从模糊到具体：高效使用DeepSeek-R1等推理型模型的前置步骤

从模糊到具体：高效使用DeepSeek R1等推理型模型的前置步骤 🔍 从模糊到具体：高效使用DeepSeek R1等推理型模型的前置步骤 Modified September 22, 2025 结论 通过以上案例的详细分析，我们可以总结出几点关键发现。 1、清晰的问题定义+具体的答案要求+推理模型 ≈ 预期理想答案 2、使用非推理模型“反问”挖掘盲区信息，将问题定义由模糊转向清晰，能得到实用的答案 3、问题定义优化器需要根据具体问题灵活调整 本文的提示词模板并不适用于所有情况，建议读者按照本文提出的优化思路，结合具体问题，自由探索。 参考文献 [1] 推理模型的Prompt [2] DeepSeek R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning [3] 李继刚 | 提示词的道与术 下期预告 🦄 针对本次提出的推理模型高效使用方法，我和我的小伙伴准备了一份在具体领域的使用案例集，同时将「优定 OptiDefine」发布为「微信小程序」，方便使用。 更多交流 如果您对AI模型应用技巧感兴趣，欢迎关注我的公众号「晏明AI」，我会持续分享AI、智能体Agent的知识、案例与落地场景，助你把握AI的红利。 感谢你能耐心读到这里！如果这篇文章对你有帮助，欢迎「点赞」支持。也期待你的「收藏」和「分享」，让更多人看到。期待与你在下一篇文章相遇！ 推理模型的Prompt DeepSeek R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning 李继刚 | 提示词的道与术 结论 通过以上案例的详细分析，我们可以总结出几点关键发现。 1、清晰的问题定义+具体的答案要求+推理模型 ≈ 预期理想答案 2、使用非推理模型“反问”挖掘盲区信息，将问题定义由模糊转向清晰，能得到实用的答案 3、问题定义优化器需要根据具体问题灵活调整 本文的提示词模板并不适用于所有情况，建议读者按照本文提出的优化思路，结合具体问题，自由探索。 参考文献 [1] 推理模型的Prompt 推理模型的Prompt [2] DeepSeek R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning DeepSeek R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning [3] 李继刚 | 提示词的道与术 李继刚 | 提示词的道与术 下期预告 🦄 针对本次提出的推理模型高效使用方法，我和我的小伙伴准备了一份在具体领域的使用案例集，同时将「优定 OptiDefine」发布为「微信小程序」，方便使用。 针对本次提出的推理模型高效使用方法，我和我的小伙伴准备了一份在具体领域的使用案例集，同时将「优定 OptiDefine」发布为「微信小程序」，方便使用。 更多交流 如果您对AI模型应用技巧感兴趣，欢迎关注我的公众号「晏明AI」，我会持续分享AI、智能体Agent的知识、案例与落地场景，助你把握AI的红利。 感谢你能耐心读到这里！如果这篇文章对你有帮助，欢迎「点赞」支持。也期待你的「收藏」和「分享」，让更多人看到。期待与你在下一篇文章相遇！ 🔗 原文链接： https://mp.weixin.qq.com/s/4LMhs18CyMBAZrmDZywgRw?token=468500359&lang=zh CN ⏰ 发布时间： 2025年02月14日 07:51(UTC+8) 作者：晏明AI 🔗 原文链接： https://mp.weixin.qq.com/s/4LMhs18CyMBAZrmDZywgRw?token=468500359&lang=zh CN ⏰ 发布时间： 2025年02月14日 07:51(UTC+8) 作者：晏明AI 💡 【问题不具体，不会有答案】 本文的作用是帮你把问题具体化，这是用好DeepSeek R1等推理型模型的前置步骤。 【问题不具体，不会有答案】 本文的作用是帮你把问题具体化，这是用好DeepSeek R1等推理型模型的前置步骤。 🔑 【太长不看版】你可以直接使用下面的“问题定义优化器”提示词或者“优定 OptiDefine”coze智能体、微信小程序，具体化你的初始问题和答案要求，再将优化后的“足够具体的问题”交给推理型模型处理，相信你会更高效地得到想要的答案。 “问题定义优化器”提示词 “优定 OptiDefine”coze智能体 、微信小程序 【太长不看版】你可以直接使用下面的“问题定义优化器”提示词或者“优定 OptiDefine”coze智能体、微信小程序，具体化你的初始问题和答案要求，再将优化后的“足够具体的问题”交给推理型模型处理，相信你会更高效地得到想要的答案。 “问题定义优化器”提示词 “优定 OptiDefine”coze智能体 、微信小程序 👋 【作者的个人说明书】 硅基世界指北的「说明书」 硅基世界指北的「说明书」 【作者的个人说明书】 硅基世界指北的「说明书」 硅基世界指北的「说明书」 背景 DeepSeek R1爆火出圈，如何高效使用推理型模型成为重要话题。秉承“问题不具体，不会有答案”的理念，在阅读了DeepSeek官方技术文档和李继刚老师的推理型模型prompt教程后，我提炼出一份具有普适性的“问题定义优化器”提示词。将其作为与大模型交互的前置步骤，经测试可显著提升不同模型的指令遵从度与输出质量，在DeepSeek R1等推理型模型中的表现尤其惊艳。 “问题定义优化器”提示词 原理 明确定义问题与答案要求 根据李继刚老师的思路： 根据推理型模型的训练方式来使用它，训练时只用了问题的背景信息（Q，代表起点），答案（A，代表终点）我们期望的理想回复。我们使用推理型模型，也应该按照它的训练模式来提供信息：只提供起点和终点，没有过程。 推理模型的特点就是它会推理，我们不要指手画脚的干预，要顺应它的天性，给它 Q 和 A。[1] 根据推理型模型的训练方式来使用它，训练时只用了问题的背景信息（Q，代表起点），答案（A，代表终点）我们期望的理想回复。我们使用推理型模型，也应该按照它的训练模式来提供信息：只提供起点和终点，没有过程。 推理模型的特点就是它会推理，我们不要指手画脚的干预，要顺应它的天性，给它 Q 和 A。[1] 对于问题（起点），我们提供的信息越丰富，则越接近「显式」 对于答案（终点），期望的高质量答案，可以用「抽象」和「具体」来描述 我认为输入给大模型的理想问题和答案要求应该是「显式」、「具体」的。这一观点可以从官方论文中得到佐证。[2] 基于以上信息，我希望通过“清晰定义问题”和“具体说明答案要求”，高效发挥“推理型模型”的强大推理能力。 我对推理型模型探索答案的过程做一个类比： 在内部路径复杂的迷宫的入口，一只工蚁找到一颗米粒，蚁后被固定在迷宫的出口，工蚁需要想尽办法将米粒带到蚁后那里。 推理型模型是一种被训练出来用于找出起点和终点之间路径的“工蚁”，我们要做的是设置好迷宫的入口和出口，等待它找出路径。 下面我将按照问题定义、答案要求模糊程度从高到低五个层次分别举例子。 在看完这些例子后，我相信你也会体会到清晰明确的问题定义和答案要求，一定会促进大模型输出符合实际情况、实用、高质量答案。 提示范式 显式定义问题，具体描述答案要求，不对获得答案的过程做定义。 提示范式逻辑推理过程： 1）遵循“只定义起点和终点，没有过程要求”的原则，使用推理模型仅关注输入问题定义、答案要求 2）理想的答案来自于「清晰」的问题定义、「具体」的答案要求输入，但是我们的输入往往是模糊的 3）使用“问题定义优化器”将模糊的问题转为具体、清晰的问题和答案要求 理解了方法原理后，让我们来看看具体怎么做。 问题定义优化器 使用方法 第一步 基于任意主流大模型（推荐使用非推理模型，Claude 3.5 Sonnet、GPT 4o、豆包、Kimi等也都可以），使用优化提示词，通过几轮的对话，将会产出一份“清晰的问题定义”和“具体的答案要求”。 第二步 将优化后的问题定义和答案要求，交给DeepSeek R1等推理型模型。 提示词模板 「优定 OptiDefine」智能体 基于我们提出的「问题定义优化器」提示词搭建的coze智能体、元宝微信小程序 https://yuanbao.tencent.com/chat/46GiC1Ptd5ka yuanbao.tencent.com https://doubao.com/bot/6UDyW7fV 优定 OptiDefine 豆包智能体 优定 OptiDefine 专注问题定义优化的智能助手。通过结构化对话，帮助你将模糊需求转化为清晰的问题定义和具体的答案要求，让AI模型更好地理解和服务你的需求。 案例讲解 🧠 下面我将用一个例子为你展示“问题定义优化器”在具体场景的效果，带着你走通高效使用推理模型的流程。 下面我将用一个例子为你展示“问题定义优化器”在具体场景的效果，带着你走通高效使用推理模型的流程。 当用户输入"想提高工作能力，感觉现在进步慢。给些建议、分享经验"这类模糊指令时，大模型难以准确理解用户的具体意图； 而如下的明确需求，模型将会聚焦具体需求给出回答。 "作为大数据后端工程师，寻求提升执行力以加速职业发展的具体方法。聚焦后端工程师所需的核心执行力，适合在每日3小时时间内完成的提升计划，符合大数据产品开发特点的实践方案。必须包含：后端工程师执行力的具体评估标准，6个月分阶段提升计划，基于实际工作的练习方案，可量化的进步指标。不应包含：过于理论的方法论，需要大量额外时间的建议，与大数据后端开发无关的通用建议。深度要求：提供具体的技术实践案例，包含时间管理的具体方法，设定明确的阶段性目标，给出执行力评估的具体标准。形式要求：6个月的阶段性计划，每日3小时的时间分配建议，周/月度进度检查清单，具体的技术实践任务。质量标准：可执行性：符合3小时/天的时间限制，相关性：直接关联大数据后端开发工作，可衡量：具有明确的进步评估标准，实用性：能在日常工作中直接应用" 未优化回答 「思考内容中藏着优化问题定义的方向」 直接将举例问题输入给DeepSeek R1，输出答案如下。 思考内容中推理了“需要理解用户的具体情况”、“考虑用户可能的职业背景”、“用户可能没有提到的深层需求是希望提升职业竞争力，或者为晋升做准备” 以上这些内容的不确定推着AI“做出更加通用一些”的答案，往往是不符合实际情况的回答。这就是“模型能力很强，但是不解决我的实际问题”的原因。 那么接下来，用我们的问题定义优化器来试试看，会有什么不同。 优化问题 使用反问挖掘信息盲区 这里我先介绍一下乔哈里视窗的概念。 1955年左右，心理学家发明的一个分析框架，乔哈里视窗。乔哈里视窗本来的用法是用于人跟人沟通的，我自己知道和不知道的信息，以及我对面坐的这个人知道和不知道的信息，组成了四个象限，盲区、公开区、隐藏区、未知区，是这么一个概念。把对面的人知不知道这个事情换成AI知不知道，这个地方就非常之妙了。我们见到所有提示词技巧全部能装进这些象限。[3] 1955年左右，心理学家发明的一个分析框架，乔哈里视窗。乔哈里视窗本来的用法是用于人跟人沟通的，我自己知道和不知道的信息，以及我对面坐的这个人知道和不知道的信息，组成了四个象限，盲区、公开区、隐藏区、未知区，是这么一个概念。把对面的人知不知道这个事情换成AI知不知道，这个地方就非常之妙了。我们见到所有提示词技巧全部能装进这些象限。[3] 基于乔哈里视窗，对于“将问题定义由模糊转换为清晰”这个工作，造成模糊的原因是人类不知道清晰描述问题需要哪些信息，但是AI往往是知道的。这种情况对应“AI了解但人不了解”象限，即“盲区”。解决方法就是“让AI反问人类”，挖掘盲区信息。 拿当前这个问题举例，使用“问题定义优化器”提示词，将我们的初始问题发送给Claude 3.5 Sonnet，它对我们进行了反问，包括“现状”、“目标”、“条件”。 针对AI第一轮反问，我们补充了相应的信息。 AI给出了优化的问题定义和答案要求。 对于「问题定义」，AI用一句话精准定义核心问题，提取了与问题直接相关的上下文信息、清晰地界定了问题范围 对于「答案要求」，AI从「内容范围」、「深度要求」、「形式要求」、「质量标准」四个方面给出了具体的约束。 若觉得不够具体，可继续与AI探讨，这里不再深入。那么我们继续看看，优化后的问题和答案要求会产生什么样的答案。 优化后回答 可以看到，思考内容中已经不再出现需要模型“猜测”的不确定内容，模型直接进行“方案设计”的推理生成。 生成内容方面，完全遵从输入的问题定义和答案要求，详细内容不再赘述。生成的答案实用、可执行性强。