如何使用 DeepSeek v3 和 R1：推理和聊天任務的提示技巧
更新於 2025年9月28日
6 分鐘
如何使用 DeepSeek v3 和 R1：針對推理和聊天任務的 Prompting
如果您曾經過度設計 Prompt，結果卻得到更差的答案，那麼您並不孤單。對於像 DeepSeek R1 這樣以推理為先的模型，以及像 DeepSeek v3 這樣的高吞吐量聊天模型，舊的策略（冗長的 Prompt、大量的鏈式思考誘導）通常會適得其反。本指南將準確地向您展示如何針對推理和聊天任務 Prompt DeepSeek v3 和 R1——哪些應該保持簡單，何時應該搭建結構，以及如何調整設定以獲得穩定、準確的結果。
風格說明：實用且以解決方案為導向。我們將專注於有效的方法，提供可直接複製貼上的模式和防護措施。
- 當您需要穩健的多步驟推理、證明和複雜的規劃時，請使用 DeepSeek R1。
- 對於快速、準確的聊天、程式碼協助、起草和大規模的通用問答，請使用 DeepSeek v3。
- 不要強迫鏈式思考。而是要求「最終答案」、「簡要理由」或結構化輸出。
- 保持 Prompt 簡短明瞭；僅在必要時添加約束和評估標準。
- 從零樣本開始；僅當您看到一致的失敗模式時才添加少數樣本範例。
DeepSeek R1 與 v3 的區別
- DeepSeek R1：一種針對推理進行優化的模型，旨在「先思考再回答」，從而減少了對明確的逐步 Prompting 的需求。許多平台和文件建議避免鏈式思考的要求；零樣本通常最適合 R1。
- DeepSeek v3：一種快速、強大的 MoE 聊天模型（總共 671B 個參數；每個 token 活躍 37B 個參數），旨在以出色的成本效益、熟悉的 API 人體工學和現代模型品質來處理通用語言任務。官方文件展示了 OpenAI 風格的 API 用法。
在實踐中：
- 選擇 R1 處理：數學文字題、策略分解、多重約束規劃、具有潛在步驟的棘手推理。
- 選擇 v3 處理：客戶聊天、程式碼審查、重寫、摘要和快速迭代迴圈。
黃金法則：不要過度 Prompt 推理模型
像 R1 這樣的推理模型已經執行內部審議。強迫鏈式思考（「逐步思考並展示您的推理」）通常會增加冗長性，可能會分散模型的注意力，並且在某些設定中可能不鼓勵這樣做。相反，請使用：
- 「提供最終答案和簡要解釋。」
- 「給出答案，然後列出導致您得出該答案的 3 個關鍵因素。」
- 「僅返回結果以及 2 句話的理由。」
這與簡單的零樣本 Prompt 可能與 R1 的複雜逐步指示一樣有效（甚至更好）的指導一致。
有效的 Prompting 模式
1) 零樣本、極簡主義（首次嘗試 R1 的最佳選擇；也適用於 v3）
目標：以最小的約束解決一個重要的問題。
Prompt 模板：
您是一位細心的問題解決者。問題：{task}指示：提供最終答案和簡潔的理由（最多 3 句話）。為什麼有效：它鼓勵內部推理，同時保持輸出集中且簡短。
2) 受約束的輸出（適用於 API、可靠性或自動化）
當您需要可預測的格式時使用。
Prompt 模板：
系統：您必須僅返回有效的 JSON。使用者：用 5 個要點總結此文件，並包含一個風險和一個機會。返回 JSON：{"bullets": . 新聞/模型說明重點介紹了 v3 的效率和規模，而模型卡片提供了更多背景資訊。根據使用案例選擇 DeepSeek v3 和 R1
- 客戶支援聊天：v3 用於速度和成本；添加少數樣本範例以符合語氣和政策。
- 分析師簡報和決策備忘錄：R1 用於更高完整性的推理；設定「簡要理由」約束。
- 程式碼審查和重構計劃：v3 非常適合快速迭代；當您需要對權衡進行深入推理時，請使用 R1。
- 具有約束的數學、邏輯、排程：R1 通常表現出色。
- 大規模摘要或重寫管道：v3 用於吞吐量。
有關在 RAG 助手中使用 R1 構建的教程，請參閱社群和教程文章，其中展示了端到端模式、針對 v3 的程式碼導向範例，以及透過社群堆疊進行的本地實驗。
安全處理推理內容
- 不要要求完整的鏈式思考。如果您需要透明度，請請求簡短的理由或關鍵因素列表。
- 對於敏感領域，請包含政策行：「如果您不確定或任務可能造成危害，請提出澄清問題或拒絕。」
- 為數值任務添加驗證 Prompt：「在回答之前仔細檢查算術。」
這反映了 R1 風格模型的常見最佳實踐指導：最小的 Prompting、避免鏈式思考誘導，並依賴模型的內部推理。
Prompt 庫：可直接複製的程式碼片段
A) 複雜規劃 (R1)
目標：為 1,000 名使用者規劃一個為期 6 週的產品 beta 版，並儘量減少流失。
返回：
- 里程碑（每週）
- 主要風險（最多 5 個）
- 緩解措施（每個風險一個） 約束：總字數控制在 200 字以內。
### B) 政策敏感型聊天 (v3)系統：您是一位樂於助人、符合政策的助手。如果請求與政策衝突，請提出澄清問題或提供安全的替代方案。
使用者：為延遲的訂單起草退款回覆。保持同理心，並提供兩個選項。
### C) 數學/邏輯 (R1)解決以下問題。提供最終答案和 2 句話的檢查。
問題：{word problem}
### D) 程式碼審查 (v3)您是一位資深的 Python 審閱者。分析程式碼片段的效能和可讀性。
返回：
- 問題（要點）
- 修復（要點）
- 範例重構（<=30 行）
### E) 將資料提取到 JSON (v3)系統：僅返回有效的 JSON。
使用者：從文字中提取公司、收入和總部。如果遺失，請使用 null。
Schema: {"company":"string","revenue":"string|null","hq":"string|null"}
Text: {paste}
疑難排解：當輸出漂移或產生幻覺時
- 太冗長？降低 max tokens 或添加「最多 120 個字」。
- 格式不一致？添加僅限 JSON 的系統 Prompt 和停止序列。
- 錯誤的假設？添加一行約束：「如果不確定，請提出 1 個澄清問題。」
- 數學錯誤？添加「在最終回答之前仔細檢查算術。」
- 脆弱的鏈式任務？將其分成兩個呼叫：計劃 → 執行。
API 快速入門（概念性）
- 端點和金鑰管理遵循 OpenAI 風格的介面。預期會有標準欄位，例如
model、messages、temperature、max_tokens和串流選項。
- DeepSeek v3 的具體細節和效能聲明總結在官方新聞/模型更新和模型卡片中。
值得注意的是：使用 Sider.AI 進行 Prompt 迭代
如果您正在快速探索模式——測試零樣本與少數樣本、切換格式或比較 R1 與 v3 的回應——覆蓋助手可以加快迴圈。順便說一句，Sider.AI 可以輕鬆地在單一工作流程中跨頁面和工具起草、迭代和 A/B 測試 Prompt，因此您可以專注於最適合您任務的最小 Prompt 。
主要要點
- 對於 DeepSeek R1，首選最小的零樣本 Prompt；避免明確的鏈式思考請求。
- 對於快速、可擴展的聊天和結構化任務，請使用 DeepSeek v3；依靠受約束的格式來提高可靠性。
- 僅添加少數樣本範例以更正一致的失敗模式。
- 使用 JSON Schema、簡短的系統 Prompt 和停止序列來強制執行結構。
- 對於複雜的推理，請要求最終答案加上簡要理由，而不是完整的推理日誌。
常見問題解答
Q1：我應該在什麼時候選擇 DeepSeek R1 而不是 DeepSeek v3？
對於多步驟推理、複雜規劃和數學/邏輯任務，請選擇 DeepSeek R1。對於快速、通用的聊天、起草、程式碼協助和高吞吐量管道，請選擇 v3。
Q2：我應該將鏈式思考 Prompting 與 DeepSeek R1 一起使用嗎？
否。指導建議避免明確的鏈式思考，而應依賴模型內建的推理。請改為要求提供最終答案和簡要理由。
Q3：如何從 DeepSeek v3 獲得一致的 JSON？
使用強制僅限 JSON 的簡短系統 Prompt，定義嚴格的 Schema，並可選擇設定停止序列。降低溫度並限制 max tokens 以限制漂移。
Q4：推理任務應該使用什麼溫度？
從低溫 (0.0–0.3) 開始，以實現確定性和評估。對於起草或程式碼編寫中平衡的創造力，請提高到 0.4–0.7；對於腦力激盪，請使用更高的值。
Q5：我可以在本地執行 DeepSeek 模型嗎？
社群設定可用於實驗，但生產通常使用託管 API 來實現穩定性和效能。請查看模型卡片和社群指南以獲取本地說明。
