的知识边界你控制不了。真正把幻觉压到可用水平的是检索增强生成RAG——先从你的资料库里检索出相关片段再让模型基于片段回答。这样模型的“知识来源”从训练语料变成了你给的资料可控性完全不同。# 最小 RAG 流程检索 拼接 生成 def answer_with_rag(question, docs, top_k3): # 1. 简单关键词检索生产环境换成向量检索 hits [d for d in docs if any(w in d[text] for w in question.split())] hits hits[:top_k] # 2. 拼接参考资料带编号方便模型引用 context \n.join(f[{i1}] {h[text]} for i, h in enumerate(hits)) # 3. 走四层结构提示词生成 return call_deepseek(SYSTEM_PROMPT, context, question)这段流程里 top_k 是关键参数。取太少资料不够模型容易补全取太多噪声增加模型容易被无关内容带偏。我一般从 3 开始调看召回率和准确率的平衡点。检索环节如果条件允许换成向量检索效果更稳关键词检索对同义表达不敏感容易漏掉该给的资料漏了资料模型就可能开始编。3.3 用评测集量化幻觉率别靠感觉“感觉好多了”不是工程结论。要判断一版提示词到底有没有用得有一组固定的评测题和一套打分标准。我一般准备 30 到 50 道题覆盖三类资料里有的考召回、资料里没有的考拒答、资料里有干扰项的考抗干扰。指标定义目标值忠实度答案能在资料中找到依据的比例越高越好建议 0.9 以上幻觉率答案含资料外信息的比例越低越好建议 0.05 以下拒答准确率资料缺失时正确说“未提及”的比例建议 0.85 以上格式合规率输出符合模板的比例建议 0.95 以上这四个指标里忠实度和幻觉率是一对一个升一个降才算真的改好了。只看幻觉率下降可能是模型变得过度保守该答的也不答了这时候拒答准确率会异常高要警惕。评测集要固定每次改提示词都跑同一套否则数据没有可比性。# 批量评测跑评测集并统计幻觉率 def evaluate(prompt, testset): halluc, total 0, 0 for item in testset: out call_deepseek(prompt, item[context], item[question]) total 1 # 简化判断答案关键实体不在资料中即记为幻觉 if not any(e in item[context] for e in extract_entities(out)): halluc 1 return {hallucination_rate: halluc / total, total: total}这段评测代码是简化版真实场景里实体抽取和比对要更严谨但思路是一样的把“幻觉”变成一个可计算的数字而不是主观印象。跑完一轮你会清楚看到哪类问题最容易触发幻觉再针对性改提示词比盲目加约束高效得多。4. 避坑与排查提示词设计里最容易翻车的五个地方4.1 约束堆太多模型反而开始乱答现象提示词里写了十几条约束结果模型输出变得不稳定有时漏字段有时答非所问。原因约束条目过多模型在生成时无法同时满足会优先满足靠前的、忽略靠后的甚至为了“都满足”而编造。解决约束精简到 3 到 5 条按重要性排序把最关键的放最前面次要约束移到格式模板里用字段体现。4.2 资料塞太长模型只记住开头和结尾现象参考资料几千字模型回答时只用了开头和结尾的内容中间的关键信息被忽略。原因长上下文里模型对中间部分的注意力衰减这是常见现象。解决控制单次传入的资料长度用检索先筛出最相关的 2 到 3 段如果必须传长文把最关键的信息放在开头或结尾并在提示词里明确指向“请重点参考第 X 段”。4.3 温度调太低答案变得死板且拒答过度现象把 temperature 调到 0 之后模型对稍微模糊的问题一律回答“未提及”可用性下降。原因温度过低时模型过于保守缺乏必要的语义泛化能力。解决事实问答用 0.1 到 0.3不要直接归零对需要一定归纳的任务可以放到 0.3 到 0.5同时靠约束层兜底。4.4 只测正常问题没测“资料里没有”的情况现象上线后用户问了一个资料里没有的问题模型编了一大段。原因评测集全是“有答案”的题没覆盖拒答场景提示词的拒答机制没被验证过。解决评测集里至少留三分之一是“资料中无答案”的题专门验证模型会不会老实说“未提及”。4.5 把 system 和 user 消息写反现象约束写在 user 消息里模型经常忽略幻觉率居高不下。原因system 消息对模型行为的约束权重更高约束放错位置等于没放。解决角色、任务、约束、格式全部放 system资料和具体问题放 user这是稳定生效的分工方式。5. 进阶技巧把幻觉抑制做成可复用的检查清单走到这一步你已经有一套能跑的提示词和评测流程了。最后分享一个我一直在用的习惯把每次踩过的坑沉淀成一份上线前检查清单改提示词之前先过一遍能省掉大量返工。这份清单不长但每一条都是血泪换来的。检查项通过标准约束是否可执行每条约束都能翻译成具体动作没有“请准确”这类空话是否有拒答出口提示词里明确写了“不知道时输出什么”格式是否锁死有固定模板字段缺失会暴露而非被填补温度是否匹配任务事实类 0.1-0.3归纳类 0.3-0.5评测集是否覆盖拒答至少三分之一是“资料中无答案”的题幻觉率是否量化有固定评测集和可对比的数字这份清单的价值在于它把“提示词设计”从个人经验变成了团队可传递的规范。新人接手时不用重新踩一遍坑照着清单检查就能避开大部分低级错误。我自己的习惯是每次改完提示词先跑评测集拿到幻觉率和忠实度两个数字再对照清单确认没有遗漏最后才上线。这套流程跑顺之后DeepSeek 在文档问答场景的幻觉率能压到很低答案基本都能追溯到原文。如果你正在搭智能体或者做知识库问答我建议先把这份清单落地再谈更复杂的编排和多轮对话。基础约束没打牢后面加再多框架都是在流沙上盖楼。希望帮到你。本文还有配套的精品资源点击获取
