DeepSeek提示词设计：从幻觉避免到Manus智能体编排

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应用爱好者。内容从提示词本质切入讲解DeepSeek-R1与V3在推理型和非推理型上的不同性格并给出差异化提问策略推理模型侧重目标清晰、结果可模糊非推理模型则需角色设定、样本提示与结构化指令。资料还结合六何分析法、Few-shot少量样本提示等技巧演示如何让DeepSeek生成炫酷图表与动画同时剖析其优点与缺陷帮助读者识别并规避幻觉问题并延伸谈及Manus智能体的应用思路。资源包共1个pptx文件约1.05MB以幻灯片形式呈现便于按章节浏览与课堂分享。目前已有75人学习适合需要提升提示词工程能力、减少模型胡编乱造、并将DeepSeek落地到文档、策划、辅导等场景的读者参考。1. 一份 50 页 PPT 把 DeepSeek 提示词讲透了从幻觉避免到 Manus 智能体很多人拿到 DeepSeek 之后第一反应是「这不就是聊天框吗说人话就行」结果真到写方案、出图表、调代码的时候输出要么空泛要么一本正经地胡说。这份《DeepSeek 提示词设计、幻觉避免与应用50页PPT》就是冲着这个落差来的——它不讲大模型原理而是把「提示词 向 AI 注入预先默契」这件事拆成可操作的策略覆盖推理模型与非推理模型的性格差异、六何分析法补全背景、Few-shot 样本提示、幻觉成因与规避最后延伸到 Manus 这类智能体的编排思路。适合三类人天天用 DeepSeek 写文档做汇报的职场人、想给孩子辅导作业的家长、以及正在搭智能体或做 AI 应用开发、被幻觉率折磨的工程师。50 页的体量不大但每一页都对应一个能立刻上手的动作不是概念科普。2. 先分清 R1 和 V3 的「性格」提示词策略为什么不能一套通吃2.1 推理型与非推理型的本质差异这份 PPT 里最值钱的一张对比表是把模型分成「思考型」和「直觉型」两类。DeepSeek-R1、OpenAI o1/o3 属于推理型它的工作方式是用户输入提示词 → 通过思维链CoT分析问题 → 给出最终答案中间会显示「思考中…」输出时附带解题思路。DeepSeek-V3、GPT-4.5、Kimi K1.5 属于非推理型响应速度极快像知识丰富的朋友直接给答案。PPT 里有个很形象的比喻推理模型像有草稿纸的学生非推理模型像知识丰富的朋友。这个差异直接决定了提示词该怎么写。推理型模型自己会做过程拆解你不需要手把手教它「逐步思考」反而过多干预会干扰它的推理路径非推理型模型需要你把「过程-结果」讲清楚用指令驱动。我见过最常见的翻车就是拿写 V3 的那套提示词去喂 R1塞了一堆「请一步一步思考」结果 R1 的思维链被这些冗余指令带偏输出反而更啰嗦。2.2 两类模型的提示词写法对照PPT 给了一张策略对照我把它整理成可抄的表格策略维度推理型R1非推理型V3角色设定不太需要仍然需要样本提示Few-shot谨慎提供仍然需要背景信息充分提供充分提供思维链提示不需要自带需要中间过程结构化提示词谨慎使用推荐过多解释避免可接受分隔符提高清晰度推荐推荐手把手教学避免可接受详细最终目标与格式推荐推荐重复「逐步思考」避免可用这张表的核心逻辑是推理模型已经内置了 CoT你再叠加思维链提示就是重复劳动甚至互相打架非推理模型没有草稿纸你得把过程补上。所以同一句「帮我分析这个季度的销售数据」在 R1 里可以直接问在 V3 里最好补上「先按区域拆分再对比同比最后给出三条可执行建议」。2.3 使用场景怎么选PPT 给了场景分流推理型适合辅导孩子数学、调试程序代码、时间不敏感但准确性敏感、追求逻辑性的任务非推理型适合日常闲聊、知识问答、追求快速响应、准确性不敏感的场景。这个划分不是绝对的但有个判断口诀——需要「想清楚再答」的用 R1需要「马上给结果」的用 V3。比如写口播文案V3 秒出初稿R1 适合用来做文案的逻辑审查和完播率优化建议。提示不要用「哪个更强」来判断选型要用「这个任务需不需要草稿纸」来判断。需要多步推理、有中间验证环节的选推理型单轮问答、格式转换、快速起草的选非推理型。3. 六何分析法补全背景让 DeepSeek 不再答非所问3.1 为什么「说人话」不够用PPT 里有个反直觉的结论AI 越来越聪明提示词依然重要。原因是人类的预先默契——你跟同事说「帮我写个推广文案」同事知道公司卖什么、目标人群是谁、投在哪个平台但 AI 不知道。提示词就是把这些默契显式注入。PPT 引用了六何分析法5W1H何故Why、何事What、何时When、何人Who、何处Where、何以How。举个 PPT 里的原例为了提升销量何故我公司决定在自媒体上做 X 产品推广何事时间为中秋节期间何时针对 18-35 岁年轻白领何人主要平台为小红书何处提供 500 字口播文案要求完播率高、不生硬、植入软广、结合节日需求何以。这六个要素一补齐输出质量立刻不一样。3.2 六何分析法的实操模板我把这个框架做成一个可复用的提示词模板直接填空即可【何故】本次任务的目的是______ 【何事】需要你完成的具体任务是______ 【何时】时间背景/时效要求是______ 【何人】目标受众/使用者是______ 【何处】使用场景/发布平台是______ 【何以】输出要求字数______风格______必须包含______避免______逻辑说明前五项是背景注入解决「AI 不知道上下文」的问题第六项「何以」是输出约束解决「AI 不知道你要什么格式」的问题。参数说明字数建议给区间而不是精确值比如「400-600 字」给精确值反而会让模型为了凑字数牺牲质量风格描述用具体参照物比如「像给同事发微信的语气」比「轻松活泼」更可执行。3.3 一个真实对比手机屏幕变暗问题PPT 里用了一个特别接地气的例子。问「为什么我的手机屏幕突然变暗了」DeepSeek 给了一堆通用原因自动亮度调节、电池节省模式、软件问题、硬件问题。这个回答没错但没用。换成带背景的提问「最近天气很热经常 40℃ 以上我的苹果手机在太阳下晒一会儿屏幕自动变暗调也调不亮这是什么原因扮演我同事的语气用简洁的回答帮我解决这个问题。」输出立刻聚焦到温度触发的过热保护机制而且语气也对了。这个例子的价值在于它证明了提示词不是「把问题写长」而是「把 AI 不知道的背景补上」。温度、机型、触发条件、期望语气这四个信息缺一个输出就会跑偏。3.4 Few-shot 样本提示怎么用PPT 里第二个技巧是「举些例子」Few-shot 少量样本提示。原理很简单与其描述你要什么不如给一两个样例让模型模仿。比如你要写产品差评回复与其说「语气要诚恳但不卑微」不如直接给两条范例参考以下回复风格为我写一条针对「物流太慢」的差评回复 范例1 您好看到您的反馈我们非常抱歉。物流延迟确实是我们的问题已经为您申请了补偿券下次下单可以直接抵扣。感谢您的耐心等待。 范例2 非常抱歉让您久等了。这批订单因为仓库爆仓出现了延迟我们已经加急处理您的包裹预计明天送达。给您带来的不便深表歉意。 现在请为这条差评写回复「下单一周了还没发货客服也不回消息。」逻辑说明Few-shot 的关键是范例要「同类型、同风格、同长度」给两个比给一个稳给三个以上边际收益递减。参数说明范例和正式任务之间用分隔符如---或空行隔开避免模型把范例当成任务的一部分。注意推理型模型对 Few-shot 要谨慎样本太多反而会限制它的推理空间一般给一到两个即可。4. 幻觉不是玄学DeepSeek 一本正经胡说八道的成因与规避4.1 幻觉从哪来PPT 里专门有一页讲「DeepSeek 并非完美搞清优点和缺陷」。幻觉的典型表现是编造不存在的引用、虚构数据、把相似概念混在一起、在缺乏知识时强行给答案。成因不复杂——模型是在预测「下一个最可能的词」当它没有足够上下文支撑时就会用「看起来合理」的内容填补空白。这不是 bug是概率生成的固有特性。我自己的血泪经验是让 DeepSeek 写行业报告它给了一组「2024 年某细分市场规模 327 亿元」的数据来源标注得像模像样一查根本不存在。从那以后凡是涉及具体数字、引用、法条的输出我都强制走一遍人工核验。4.2 四类高频幻觉场景与对策PPT 的思路加上我的实操整理成这张排查表幻觉场景典型表现规避方法数据编造给出精确数字但无来源要求标注来源或明确说「不确定就说不确定」引用虚构编造论文、法条、链接只让它做逻辑分析引用自己补概念混淆把两个相似术语混用在提示词里给出术语定义过度延伸超出知识范围强行回答加边界约束「只基于我提供的信息回答」4.3 提示词层面的幻觉抑制写法最有效的一招是在提示词里显式加「不确定性声明」约束请基于以下我提供的信息回答问题。如果信息不足以回答请直接说「根据现有信息无法确定」不要推测或编造。回答中涉及具体数字时请标注该数字来自我提供的哪一段。 【我提供的信息】 ______逻辑说明这句话做了三件事——限定知识边界只用我给的、给出不确定时的标准话术避免它硬编、要求数字溯源方便你核验。参数说明「无法确定」这个话术要写死不要写「请谨慎回答」因为后者太模糊模型还是会编。如果你用的是 R1可以再加一句「先判断信息是否充分再决定是否作答」利用它的推理能力做自检。4.4 用 RAG 思路做知识兜底PPT 里提到了 RAG 知识库。对于需要准确性的场景比如企业内部问答、产品手册查询纯靠提示词约束不够得把知识库接进来。常见做法是先把文档切片存入向量库用户提问时先检索相关片段再把片段作为上下文塞进提示词。这样模型的回答有据可依幻觉率会明显下降。PPT 里没展开工程细节但思路是清晰的——提示词解决「怎么问」RAG 解决「基于什么答」两者配合才是完整方案。注意幻觉率和忠实度是两个指标。幻觉率低不代表忠实度高模型可能不编造但答非所问。评估时要同时看「有没有编」和「有没有答到点上」。5. 从提示词到智能体Manus 带来的编排启示5.1 智能体和提示词的关系PPT 最后一部分谈到了 Manus 智能体。很多人以为智能体是「更高级的提示词」其实不是。智能体是在提示词之上加了一层编排任务拆解、工具调用、多轮反思、结果验证。提示词是智能体的「单步指令」编排是「多步调度」。Manus 爆火的原因不是它的提示词多神而是它把「规划-执行-检查」这个循环做顺了。对一线工程师来说这意味着你写的每一条提示词未来都可能成为智能体某个节点的指令。所以提示词的可复用性、边界清晰度、输出格式稳定性比「写得漂亮」更重要。5.2 把提示词改造成智能体节点的写法如果你在搭智能体单个节点的提示词要满足三个条件输入明确、输出结构化、失败可判断。举个例子一个「文案生成」节点你是文案生成节点。输入是一个 JSON包含 product产品名、audience受众、platform平台、tone语气。 请输出一个 JSON包含 headline标题20字内、body正文300字内、cta行动号召15字内。 如果输入缺少任一字段输出 {error: missing_field, field: 字段名}不要猜测。 输入{product: 降噪耳机, audience: 通勤白领, platform: 小红书, tone: 轻松}逻辑说明结构化输入输出是为了让上下游节点能自动衔接error 分支是为了让编排层能判断这个节点是否失败并决定重试还是跳过。参数说明字段名要固定不要用同义词字数限制要写死方便下游做校验。这套写法在 Dify、Coze 这类智能体平台上直接可用。5.3 多智能体编排的提示词分工PPT 提到 Manus 的编排思路落到实操就是不同节点用不同「性格」的提示词。规划节点用推理型模型负责拆任务执行节点用非推理型模型负责快速产出检查节点用推理型模型负责挑错。这样分工的好处是各取所长坏处是链路变长、延迟增加。我的经验是三步以内的任务不值得上多智能体单模型加好提示词就够了超过五步、有明确验证环节的才考虑编排。6. 让 DeepSeek 出图表和动画提示词里的格式控制技巧PPT 里有一页专门讲「设计提示词让 DeepSeek 做炫酷图表和动画」这是很多人忽略的进阶用法。核心思路是不要让它「画图」而是让它「生成可渲染的代码」。比如你要一个流程图直接说「画个流程图」它只能给文字描述但你说「用 Mermaid 语法生成流程图代码」它就能输出可渲染的结构。同理要动画就让它生成 SVG 或 HTMLCSS 代码。我常用的一个模板请用 SVG 代码生成一个「鹈鹕骑自行车」的简笔画动画要求 1. 画面尺寸 400x300 2. 鹈鹕的嘴和自行车的轮子有简单动画 3. 代码可直接保存为 .svg 文件在浏览器打开 4. 不要引用外部图片或字体逻辑说明限定尺寸是为了避免输出过大或过小限定动画元素是为了让效果可控限定「可直接打开」是为了排除需要额外依赖的方案限定「不引用外部资源」是因为很多模型会引用不存在的图片链接导致打开是空白。参数说明如果你要的是静态图把「动画」去掉即可如果要更复杂的效果可以要求「用 HTMLCSSJS 单文件实现」但要注意代码长度会显著增加容易超出输出限制。验证方法很简单把生成的代码复制到本地SVG 存成.svgHTML 存成.html双击用浏览器打开。如果显示空白先看控制台报错大概率是引用了外部资源或者标签没闭合。我一般会让 DeepSeek 自己检查一遍「请检查上面的代码是否有未闭合的标签或外部依赖如有请修正后重新输出完整代码。」这一步能过滤掉大部分低级错误。从那以后我每次让 DeepSeek 生成可视化代码都强制走一遍「本地打开验证 让它自检」的流程省了大量来回返工的时间。希望帮到你。本文还有配套的精品资源点击获取