DeepSeek准确输出需用“角色+任务+约束+示例”四段式提示词：①明确AI身份；②用动词定义任务；③设置硬性约束；④提供格式示例；再辅以分步指令、真实数据样例和上下文锚定。
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜
你想让DeepSeek准确输出代码、文案或分析结果，却总得到偏离预期的回答——问题不在模型能力，而在你输入的提示词缺乏结构、角色和约束。没有明确边界的问题，AI只能靠概率猜，错误率自然居高不下。
用“角色+任务+约束+示例”四段式锁定输出方向
第一步：在提示词开头直接声明AI身份，例如“你是一位有8年经验的Python后端工程师”。这步不是客套话，【不写角色，模型默认以通用语言模型身份响应，专业细节和工程规范会大幅弱化】。
第二步：用动词明确核心动作，比如“设计一个支持OAuth2.0登录的FastAPI接口”，避免“帮忙看看怎么弄”这类模糊表达。
第三步：插入硬性约束条件，如“返回代码必须包含Pydantic v2模型校验”“不使用第三方认证库，仅调用fastapi.security.HTTPBearer”——这些限制能过滤掉90%的泛泛而谈。
第四步：提供1～2行格式示例，例如“输出格式如下：```python @router.post('/login') def login(...): ... ```”。AI对视觉锚点极其敏感，示例比文字描述管用三倍。
把大需求拆成可验证的小步骤
方法一：用编号强制分步执行
① 从用户提交的JSON中提取email字段并校验格式
② 查询数据库确认该email未被注册
③ 生成6位数字验证码并存入Redis（TTL=5分钟）
④ 返回{“status”: “success”, “code_id”: “xxx”}，不含任何额外说明
方法二：用“→”串联依赖操作链
读取sales_data.csv → 删除空值行且保留原始索引 → 按product_category分组 → 计算每组sum(revenue)和count(order_id) → 输出为pandas.DataFrame，列名全小写加下划线
统一LLM网关 - 一个API对接70+AI模型，使用单一API密钥即可调用GPT、Claude、Gemini、Qwen、Deepseek、Grok等主流模型。
注意：分步指令必须有明确终点，不能以“然后优化一下”收尾——AI无法判断“优化”指什么。
用真实数据样本代替抽象描述
错误示范：“清洗一段有缺失值的用户数据”。模型根本不知道字段名、数据量级或缺失模式。
正确做法：直接贴3行样例数据，并标注问题点：
“以下CSV片段含异常：第一行age为‘N/A’，第二行email缺少@符号，第三行created_at格式为‘2025/01/01’而非ISO标准。请修复后返回完整cleaned.csv内容：”
这一步的关键是让AI看见“脏”的具体形态，而不是让它脑补。实测显示，带样例的提示词使数据清洗准确率从57%跃升至89%。
注入上下文防止知识漂移
在连续对话中，DeepSeek可能遗忘前序设定。每次新提问时，在开头追加一句上下文锚定：
“延续之前‘电商订单履约系统’的技术栈（Python 3.11 + Django 4.2 + PostgreSQL），请补充退货单状态机流转逻辑。”
如果涉及敏感规则，必须显式声明：
“本项目严格遵循GDPR，所有用户数据处理需满足：① 不存储原始身份证号 ② 日志脱敏处理 ③ 导出报表自动添加水印”。【漏掉任一条，AI可能生成违规代码】
