今天继续介绍deepseek核心技术：反事实推理。
上一篇简要回顾：
- 反事实推理，是一种通过构建与事实相反的假设性情景，探索因果关系和潜在结果的逻辑推理方法；
- 反事实推理，有着严密的数学模型，属于因果推断第三层次：关联，干预，反事实；
- 反事实推理，能帮deepseek突破数据量上限，加强结果解释性，提升回复丰富度；
画外音：详见《deepseek凭啥能给出这么丰富的答案 - 反事实推理（上）》。
反事实推理，对我们写提示词，获取更佳的回答质量有什么启示呢？
答：参考反事实推理优化提示词，能极大提升AI输出质量。
更具体的，可以使用CREATE提示词框架：
- Contrast：要求多方案比较
- Risk-aware：要求评估潜在风险
- Experimental：要求假设性推演
- Alternative：要求备选方案
- Trade-off：要求分析优缺点
- Explain：要求说明决策逻辑
比较抽象，举个例子。
想优化冒泡排序，提示词我是这么写的。
非常直白。
AI的输出如上。
画外音：为了说明CREATE对提示词进行优化的效果，选择了其他AI产品，已打码。
你说AI的输出效果差吗？也不是，非常直接的给出了优化建议，但总觉得差那么点意思，回复的内容不够丰富。
参考了CREATE提示词框架进行了简单的优化。
- 要求给出至少2种方案；
- 两种方案要进行对比；
- 说明推简理由；
优化之后，回复的丰富度极大地提升了。
首先，给出了多种方案。
接下来，进行了多维度对比。
最后，进行解释说明，给出了推荐理由。
CREATE的几个实践没有补全，还可以加上：
- 假如是要对100G文件记录进行处理，分析与对比可行性（假设推演）；
- 如果最重要选择xx方案，有什么潜在风险，有什么规避方案（假设推演+风险评估）；
每次询问deepseek，是不是觉得它的输出内容特别的丰富，它内置反事实推理提示词优化。
简单总结：
(1) 反事实推理对AI输出内容丰富度提升很大；
(2) 使用CREATE提示词框架，能够提升AI输出的丰富度：
- 要求多方案比较
- 要求评估潜在风险
- 要求假设性推演
- 要求备选方案
- 要求分析优缺点
- 要求说明决策逻辑
经常有人留言，说deepseek都这么流弊了，是不是提示词“说人话”就好了？
确实，deepseek流弊，“说人话”用户体验最好，也能有很丰富的回复。但是：
- 啥都让deepseek干，会消耗计算资源；
- deepseek深度思考的时间多了，解题的时间也就少了；
- deepseek的推理逻辑，未必符合我们的预期；
- 通过提示词显性的告诉它你的想法，会让AI更高质也更高效；
用户体验并不是全部，效率与质量也是解题的一部分：deepseek很NB，我们的提示词也NB，叠加起来可以NB plus。了解工具的原理，让自己变得更好，不是更好吗？
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。