2.1 提示词的底层逻辑

提示词不是"咒语"，而是一种与 AI 沟通的语言。理解它的底层逻辑，你就能从"碰运气"变为"有章法"。

一、为什么同样的问题得到截然不同的答案

我们先来看一个对比实验。向 DeepSeek 提出同一个需求，但用两种不同的方式：

提问方式 A：

帮我写一篇关于环保的文章。

提问方式 B：

你是一位环保领域的科普作家，面向高中生读者，请用生动有趣的语言撰写一篇 800 字的文章，主题是"日常生活中的碳减排"。要求：使用 3 个具体的生活案例，语气亲切但不失专业，文末附上 3 条可操作的行动建议。

方式 A 得到的往往是一篇泛泛而谈的"正确的废话"；方式 B 则能得到一篇有针对性、有细节、可直接使用的文章。

差距的根源在于：大语言模型是基于概率生成文本的。当你的提示词模糊时，模型只能在一个巨大的"可能性空间"中随机选择；当你的提示词具体而明确时，模型的"可能性空间"被大幅缩小，输出自然更精准。

打个比方：模糊的提示词就像告诉出租车司机"去市中心"，他可能把你拉到任何一个地方；而精确的提示词就像说"去市中心人民路 88 号万达广场北门"，司机能准确送达。

二、提示词四要素

一个高质量的提示词，通常包含以下四个要素：

并非每次提问都需要四个要素齐全。简单任务可能只需要"指令"，复杂任务则需要四要素协同配合。关键原则是：任务越复杂，提示词越需要结构化。

三、CO-STAR 框架：结构化提示词的"万能公式"

CO-STAR 框架是新加坡 GPT-4 提示工程竞赛的冠军方案，它通过六个维度帮助用户构建高质量的结构化提示词。

实战示例：用 CO-STAR 框架撰写校园活动通知

【C-背景】我校将于下月举办第五届科技文化节，为期三天，
         包含 AI 体验、机器人展示、科技讲座等活动。

【O-目标】请撰写一份面向全校师生的活动通知。

【S-风格】正式公文风格，符合高校行政通知的写作规范。

【T-语气】庄重但不失热情，体现学校对科技创新的重视。

【A-受众】全校师生（包括教师、行政人员和在校学生）。

【R-格式】标准通知格式，包含标题、正文、活动安排表格、
         联系方式，字数控制在 600 字以内。

使用这个框架后，AI 的输出将从"泛泛而谈"变为"精准定制"。

实用提示：DeepSeek R1 与 V3 的提示词策略差异

DeepSeek 有两个模型可供选择，它们需要不同的提示策略：

• V3（基础模型）：需要强规范约束，提示词要指令清晰、路径明确，适合使用完整的 CO-STAR 框架；
• R1（深度思考模型）：需要弱规范约束，目标清晰但结果开放。R1 自带思维链能力，不需要过多的角色设定或"请一步步思考"的提示——给它思考空间，效果反而更好。

例如，同样是写小红书文案，给 V3 需要完整的 CO-STAR 框架，而给 R1 只需要说："我要写一个关于 DeepSeek 技巧的小红书文案，给小白看，要有用且不老套。"

📷 【截图位置】：DeepSeek 界面中 R1/V3 模型切换按钮的截图，标注两个模型的位置（建议尺寸：宽度占满页面）

再看一个例子：用 CO-STAR 框架生成学习计划

【C-背景】我是一名大二学生，计算机专业，想在暑假两个月内
         入门 Python 编程，每天可投入 2 小时学习。

【O-目标】请为我制定一份为期 8 周的 Python 学习计划。

【S-风格】实用导向，每周有明确的学习主题和练习任务。

【T-语气】鼓励性的，像一位耐心的学长在指导。

【A-受众】零基础的非计算机专业学生也能看懂。

【R-格式】表格形式，包含"周次、学习主题、核心知识点、
         练习任务、预计用时"五列。

对比一下，如果你只是问"帮我做个 Python 学习计划"，AI 大概率会给你一份泛泛的建议清单。而使用 CO-STAR 框架后，AI 能精确地为你量身定制一份可执行的计划。

四、Bad Prompt vs Good Prompt：实战对比

为了让你更直观地感受提示词质量的影响，下面用三组真实场景做对比。你可以打开 DeepSeek 亲自测试。

场景一：写一封请假邮件

场景二：分析一组数据

场景三：翻译一段文字

规律总结：Good Prompt 的共同特点是——具体、有约束、有上下文。你给 AI 的信息越多，它的"猜测空间"就越小，输出就越精准。

本节小结

掌握了底层逻辑和框架之后，下一节我们将学习六种具体的提示技巧，让你的 AI 对话能力再上一个台阶。