简介这份PDF面向希望借助AI提升效率的上班族、学生及普通用户围绕DeepSeek的能力图谱与典型应用展开覆盖工作文档生成、学习辅导、职场沟通、社交互动与生活应急处置等场景并强调提示词驱动和答案鉴别两大关键。包内共1个PDF文件约4.84MB内容集中、便于按主题查阅整体适合入门读者与进阶用户参考。已有2291人学习说明其对入门与实战参考具有一定吸引力。读者可从中了解DeepSeek在文本创作、语义理解、推理分析、多语言翻译和多模态处理中的用法学习用分阶段提问、框架复制、模块填充与格式优化完成长文写作和方案草拟也能认识联网搜索、文件上传、深度思考等功能边界建立对AI输出的批判性判断让工具真正服务于个人成长与时间管理。1. 从一份读不下去的 PDF 说起普通人抓 DeepSeek 红利真正卡在哪下午三点接到通知晚上要交一份一万字的智能物流园区方案书手头只有几页零散的会议记录和一个过时模板——这是模拟项目X里最常见的一幕。那份《普通人如何抓住DeepSeek红利.pdf》翻了两遍能力图谱、深度思考、场景案例都写得挺全可真正动手时还是卡在同一个地方不知道该问什么问完也不知道该信哪一句。所谓 DeepSeek 红利落到普通人身上并不是多背几个功能名而是把「提问」和「鉴别答案」做成两个固定动作。这篇按一份可交付方案的路子写先划清能力边界再设计提示词骨架和写作流水线然后把职场文档、新人融入、客户应答、生活沟通四类场景拆成能照抄的链路最后给出一张验收清单让你在汇报或答辩时拿得出证据而不是只会说「我用过」。2. 能力边界判定九个能力项、四类任务与一个模式选择规则很多人第一次打开对话界面输入「帮我写个方案」得到一段四平八稳的空话于是判断「这东西也就这样」。问题不在模型在于没有先做能力对号。这份资料里那张能力图谱信息量很大但图谱是给做产品的人看的普通人需要的是一张「什么活该交给它、什么活不该交」的判定表。2.1 能力清单把图谱拆成可勾选的九项把资料里的能力图谱按输入要求重新归并能得到下面这张表。左边是能力项中间是它擅长接的活右边两列是关键——「需要你提供什么」决定了你能不能启动「不建议用的场合」决定了你会不会翻车。能力项典型任务需要你提供的输入不建议用的场合文本生成文章、故事、诗歌、营销文案、广告语、社交媒体内容、剧本对话主题、受众、字数、语气需要对事实负全责的对外定稿摘要与改写长报告与论文摘要、文本简化、多语言翻译与本地化原文、目标读者层级合同条款、法务措辞的最终版本结构化生成表格与清单、日程安排、菜谱、代码注释与文档字段名、行数、单位、排序规则需要精确到个位的统计口径语义分析情感倾向、意图识别、实体抽取、主题标签、垃圾内容检测样本、标签定义、判断标准没有标注标准的主观评价知识推理因果分析、概念关联、逻辑题、数学运算、常识推理前提条件、约束边界超出公开知识范围的新事实代码能力补全、注释、单元测试草稿、报错解释、格式转换语言与版本、报错原文、输入输出样例直接上生产的关键路径多模态读取上传 PDF、图片读取其中的文字与表格清晰的源文件手写体、低分辨率扫描件联网搜索行业动态、公开资料整合、竞品信息梳理明确的检索问题与时间范围需要内部数据支撑的判断深度思考多步推理、方案比选、复杂任务拆解、流程优化完整背景、目标、可用资源一句话就能答完的简单问答看这张表的方式是反着用先看你手里的活落在哪一行再看「需要你提供什么」这一列你有没有货。有货就交给它没货就先补输入。绝大多数「AI 写得不行」的抱怨本质是输入栏里只有一句话。2.2 模式选择普通对话、联网搜索、深度思考、文件上传怎么选同一个问题用错模式结果差一个量级。判断规则其实只有三个变量这件事是否需要外部时效信息是否需要多步推理是否有现成的材料要读。把这三个变量写成判断函数选模式就不再靠感觉。# mode_picker.py 输入三个布尔判断输出建议使用的模式 def pick_mode(need_fresh_info: bool, need_reasoning: bool, has_material: bool) - str: need_fresh_info: 结论是否依赖近期公开信息行业动态、竞品发布、价格 need_reasoning: 是否需要多步拆解或方案比选不是一句话能答完 has_material: 是否有 PDF、报告、会议记录等材料要读 if has_material and need_reasoning: return 上传文件 深度思考先让它读材料再让它拆结构 if has_material: return 上传文件只做摘要、抽取、比对不要让它自由发挥 if need_fresh_info and need_reasoning: return 联网搜索 深度思考先检索再推理答案逐条给出处 if need_fresh_info: return 联网搜索只问事实型问题问完自己点开原链接核一遍 if need_reasoning: return 深度思考把背景、目标、约束一次写全别挤牙膏 return 普通对话改写、润色、短问答越快越好 if __name__ __main__: print(pick_mode(need_fresh_infoFalse, need_reasoningTrue, has_materialTrue)) # 输出上传文件 深度思考先让它读材料再让它拆结构这段代码不是让你真的去调用什么接口它是把「选模式」这件事从玄学变成三个是非题的思维工具。参数怎么改把has_material当成「我手上有没有能贴进去的原文」有就一律先上传need_reasoning的判定标准是「我自己写要不要想十分钟以上」要就开深度思考need_fresh_info最容易被误判凡是涉及「今年」「最新」「现在多少钱」的问题都算真答完必须自己核。有一点值得单独说深度思考模式不是万能的。资料里那份「香料三重奏」式的拆解示例展示的是它在多步推理上的表现——结构解构、味觉分层、技法说明层层递进这种任务开深度思考是加分的。但你问「帮我把这句话改得客气点」开深度思考只会让你多等半分钟等的过程中还容易怀疑自己是不是用错了工具。2.3 鉴别答案三道关卡拦住看起来很像真的错资料里把「提出问题」和「鉴别答案」并列为善用 DeepSeek 的两大关键后半句才是真正拉开差距的地方。我给自己的规矩是三道关卡任何要交给别人的产出都得过。第一道是量级关。凡是数字先问一句「这个数在现实里合理吗」。五十万件日均包裹量配几台分拣设备稍微算一下就知道对不对。模型给的数字往往在形式上完全正确、在量级上离谱得很。第二道是出处关。涉及政策、标准、行业数据的表述要求它把出处单独列一行。列不出来或者列得含糊的一律按「待核实」处理绝不能直接贴进对外文档。血泪经验是一份材料里混进一条编造的发文号整份材料的可信度就会被一起拖下水。第三道是自洽关。把长文从头到尾读一遍专门找前后矛盾。前面写「园区占地五百亩」后面表格里按八百亩算面积这种错模型自己发现不了。我一般的做法是让它在文末自己列「本文可能被质疑的五个点及应对答案」这一步相当于给自己找了个审稿人能捞回不少漏洞。3. 提示词骨架设计四段式结构与一万字方案的四阶段流水线提示词这件事被讲得太神秘了。实际有效的做法就两条把要求写全把格式定死。资料里那句「利用提示词创造知识」翻译成可执行的话就是——你负责给边界它负责在边界内铺内容。3.1 四段式骨架角色、任务、约束、输出格式我用了很久的一套骨架是四段角色、任务、约束、输出格式。四段缺一段输出质量就往下掉一档。缺角色语气飘缺任务跑题缺约束字数失控、套话连篇缺输出格式你得自己花二十分钟排版。# 角色 你是一位做过十年智慧园区方案的主笔熟悉自动化立体仓库、AGV 调度、 冷链专区的常规技术参数与常见配置口径。 # 任务 写「2.1 功能分区」一节覆盖自动化立体仓库、AGV 调度中心、冷链专区三块内容。 # 约束 1. 每块给出 3 条技术参数参数必须带单位 2. 我没有提供的数据一律标注「示例」不要编造厂家名称与发文号 3. 不使用「综上所述」「随着……的发展」这类套话 4. 每段控制在 46 行不要写成一行一句。 # 输出格式 小标题 Markdown 参数表列为分区、关键设备、参数、备注 100 字说明。逐段说明怎么改。角色段要写「做过什么」而不是「你是一个 AI」越具体越收敛写「十年经验的方案主笔」比写「专业写手」有用得多。任务段的关键是范围词写清「写哪一节、覆盖哪几块」不写范围它就会自作主张给你写一整章。约束段是整份提示词里最值钱的部分编号写别用顿号串成一长句编号的约束模型会逐条对照串句的约束它只当氛围。输出格式段决定你后面省多少时间表格、编号、字数都写死粘贴进文档基本不用返工。一个常见的误用是把约束写成愿望「请你尽量专业一点」「希望能有深度」。这类形容词模型没法执行。换成可验证的描述「每条参数带单位」「每节不少于三个数据点」「不出现第一人称」效果立刻不一样。3.2 一万字方案书的四阶段流水线5-20-20-10 分钟怎么切资料里那个「一小时内写完一万字项目书」的场景很多人照着做会失败原因是顺序错了——大部分人从第一段开始精雕细琢写了八百字就发现时间没了。正确的做法是把写作拆成四个阶段先撑骨架再填肉最后才打磨皮肤。阶段时长目标产出指令要点通过标准一、框架5 分钟约 3000 字骨架只要二级、三级目录不要正文章节编号连续无重复无跳号二、填充20 分钟约 6000 字正文单节提问同类小节套同一模板每节至少一处数据或参数三、软性内容20 分钟约 1000 字风险、效益、实施保障分三次问数据带「示例」可核对四、优化格式10 分钟统一话术与版式改风格、转表格、找漏洞术语一致前后无矛盾第一阶段最容易犯的错是让模型「直接写一万字」。它会给出一篇结构松散、每节两百字的均匀文章改起来比重写还累。正确指令是只出目录「列出一份智能物流园区项目方案的完整目录二级标题不少于八个每个二级标题下列三个三级标题不要写正文。」拿到目录先自己扫一遍删掉不合适的、补上必须有的这一步花三分钟后面省半小时。第二阶段的核心技巧是模板复制。方案书里 3.1、3.2、3.3 往往是同构的章节用同一条指令模板只替换关键词产出的一致性能省掉大量统稿时间。单节指令长这样按以下模板写「{章节号} {章节名}」只输出这一节内容 1. 先给 80 字背景说明说明这一块解决什么问题 2. 再给一张表列为{列名1}、{列名2}、{列名3}、备注 3. 表后给 100 字说明配置依据 4. 我未提供的数据标注「示例」不要写厂家名。第三阶段处理那些「虚但必需」的部分——风险评估、效益测算、实施保障。这类内容的特点是必须有但没人细看。指令要写得非常具体「列出智能物流园区常见的三大技术风险每项配一百字应对方案」比「写一下风险」强十倍。效益测算要给出假设条件比如人工成本下降多少、分拣错误率下降多少让它按公式推推完你自己检查量级。第四阶段只剩三件事统一话术、把文字转成表格、让它自己挑毛病。第三步那个「列出三个可能被客户质疑的点并给出应对答案」的指令是整个流水线里性价比最高的一条往往能救回一两个致命漏洞。3.3 模板复用把提示词做成可拼装的变量写到第三个项目就会发现每次都在重敲同一段角色描述和同一串约束。把模板抽成常量、把变量做成参数是省时间的正路。下面这个脚本只做一件事把四段式模板拼成一段可直接粘贴的提示词。# prompt_builder.py 拼装四段式提示词的本地小工具 TEMPLATE # 角色 {role} # 任务 {task} # 约束 {constraints} # 输出格式 {output_format} def build(role: str, task: str, constraints: list, output_format: str) - str: # 约束逐条编号模型会按编号逐项对照 numbered \n.join(f{i 1}. {c} for i, c in enumerate(constraints)) return TEMPLATE.format( rolerole, tasktask, constraintsnumbered, output_formatoutput_format ) if __name__ __main__: prompt build( role十年经验的智慧园区方案主笔, task写 2.1 功能分区覆盖自动化立体仓库、AGV 调度中心、冷链专区, constraints[ 每块给出 3 条技术参数参数带单位, 未提供的数据标注示例, 不使用套话段落 46 行, ], output_format小标题 Markdown 参数表 100 字说明, ) print(prompt)参数说明role决定语气和专业词密度写具体职业比写「专家」有效task必须含范围词写清章节号和覆盖范围constraints传列表而不是长字符串函数会自动编号这是这套工具唯一的技术含量所在output_format决定你后续排版的时间成本能写表格就别写「分段叙述」。把常用场景各存一条摘要模板、改写模板、风险清单模板、客户应答模板。用到的时候改两个变量就行。这份资料里反复强调提示词驱动的新生产力落到实处其实就是这么几个可复用的文本文件。4. 场景落地从项目书、新人融入到客户应答的四条可复用链路能力边界和提示词骨架都搭好之后剩下的是把场景接上去。资料给了四个典型场景我按「输入—处理—输出—核对」四步把它们改写成能直接照抄的链路。4.1 项目书场景框架复制、模块填充、数据嫁接这是资料里讲得最细的一个场景三个关键词非常准确。框架复制指用同一套目录结构套不同项目改的是章节名留的是骨架模块填充指按小节单独提问不要把整章一起丢进去数据嫁接指在没有真实数据时让它生成合理的假设值并明确标注。数据嫁接这一步是风险最集中的地方。我的做法是固定一条规范所有生成数据后面必须跟「示例」三个字并在文末统一声明「文中标注示例的数据为推演假设正式版本需以实际调研数据替换」。这条规范要写进提示词约束里而不是事后手动补——模型不会主动替你标注。批量替换也有省事的办法把「示例」写进输出格式要求它就会老老实实每处都带上。另一个细节是格式伪装。资料里提到的「多用表格、编号列表、放大标题、调宽行距」是有道理的评审看方案第一眼是结构感。让模型把已经写好的文字段落转成表格比让它重新生成一遍更划算指令也简单「把上面这段设备配置描述转成 Markdown 表格列为设备名称、数量、单位、备注不要新增内容。」4.2 新人融入场景上传资料加结构化提问两天摸清产品和行业新员工熟悉公司这件事痛点在信息分散产品手册厚、部门职责不清、内部系统繁琐、行业信息量大。资料给的思路是整合信息源但落地时要拆得更细。第一步是把能拿到的材料一次性上传——产品手册、组织架构说明、行业报告、竞品资料。上传之后不要问「帮我总结一下」而是问结构化问题「按产品线、目标客户、核心参数、典型应用四个维度把手册内容整理成一张表手册里没写的单元格填『未提及』。」填「未提及」这个要求很关键它会逼模型不编造同时给你一张缺口清单缺口就是你要去问同事的问题。第二步是生成提问清单。让模型读完材料后输出「我作为新人应该向导师确认的十个问题」这个用法很多人想不到实际非常好用——它读完材料后能指出材料里的空白处而空白处正是新人最容易踩空的地方。第三步是行业侧。开联网搜索问「电子元器件行业现状与未来趋势」让它给出一份带出处的概览然后自己点开两三个链接核对。注意这一步的产出只能作为谈资和背景不能直接写进内部材料出处必须自己过一遍。4.3 客户应答与内部沟通事实、影响、方案三段式客户沟通场景的难点不在信息查询在措辞。同一个意思说法不同客户的感受差很远。我固定用三段式模板事实、影响、方案。# 角色 你是一位有八年经验的客户成功经理语气专业、克制不谄媚。 # 任务 把下面这段内部说明改写成给客户的回复。事实部分照实说不要美化。 # 内部说明 {粘贴原始情况例如促销活动延期三天系统切换导致订单状态延迟更新} # 约束 1. 第一段只讲事实不加评价 2. 第二段说明对客户的具体影响给出时间预期 3. 第三段给两个可选方案让我自己选不要替我决定 4. 不出现「非常抱歉给您带来不便」这类空话 5. 全文 200 字以内。 # 输出格式 三段每段 23 句段间空行。这个模板同样适用于内部沟通里那些难开口的事。资料里的请假场景很典型项目上线前一周家里老人突发住院需要请三天假怕被理解成临阵脱逃。直接问「怎么写请假话术」得到的是套话把约束写进去才有效——加上「先说明我已完成的交接安排」「给出返岗后的补位计划」「语气平实不要煽情」这三条产出立刻能用。让模型给三个版本正式、平实、简短自己挑一个改两个字比从头憋半小时强。需要提醒的是这类场景的分寸模型给的是措辞草稿事情怎么办、假怎么请、责任怎么担仍然是自己的判断。把决策权交出去才是真正的风险。4.4 学习与代码场景把知识盲点拆成可验证的小问题学习场景的正确用法不是「给我讲讲机器学习」而是把盲点切成能被验证的小块。比如读一段自然语言处理的代码看不懂有效问法是「下面这段代码做了哪些步骤每一步的输入输出是什么如果我把它换成另一种写法哪一步最容易出错」贴着具体代码问答案就能落到能动手改的层面。代码调试也类似。贴报错原文、贴上下文、说清期望行为三样齐全定位速度比搜索引擎快得多。但有一条底线模型给出的修改建议必须自己跑一遍再提交尤其是涉及数据处理和边界条件的地方。它给的代码经常「看起来能跑」实际少一个空值判断。5. 避坑与排查五类最容易翻车的失效点及处置用了一段时间后会发现出问题的往往不是模型不会而是使用方式上的几个固定坑。下面五条是按踩坑频率排的。5.1 编造的数据被当成真值用出去现象方案里的数字、政策条文、行业排名看着专业一查全对不上甚至发文号都是拼出来的。原因模型的任务是生成看起来合理的内容不是保证事实正确。你越强调「写满」「写详细」它越倾向于补全细节。解决约束里写死「未提供的数据标注示例」输出后过一遍量级关和出处关对外文档里凡是带数字的句子逐句确认来源。政策类表述一律自己找原文不让模型代写文号和条款。5.2 字数够了但前后逻辑断裂现象一万字凑齐了读起来每节都对连起来发现第三节的假设和第七节的结论互相打架。原因分节生成时每节都是独立上下文模型看不到全局。你分二十次问它就给你二十个互不知情的小世界。解决第一阶段先定死目录和关键假设把「园区占地多少亩、日均处理多少件」这类全局参数写成一段「背景卡」每次提问都附在提示词开头。收尾时专门跑一次一致性检查「通读全文列出前后矛盾的地方。」5.3 上传的资料越了界现象为了省事把客户名单、内部合同、未公开的财务数据整份上传事后才想起这些不该外传。原因上传动作太顺手没人提醒风险。解决给自己定一条硬规矩——上传前先脱敏删掉姓名、联系方式、金额、编号只留结构和业务描述。判断标准很简单这份材料如果明天出现在公开场合你会不会睡不着。会就不要传。5.4 提示词越写越长反而走样现象约束列了十五条输出反而变得拘谨、答非所问甚至漏掉最关键的两条。原因约束之间会互相冲突比如同时要求「简洁」和「详尽」、「专业术语多」和「通俗易懂」。模型只能折中折中的结果就是四不像。解决约束控制在五条以内按重要性排序冲突的条目二选一。改的时候一次只改一条看输出变化别一口气全改否则出了问题都不知道是哪条引起的。5.5 把模型当搜索引擎时效信息不核现象问「今年某行业的市场规模」得到一个精确到小数点的数字一查是三年前的旧数据或者干脆是推演出来的。原因不带联网搜索的对话用的是训练时的知识它不会主动告诉你「这个数可能过期了」。解决凡涉及时间敏感的结论一律开联网搜索并要求逐条给出处出处点不开或者对不上的直接弃用。养成一个习惯它给的每个链接都点一次点不开就当没有。6. 验收与答辩用一份质检清单证明你真的会用它到这个阶段方案层面的东西都齐了能力边界、模式选择、提示词骨架、四阶段流水线、四类场景链路、五条避坑规则。但要做汇报或者交作业光说「我会用」不够得拿出可检查的证据。我一般准备两样东西一张产出质检表一段三分钟现场演示。质检表用来证明产出的可靠性四项指标每项都有明确合格线验收项合格线证据形式结构完整性章节编号连续无跳号无重号目录截图 编号列表数据可追溯每个数字要么有出处要么带「示例」标注统计结果逻辑自洽全局参数在各节一致无相互矛盾的结论一致性检查清单提示词可复用至少三条模板能换变量直接再用模板文件 两次不同项目的使用记录前三项可以半自动检查。交稿前跑一遍下面这个脚本能省掉大部分低级错误# doc_check.py 交稿前的三分钟自检 import re from pathlib import Path def check(path: str) - dict: text Path(path).read_text(encodingutf-8) # 去掉空白后统计正文字符数比 Word 字数更接近真实篇幅 chars len(re.sub(r\s, , text)) # 抓取二三级标题前的编号用于查重号与跳号 heads re.findall(r^#{2,3}\s*(\d(?:\.\d)?), text, flagsre.M) dup sorted({h for h in heads if heads.count(h) 1}) # 统计示例标注数量为 0 说明数据嫁接没做标注 sample text.count(示例) return {字数: chars, 标题数: len(heads), 重号: dup or 无, 示例标注: sample} if __name__ __main__: print(check(方案书.md))参数说明chars只统计非空白字符比编辑器字数更能反映真实篇幅heads的正则只认二级、三级标题的编号四级标题不参与检查dup为空说明编号没有重复跳号还得自己肉眼看一遍sample为 0 是最危险的信号意味着要么没有虚构数据要么虚构了但没标注两种情况都得回头查。演示环节我固定用三分钟做一件事现场拿一段新的需求从四段式模板开始到产出一个小节为止全程不切屏、不预演。评委看的不是你写得多快而是你知不知道该给什么输入、知不知道该在哪儿停下来核对。中间留一处刻意展示鉴别动作——比如让模型给个数据然后当场说明「这个数我会标示例正式版要换成调研值」这一句比讲十分钟原理管用。最后说个教训。早些年我做课程设计图省事让模型一次性写完整个文档交上去被问「这个参数依据是什么」当场答不上来那种尴尬记到现在。从那以后我每次用它都强制走一遍「先定背景卡、再分节生成、最后跑一致性检查」这三步一步不落。工具再强判断力还是得长在自己身上。希望这套流程能帮到你。本文还有配套的精品资源点击获取 
长河君 · 2026/10/30 8:34:32 · 阅读 1.2k DeepSeek提示词工作流：能力边界、模式选择与方案书落地
简介这份PDF面向希望借助AI提升效率的上班族、学生及普通用户围绕DeepSeek的能力图谱与典型应用展开覆盖工作文档生成、学习辅导、职场沟通、社交互动与生活应急处置等场景并强调提示词驱动和答案鉴别两大关键。包内共1个PDF文件约4.84MB内容集中、便于按主题查阅整体适合入门读者与进阶用户参考。已有2291人学习说明其对入门与实战参考具有一定吸引力。读者可从中了解DeepSeek在文本创作、语义理解、推理分析、多语言翻译和多模态处理中的用法学习用分阶段提问、框架复制、模块填充与格式优化完成长文写作和方案草拟也能认识联网搜索、文件上传、深度思考等功能边界建立对AI输出的批判性判断让工具真正服务于个人成长与时间管理。1. 从一份读不下去的 PDF 说起普通人抓 DeepSeek 红利真正卡在哪下午三点接到通知晚上要交一份一万字的智能物流园区方案书手头只有几页零散的会议记录和一个过时模板——这是模拟项目X里最常见的一幕。那份《普通人如何抓住DeepSeek红利.pdf》翻了两遍能力图谱、深度思考、场景案例都写得挺全可真正动手时还是卡在同一个地方不知道该问什么问完也不知道该信哪一句。所谓 DeepSeek 红利落到普通人身上并不是多背几个功能名而是把「提问」和「鉴别答案」做成两个固定动作。这篇按一份可交付方案的路子写先划清能力边界再设计提示词骨架和写作流水线然后把职场文档、新人融入、客户应答、生活沟通四类场景拆成能照抄的链路最后给出一张验收清单让你在汇报或答辩时拿得出证据而不是只会说「我用过」。2. 能力边界判定九个能力项、四类任务与一个模式选择规则很多人第一次打开对话界面输入「帮我写个方案」得到一段四平八稳的空话于是判断「这东西也就这样」。问题不在模型在于没有先做能力对号。这份资料里那张能力图谱信息量很大但图谱是给做产品的人看的普通人需要的是一张「什么活该交给它、什么活不该交」的判定表。2.1 能力清单把图谱拆成可勾选的九项把资料里的能力图谱按输入要求重新归并能得到下面这张表。左边是能力项中间是它擅长接的活右边两列是关键——「需要你提供什么」决定了你能不能启动「不建议用的场合」决定了你会不会翻车。能力项典型任务需要你提供的输入不建议用的场合文本生成文章、故事、诗歌、营销文案、广告语、社交媒体内容、剧本对话主题、受众、字数、语气需要对事实负全责的对外定稿摘要与改写长报告与论文摘要、文本简化、多语言翻译与本地化原文、目标读者层级合同条款、法务措辞的最终版本结构化生成表格与清单、日程安排、菜谱、代码注释与文档字段名、行数、单位、排序规则需要精确到个位的统计口径语义分析情感倾向、意图识别、实体抽取、主题标签、垃圾内容检测样本、标签定义、判断标准没有标注标准的主观评价知识推理因果分析、概念关联、逻辑题、数学运算、常识推理前提条件、约束边界超出公开知识范围的新事实代码能力补全、注释、单元测试草稿、报错解释、格式转换语言与版本、报错原文、输入输出样例直接上生产的关键路径多模态读取上传 PDF、图片读取其中的文字与表格清晰的源文件手写体、低分辨率扫描件联网搜索行业动态、公开资料整合、竞品信息梳理明确的检索问题与时间范围需要内部数据支撑的判断深度思考多步推理、方案比选、复杂任务拆解、流程优化完整背景、目标、可用资源一句话就能答完的简单问答看这张表的方式是反着用先看你手里的活落在哪一行再看「需要你提供什么」这一列你有没有货。有货就交给它没货就先补输入。绝大多数「AI 写得不行」的抱怨本质是输入栏里只有一句话。2.2 模式选择普通对话、联网搜索、深度思考、文件上传怎么选同一个问题用错模式结果差一个量级。判断规则其实只有三个变量这件事是否需要外部时效信息是否需要多步推理是否有现成的材料要读。把这三个变量写成判断函数选模式就不再靠感觉。# mode_picker.py 输入三个布尔判断输出建议使用的模式 def pick_mode(need_fresh_info: bool, need_reasoning: bool, has_material: bool) - str: need_fresh_info: 结论是否依赖近期公开信息行业动态、竞品发布、价格 need_reasoning: 是否需要多步拆解或方案比选不是一句话能答完 has_material: 是否有 PDF、报告、会议记录等材料要读 if has_material and need_reasoning: return 上传文件 深度思考先让它读材料再让它拆结构 if has_material: return 上传文件只做摘要、抽取、比对不要让它自由发挥 if need_fresh_info and need_reasoning: return 联网搜索 深度思考先检索再推理答案逐条给出处 if need_fresh_info: return 联网搜索只问事实型问题问完自己点开原链接核一遍 if need_reasoning: return 深度思考把背景、目标、约束一次写全别挤牙膏 return 普通对话改写、润色、短问答越快越好 if __name__ __main__: print(pick_mode(need_fresh_infoFalse, need_reasoningTrue, has_materialTrue)) # 输出上传文件 深度思考先让它读材料再让它拆结构这段代码不是让你真的去调用什么接口它是把「选模式」这件事从玄学变成三个是非题的思维工具。参数怎么改把has_material当成「我手上有没有能贴进去的原文」有就一律先上传need_reasoning的判定标准是「我自己写要不要想十分钟以上」要就开深度思考need_fresh_info最容易被误判凡是涉及「今年」「最新」「现在多少钱」的问题都算真答完必须自己核。有一点值得单独说深度思考模式不是万能的。资料里那份「香料三重奏」式的拆解示例展示的是它在多步推理上的表现——结构解构、味觉分层、技法说明层层递进这种任务开深度思考是加分的。但你问「帮我把这句话改得客气点」开深度思考只会让你多等半分钟等的过程中还容易怀疑自己是不是用错了工具。2.3 鉴别答案三道关卡拦住看起来很像真的错资料里把「提出问题」和「鉴别答案」并列为善用 DeepSeek 的两大关键后半句才是真正拉开差距的地方。我给自己的规矩是三道关卡任何要交给别人的产出都得过。第一道是量级关。凡是数字先问一句「这个数在现实里合理吗」。五十万件日均包裹量配几台分拣设备稍微算一下就知道对不对。模型给的数字往往在形式上完全正确、在量级上离谱得很。第二道是出处关。涉及政策、标准、行业数据的表述要求它把出处单独列一行。列不出来或者列得含糊的一律按「待核实」处理绝不能直接贴进对外文档。血泪经验是一份材料里混进一条编造的发文号整份材料的可信度就会被一起拖下水。第三道是自洽关。把长文从头到尾读一遍专门找前后矛盾。前面写「园区占地五百亩」后面表格里按八百亩算面积这种错模型自己发现不了。我一般的做法是让它在文末自己列「本文可能被质疑的五个点及应对答案」这一步相当于给自己找了个审稿人能捞回不少漏洞。3. 提示词骨架设计四段式结构与一万字方案的四阶段流水线提示词这件事被讲得太神秘了。实际有效的做法就两条把要求写全把格式定死。资料里那句「利用提示词创造知识」翻译成可执行的话就是——你负责给边界它负责在边界内铺内容。3.1 四段式骨架角色、任务、约束、输出格式我用了很久的一套骨架是四段角色、任务、约束、输出格式。四段缺一段输出质量就往下掉一档。缺角色语气飘缺任务跑题缺约束字数失控、套话连篇缺输出格式你得自己花二十分钟排版。# 角色 你是一位做过十年智慧园区方案的主笔熟悉自动化立体仓库、AGV 调度、 冷链专区的常规技术参数与常见配置口径。 # 任务 写「2.1 功能分区」一节覆盖自动化立体仓库、AGV 调度中心、冷链专区三块内容。 # 约束 1. 每块给出 3 条技术参数参数必须带单位 2. 我没有提供的数据一律标注「示例」不要编造厂家名称与发文号 3. 不使用「综上所述」「随着……的发展」这类套话 4. 每段控制在 46 行不要写成一行一句。 # 输出格式 小标题 Markdown 参数表列为分区、关键设备、参数、备注 100 字说明。逐段说明怎么改。角色段要写「做过什么」而不是「你是一个 AI」越具体越收敛写「十年经验的方案主笔」比写「专业写手」有用得多。任务段的关键是范围词写清「写哪一节、覆盖哪几块」不写范围它就会自作主张给你写一整章。约束段是整份提示词里最值钱的部分编号写别用顿号串成一长句编号的约束模型会逐条对照串句的约束它只当氛围。输出格式段决定你后面省多少时间表格、编号、字数都写死粘贴进文档基本不用返工。一个常见的误用是把约束写成愿望「请你尽量专业一点」「希望能有深度」。这类形容词模型没法执行。换成可验证的描述「每条参数带单位」「每节不少于三个数据点」「不出现第一人称」效果立刻不一样。3.2 一万字方案书的四阶段流水线5-20-20-10 分钟怎么切资料里那个「一小时内写完一万字项目书」的场景很多人照着做会失败原因是顺序错了——大部分人从第一段开始精雕细琢写了八百字就发现时间没了。正确的做法是把写作拆成四个阶段先撑骨架再填肉最后才打磨皮肤。阶段时长目标产出指令要点通过标准一、框架5 分钟约 3000 字骨架只要二级、三级目录不要正文章节编号连续无重复无跳号二、填充20 分钟约 6000 字正文单节提问同类小节套同一模板每节至少一处数据或参数三、软性内容20 分钟约 1000 字风险、效益、实施保障分三次问数据带「示例」可核对四、优化格式10 分钟统一话术与版式改风格、转表格、找漏洞术语一致前后无矛盾第一阶段最容易犯的错是让模型「直接写一万字」。它会给出一篇结构松散、每节两百字的均匀文章改起来比重写还累。正确指令是只出目录「列出一份智能物流园区项目方案的完整目录二级标题不少于八个每个二级标题下列三个三级标题不要写正文。」拿到目录先自己扫一遍删掉不合适的、补上必须有的这一步花三分钟后面省半小时。第二阶段的核心技巧是模板复制。方案书里 3.1、3.2、3.3 往往是同构的章节用同一条指令模板只替换关键词产出的一致性能省掉大量统稿时间。单节指令长这样按以下模板写「{章节号} {章节名}」只输出这一节内容 1. 先给 80 字背景说明说明这一块解决什么问题 2. 再给一张表列为{列名1}、{列名2}、{列名3}、备注 3. 表后给 100 字说明配置依据 4. 我未提供的数据标注「示例」不要写厂家名。第三阶段处理那些「虚但必需」的部分——风险评估、效益测算、实施保障。这类内容的特点是必须有但没人细看。指令要写得非常具体「列出智能物流园区常见的三大技术风险每项配一百字应对方案」比「写一下风险」强十倍。效益测算要给出假设条件比如人工成本下降多少、分拣错误率下降多少让它按公式推推完你自己检查量级。第四阶段只剩三件事统一话术、把文字转成表格、让它自己挑毛病。第三步那个「列出三个可能被客户质疑的点并给出应对答案」的指令是整个流水线里性价比最高的一条往往能救回一两个致命漏洞。3.3 模板复用把提示词做成可拼装的变量写到第三个项目就会发现每次都在重敲同一段角色描述和同一串约束。把模板抽成常量、把变量做成参数是省时间的正路。下面这个脚本只做一件事把四段式模板拼成一段可直接粘贴的提示词。# prompt_builder.py 拼装四段式提示词的本地小工具 TEMPLATE # 角色 {role} # 任务 {task} # 约束 {constraints} # 输出格式 {output_format} def build(role: str, task: str, constraints: list, output_format: str) - str: # 约束逐条编号模型会按编号逐项对照 numbered \n.join(f{i 1}. {c} for i, c in enumerate(constraints)) return TEMPLATE.format( rolerole, tasktask, constraintsnumbered, output_formatoutput_format ) if __name__ __main__: prompt build( role十年经验的智慧园区方案主笔, task写 2.1 功能分区覆盖自动化立体仓库、AGV 调度中心、冷链专区, constraints[ 每块给出 3 条技术参数参数带单位, 未提供的数据标注示例, 不使用套话段落 46 行, ], output_format小标题 Markdown 参数表 100 字说明, ) print(prompt)参数说明role决定语气和专业词密度写具体职业比写「专家」有效task必须含范围词写清章节号和覆盖范围constraints传列表而不是长字符串函数会自动编号这是这套工具唯一的技术含量所在output_format决定你后续排版的时间成本能写表格就别写「分段叙述」。把常用场景各存一条摘要模板、改写模板、风险清单模板、客户应答模板。用到的时候改两个变量就行。这份资料里反复强调提示词驱动的新生产力落到实处其实就是这么几个可复用的文本文件。4. 场景落地从项目书、新人融入到客户应答的四条可复用链路能力边界和提示词骨架都搭好之后剩下的是把场景接上去。资料给了四个典型场景我按「输入—处理—输出—核对」四步把它们改写成能直接照抄的链路。4.1 项目书场景框架复制、模块填充、数据嫁接这是资料里讲得最细的一个场景三个关键词非常准确。框架复制指用同一套目录结构套不同项目改的是章节名留的是骨架模块填充指按小节单独提问不要把整章一起丢进去数据嫁接指在没有真实数据时让它生成合理的假设值并明确标注。数据嫁接这一步是风险最集中的地方。我的做法是固定一条规范所有生成数据后面必须跟「示例」三个字并在文末统一声明「文中标注示例的数据为推演假设正式版本需以实际调研数据替换」。这条规范要写进提示词约束里而不是事后手动补——模型不会主动替你标注。批量替换也有省事的办法把「示例」写进输出格式要求它就会老老实实每处都带上。另一个细节是格式伪装。资料里提到的「多用表格、编号列表、放大标题、调宽行距」是有道理的评审看方案第一眼是结构感。让模型把已经写好的文字段落转成表格比让它重新生成一遍更划算指令也简单「把上面这段设备配置描述转成 Markdown 表格列为设备名称、数量、单位、备注不要新增内容。」4.2 新人融入场景上传资料加结构化提问两天摸清产品和行业新员工熟悉公司这件事痛点在信息分散产品手册厚、部门职责不清、内部系统繁琐、行业信息量大。资料给的思路是整合信息源但落地时要拆得更细。第一步是把能拿到的材料一次性上传——产品手册、组织架构说明、行业报告、竞品资料。上传之后不要问「帮我总结一下」而是问结构化问题「按产品线、目标客户、核心参数、典型应用四个维度把手册内容整理成一张表手册里没写的单元格填『未提及』。」填「未提及」这个要求很关键它会逼模型不编造同时给你一张缺口清单缺口就是你要去问同事的问题。第二步是生成提问清单。让模型读完材料后输出「我作为新人应该向导师确认的十个问题」这个用法很多人想不到实际非常好用——它读完材料后能指出材料里的空白处而空白处正是新人最容易踩空的地方。第三步是行业侧。开联网搜索问「电子元器件行业现状与未来趋势」让它给出一份带出处的概览然后自己点开两三个链接核对。注意这一步的产出只能作为谈资和背景不能直接写进内部材料出处必须自己过一遍。4.3 客户应答与内部沟通事实、影响、方案三段式客户沟通场景的难点不在信息查询在措辞。同一个意思说法不同客户的感受差很远。我固定用三段式模板事实、影响、方案。# 角色 你是一位有八年经验的客户成功经理语气专业、克制不谄媚。 # 任务 把下面这段内部说明改写成给客户的回复。事实部分照实说不要美化。 # 内部说明 {粘贴原始情况例如促销活动延期三天系统切换导致订单状态延迟更新} # 约束 1. 第一段只讲事实不加评价 2. 第二段说明对客户的具体影响给出时间预期 3. 第三段给两个可选方案让我自己选不要替我决定 4. 不出现「非常抱歉给您带来不便」这类空话 5. 全文 200 字以内。 # 输出格式 三段每段 23 句段间空行。这个模板同样适用于内部沟通里那些难开口的事。资料里的请假场景很典型项目上线前一周家里老人突发住院需要请三天假怕被理解成临阵脱逃。直接问「怎么写请假话术」得到的是套话把约束写进去才有效——加上「先说明我已完成的交接安排」「给出返岗后的补位计划」「语气平实不要煽情」这三条产出立刻能用。让模型给三个版本正式、平实、简短自己挑一个改两个字比从头憋半小时强。需要提醒的是这类场景的分寸模型给的是措辞草稿事情怎么办、假怎么请、责任怎么担仍然是自己的判断。把决策权交出去才是真正的风险。4.4 学习与代码场景把知识盲点拆成可验证的小问题学习场景的正确用法不是「给我讲讲机器学习」而是把盲点切成能被验证的小块。比如读一段自然语言处理的代码看不懂有效问法是「下面这段代码做了哪些步骤每一步的输入输出是什么如果我把它换成另一种写法哪一步最容易出错」贴着具体代码问答案就能落到能动手改的层面。代码调试也类似。贴报错原文、贴上下文、说清期望行为三样齐全定位速度比搜索引擎快得多。但有一条底线模型给出的修改建议必须自己跑一遍再提交尤其是涉及数据处理和边界条件的地方。它给的代码经常「看起来能跑」实际少一个空值判断。5. 避坑与排查五类最容易翻车的失效点及处置用了一段时间后会发现出问题的往往不是模型不会而是使用方式上的几个固定坑。下面五条是按踩坑频率排的。5.1 编造的数据被当成真值用出去现象方案里的数字、政策条文、行业排名看着专业一查全对不上甚至发文号都是拼出来的。原因模型的任务是生成看起来合理的内容不是保证事实正确。你越强调「写满」「写详细」它越倾向于补全细节。解决约束里写死「未提供的数据标注示例」输出后过一遍量级关和出处关对外文档里凡是带数字的句子逐句确认来源。政策类表述一律自己找原文不让模型代写文号和条款。5.2 字数够了但前后逻辑断裂现象一万字凑齐了读起来每节都对连起来发现第三节的假设和第七节的结论互相打架。原因分节生成时每节都是独立上下文模型看不到全局。你分二十次问它就给你二十个互不知情的小世界。解决第一阶段先定死目录和关键假设把「园区占地多少亩、日均处理多少件」这类全局参数写成一段「背景卡」每次提问都附在提示词开头。收尾时专门跑一次一致性检查「通读全文列出前后矛盾的地方。」5.3 上传的资料越了界现象为了省事把客户名单、内部合同、未公开的财务数据整份上传事后才想起这些不该外传。原因上传动作太顺手没人提醒风险。解决给自己定一条硬规矩——上传前先脱敏删掉姓名、联系方式、金额、编号只留结构和业务描述。判断标准很简单这份材料如果明天出现在公开场合你会不会睡不着。会就不要传。5.4 提示词越写越长反而走样现象约束列了十五条输出反而变得拘谨、答非所问甚至漏掉最关键的两条。原因约束之间会互相冲突比如同时要求「简洁」和「详尽」、「专业术语多」和「通俗易懂」。模型只能折中折中的结果就是四不像。解决约束控制在五条以内按重要性排序冲突的条目二选一。改的时候一次只改一条看输出变化别一口气全改否则出了问题都不知道是哪条引起的。5.5 把模型当搜索引擎时效信息不核现象问「今年某行业的市场规模」得到一个精确到小数点的数字一查是三年前的旧数据或者干脆是推演出来的。原因不带联网搜索的对话用的是训练时的知识它不会主动告诉你「这个数可能过期了」。解决凡涉及时间敏感的结论一律开联网搜索并要求逐条给出处出处点不开或者对不上的直接弃用。养成一个习惯它给的每个链接都点一次点不开就当没有。6. 验收与答辩用一份质检清单证明你真的会用它到这个阶段方案层面的东西都齐了能力边界、模式选择、提示词骨架、四阶段流水线、四类场景链路、五条避坑规则。但要做汇报或者交作业光说「我会用」不够得拿出可检查的证据。我一般准备两样东西一张产出质检表一段三分钟现场演示。质检表用来证明产出的可靠性四项指标每项都有明确合格线验收项合格线证据形式结构完整性章节编号连续无跳号无重号目录截图 编号列表数据可追溯每个数字要么有出处要么带「示例」标注统计结果逻辑自洽全局参数在各节一致无相互矛盾的结论一致性检查清单提示词可复用至少三条模板能换变量直接再用模板文件 两次不同项目的使用记录前三项可以半自动检查。交稿前跑一遍下面这个脚本能省掉大部分低级错误# doc_check.py 交稿前的三分钟自检 import re from pathlib import Path def check(path: str) - dict: text Path(path).read_text(encodingutf-8) # 去掉空白后统计正文字符数比 Word 字数更接近真实篇幅 chars len(re.sub(r\s, , text)) # 抓取二三级标题前的编号用于查重号与跳号 heads re.findall(r^#{2,3}\s*(\d(?:\.\d)?), text, flagsre.M) dup sorted({h for h in heads if heads.count(h) 1}) # 统计示例标注数量为 0 说明数据嫁接没做标注 sample text.count(示例) return {字数: chars, 标题数: len(heads), 重号: dup or 无, 示例标注: sample} if __name__ __main__: print(check(方案书.md))参数说明chars只统计非空白字符比编辑器字数更能反映真实篇幅heads的正则只认二级、三级标题的编号四级标题不参与检查dup为空说明编号没有重复跳号还得自己肉眼看一遍sample为 0 是最危险的信号意味着要么没有虚构数据要么虚构了但没标注两种情况都得回头查。演示环节我固定用三分钟做一件事现场拿一段新的需求从四段式模板开始到产出一个小节为止全程不切屏、不预演。评委看的不是你写得多快而是你知不知道该给什么输入、知不知道该在哪儿停下来核对。中间留一处刻意展示鉴别动作——比如让模型给个数据然后当场说明「这个数我会标示例正式版要换成调研值」这一句比讲十分钟原理管用。最后说个教训。早些年我做课程设计图省事让模型一次性写完整个文档交上去被问「这个参数依据是什么」当场答不上来那种尴尬记到现在。从那以后我每次用它都强制走一遍「先定背景卡、再分节生成、最后跑一致性检查」这三步一步不落。工具再强判断力还是得长在自己身上。希望这套流程能帮到你。本文还有配套的精品资源点击获取