ReaderMX.
叶小钗

不懂DeepSeek与GPT的差异，是写不好提示词的

叶叶小钗约 5 分钟

尚在摸索测试中，文中有误请您指正

DeepSeek在春节前夕发布，由于其良好的推理效果及低廉的成本，加之还可以私有化部署，节后必定会迅速占领2B API赛道。

所以，掌握如何用用他写出稳定的接口，会变成AI产品工程实现的关键，今天就结合这两天研究写份简单报告。

指令型模型 vs. 推理型模型

一、什么是推理型模型

这类模型更注重理解和推理，你只需要提供目标或问题，模型会自行分析并找到解决方案。

它的优点是灵活性强，能够处理复杂、模糊的任务，但缺点是对输入的依赖性较高，如果目标不明确，结果可能会偏离预期。

二、什么是指令型模型

这类模型依赖于明确的指令和步骤，你需要提供详细的指导，模型会严格按照你的指令执行任务。

它的优点是可控性强，但缺点是缺乏灵活性和创造性，无法处理模糊或复杂的问题。

三、ChatGPT 与 DeepSeek差异

大白话的表达是ChatGPT更像是 “逻辑清晰、执行力强的咨询顾问”，如果你的指令明确，它会高效执行；如果任务开放，它会结合已有知识进行推理。

DeepSeek更像是“聪明的分析师”，更擅长在目标明确但路径不明时，主动探索最优解。

所以，如果你发现 DeepSeek 不吃死板的提示词，那么调整策略是关键：

  1. 少用框架化、模板化提示，而是提供清晰的目标，让它自由推理。
  2. 给出更复杂的推理问题，让它结合已有知识进行推演，而不是让它按部就班执行任务。

其实ChatGPT也能在推理能力上表现出色，但在执行明确指令、遵循格式要求上会更可靠。

而对于AI工程来说，其实更喜欢ChatGPT这种“呆板”而稳定的输入输出。所以以往项目对应的提示词可能要改。举个例子：

一些案例

你是一位管理经验丰富的CEO，按照以下步骤分析什么是管理：

  1. 管理的本质
  2. 根据管理的本质，推导所有管理问题的根源是什么
  3. 对管理问题根源进行观点论证

要求：在500字内，尽量引用权威材料

  • GPT的回答（带管理知识库）：
Image
  • GPT的回答（不带知识库）：
Image
  • DeepSeek的回答
Image

如果换个方式呢：

我要做一次中高管的管理培训，所以这个培训材料要比较深入，最好直击本质，请你帮我准备这个材料：

  1. 管理的本质是什么
  2. 在管理的本质基础下，所有管理问题的根源是什么
  3. 对管理问题根源进行观点论证 重点是专业且直击本质，最好有点“原来如此”的感觉，字数400字
  • GPT的回答（带管理知识库）：
Image
  • GPT的回答（不带管理知识库）：
Image
  • DeepSeek的回答
Image

综上，各位自己体会，但可能有一个问题：工程希望AI“更呆板”，但显然DeepSeek想要更聪明的“尊重”，比如DeepSeek期待的是以下提示词：

  1. 团队汇报
  • ❌ “请用PPT做个季度总结。”
  • ✅ “我要准备季度总结，给老板和投资人看，希望展现我们在客户拓展上的增长趋势，突出市场优势，但担心数据不够有说服力，可能会被质疑增长质量。”
  • 绩效考核
    • ❌ “请写一个绩效评估报告。”
    • ✅ “我要写季度绩效评估，给HR和管理层用，希望能精准识别高绩效员工，并为晋升提供依据，但担心部分老员工贡献大但数据表现一般，容易引起争议。”
  • 竞品分析
    • ❌ “请写一篇竞品分析。”
    • ✅ “我要写竞品分析报告，给销售和市场团队用，希望帮助他们理解对手的定价策略，但担心竞品近期未公开数据，信息可能不够完整。”

    公式：我要 [目标]，给 [受众] 用，希望 [核心诉求]，但担心 [潜在挑战]。

    结语

    其实一般的AI应用会有很多工程控制，所以从产品层面会更希望他有明确的回答。

    在学习场景中，学生常说：

    1. “我快气炸了”
    2. “我心态崩了”
    3. “我复习了半天，但还是不会”

    对应的教育专业术语可能是 学习焦虑（Learning Anxiety），可以进一步分类为：

    1. 学习压力过大（Excessive Learning Pressure）：
      1. 考试焦虑（Test Anxiety）：在考试前感到紧张、心慌，甚至影响发挥。
      2. 高认知负荷（Cognitive Overload）：短时间内吸收大量信息，导致大脑过载。
      3. 完美主义焦虑（Perfectionism Anxiety）：担心做不到100分，而害怕尝试。
    2. 学习环境引发的焦虑（Learning Environment-Induced Anxiety）：
      1. 负面评价焦虑（Negative Feedback Anxiety）：因害怕老师批评、同学比较，而不敢提问。
      2. 竞争焦虑（Competitive Anxiety）：在高竞争环境（如重点班、竞赛）下，担心自己落后。

    如果想用DeepSeek进行这种规则的输入输出，比如输入我复习了半天，但还是不会，通过一个规则提示词可以得到学习压力过大。

    甚至更进一步，这是AI工程更想要的，这里给一些实践建议。

    1. 理解需求

    目标是通过输入学生的情绪化表达，输出对应的教育专业术语。例如：

    • 输入：“我快气炸了” → 输出：“学习压力过大”
    • 输入：“我心态崩了” → 输出：“学习压力过大”
    • 输入：“我复习了半天，但还是不会” → 输出：“学习压力过大”

    进一步细分焦虑类型，如“考试焦虑”、“高认知负荷”等。

    2. 分析输入输出

    任务涉及自然语言处理（NLP）中的文本分类，具体步骤包括：

    1. 收集数据：整理学生表达及其对应的焦虑类型。
    2. 特征提取：从文本中提取关键特征。
    3. 模型训练：选择合适的机器学习或深度学习模型。
    4. 规则提示词设计：设计提示词，引导模型输出所需结果。

    3. 数据收集与预处理

    一、收集数据

    收集学生表达及其对应的焦虑类型，例如：

    学生表达焦虑类型具体分类
    我快气炸了学习压力过大考试焦虑
    我心态崩了学习压力过大高认知负荷
    我复习了半天，但还是不会学习压力过大完美主义焦虑

    二、数据预处理

    • 去除噪声：如标点符号、停用词等。
    • 分词：将句子分解为单词或短语。
    • 标注：为每个表达标注对应的焦虑类型和具体分类。

    4. 规则提示词设计

    根据学生表达定义映射规则，例如：

    • 表达中包含“气炸”、“崩溃” → 输出“学习压力过大”。
    • 表达中包含“考试”、“害怕考试” → 输出“考试焦虑”。

    当然，这是非常简单的示例，真实场景下非常复杂，我们后面再继续。

    Image

    KEEP THE THREAD GOING

    更多来源文章