最近几周自学deepseek原理+应用+实践，一些成果，和大家分享。
与deepseek这类AI对话，为了达到最佳效果，提示词应当遵循哪三大原则？
- 清晰性；
- 结构化；
- 细节化；
为什么？
本质上来说，是要让我们的提示词去适配AI的认知模式。
deepseek这类AI的核心技术是：
- 注意力机制；
- 知识调用路径；
- 信息生成置信度控制；
提示词的3大原则，是与这3大技术一一对应的。
其一：清晰性。
《Attention Is All You Need》想必大家都读过了，注意力机制是现代AI最重要最核心的算法机制，必须让AI将所有注意力专注于明确的目标。
- 目标不明确，AI会尝试性探索，注意力会分散；
- 目标有歧义，AI容易陷入自然语言一词多义的陷阱，注意力会分散；
- 目标有多个，注意力会分散：这很容易理解，20秒的深度思考算力，5个目标，每个目标只得到20%的注意力；2个目标，每个目标就能得到50%的注意力；
bad case：请说说AI对程序员的影响。
画外音：模型会被迫猜测，用户是想了解对行业的影响？对岗位的影响？对技术的影响？对就业的影响？
注意力分散，就容易生成泛泛而谈的回答。
good case：请从软件质量的视角出发，说说AI对自动化测试的影响，如何降低bug率。
总之，提示词目标越明确越清晰，回答效果越好。
其二：结构化。
明确了目标之后，AI的注意力要专注于解题，解题有两种思路：
- 自行探索；
- 按图索骥；
很显然，后者能极大提升解题效率。
结构化的提示词，例如：
- 分级的markdown提示词：能够触发AI的序列标记感知，从而提升计算速度；
- 第一步，第二步…这类提示词：能够激活AI的层级推理模块，从而直接进入流程分析模式；
bad case：我是产品经理，帮我写一个AI编程产品的需求文档。
good case：我是产品经理，请按照以下流程帮我写一个AI编程产品的需求文档。
- 进行AI编程用户痛点调研；
- 针对用户痛点调研进行竞品调研；
- 结合竞品调研给出TOP3的核心需求；
- 根据TOP3的核心需求完成功能设计；
- 根据功能设计完成UI原型图与交互图；
画外音：6. 邀请Java+FE+QA+OP发起需求评审。
其三：细节化。
细节能够通过增加条件约束，提升答案的准确性。
- 如果缺乏细节，将极大提升AI的可能性探索空间，分散注意力；
- 如果增加细节，额外的约束条件能极大压缩探索空间，砍掉长尾计算；
- 细节还有可能激活模型的实例化记忆库，提升输出相关性；
bad case：写一首秋天的诗（相对抽象）。
better case：用杜甫的风格写一首关于秋天的七言绝句（基础细节）。
best case：模仿杜甫的忧国忧民风格，写一首程序员如秋天搬悲凉的七言绝句，需包含“九九六”与“需求变更”等关键词（高级细节）。
高效提示词的三大核心原则并不是各自为战的：
- 清晰性，定义目标向量方向；
- 结构化，构建推理坐标轴；
- 细节化，提供定位锚点；
A[清晰意图] --> B{结构化路径B1B2...Bn}
B1 -->|路径1| C1[细节约束1]
B2 -->|路径2| C2[细节约束2]
...
Bn -->|路径n| Cn[细节约束n]
C1 --> D1[精准输出1]
C2 --> D2[精准输出2]
...
Cn --> Dn[精准输出n]
总结
高效提示词的三大核心原则：
- 清晰性：降低香农熵，减少信息不确定性；
- 结构化：建立马尔可夫链，控制状态转移路径；
- 细节化：增加信息量，提升输入输出相关性；
一切的一切，提示词只有适配了AI的认知模式，才能最高效的发挥最大的作用。
知其然，知其所以然。
思路比结论更重要。
补充阅读材料：
《Attention Is All You Need》
https://arxiv.org/pdf/1706.03762
PDF，可下载。