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？
1. 清晰性；
2. 结构化；
3. 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：
1. 注意力机制；
2. 知识调用路径；
3. 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。
1. 目标不明确，AI会尝试性探索，注意力会分散；
2. 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；
3. 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：
1. 自行探索；
2. 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：
1. 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；
2. 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。
1. 进行AI编程用户痛点调研；
2. 针对用户痛点调研进行竞品调研；
3. 结合竞品调研给出TOP3的核心需求；
4. 根据TOP3的核心需求完成功能设计；
5. 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。
1. 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；
2. 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；
3. 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：
1. 清晰性，定义目标向量方向；
2. 结构化，构建推理坐标轴；
3. 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：
1. 清晰性：降低香农熵，减少信息不确定性；
2. 结构化：建立马尔可夫链，控制状态转移路径；
3. 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。
