DeepSeek 提示詞工程：減少幻覺的三要素模板

隨著大型語言模型（LLM）如 DeepSeek 的普及，其強大的內容生成能力為各行各業帶來了革新。然而，一個不容忽視的挑戰是「幻覺」（hallucination）現象，即模型生成看似合理卻與事實不符或憑空捏造的資訊。這不僅影響內容的可靠性，更可能導致錯誤決策。要有效抑制DeepSeek模型的幻覺行為，關鍵在於精妙的提示詞（Prompt）設計。本文將介紹一套實用的三要素提示詞模板，助您提高 DeepSeek 生成內容的準確性與可靠度。

減少 DeepSeek 幻覺的三要素模板，旨在透過結構化和資訊豐富的提示詞，為模型提供清晰的指引和約束，從根本上降低其「自由發揮」的空間。

元素一：明確角色與目標

提供 DeepSeek 明確的「角色」和「目標」，是引導模型行為的第一步。當模型理解其應扮演的角色時，它會更傾向於根據該角色的專業知識和風格來組織答案，並過濾掉不相關或超出職責範圍的資訊。同時，清晰的目標能讓模型聚焦於回答核心問題，避免離題。

如何實踐：

指定專業角色： 讓模型扮演特定領域的專家，例如「資深市場分析師」、「專業程式開發者」、「嚴謹的法律顧問」等。
定義具體任務目標： 明確告知模型您希望它完成的任務，例如「撰寫一份關於新型智能家居產品的市場分析報告」、「生成一段能修復特定Bug的Python程式碼」、「解釋香港《公司條例》中關於董事責任的部分」。

示例：

不良提示詞： 「幫我寫關於人工智能的文章。」

改進後提示詞（加入角色與目標）： 「請你作為一位資深的科技趨勢記者，撰寫一篇針對普羅大眾的人工智慧簡介文章，重點放在其對香港日常生活的影響，並以輕鬆易懂的語氣呈現。」

這樣改進後，DeepSeek 不僅知道它要寫一篇關於人工智能的文章，更清楚了寫作對象、切入點和語氣，從而大幅減少生成過於專業或泛泛而談的內容。

元素二：提供背景資訊與約束條件

幻覺往往發生在模型知識不足或資訊模糊時。為 DeepSeek 提供充足的背景資訊，並設定明確的約束條件，能有效「固定」模型的知識邊界，引導其在既定框架內思考和回答，避免憑空捏造。

如何實踐：

提供關鍵背景數據： 包含相關的事實、數據、案例、文件內容等，作為模型生成答案的依據。
設定回答範圍與限制： 指明回答應涵蓋哪些方面，哪些方面不應涉及；限定字數、時效性、資訊來源等。
引用可靠資料： 在可能的情況下，直接將可靠資料（如公司內部文件、官方報告、經證實的新聞稿）嵌入提示詞中，要求模型僅根據這些資料進行回答。

DeepSeek提示詞工程團隊協作圖

上圖展現了團隊在提示詞工程方面的協作，正如我們需要為DeepSeek提供清晰的背景資訊一樣，團隊協作也需要明確的資訊共享。

示例：

假設您需要 DeepSeek 為一份內部報告總結銷售數據。

不良提示詞： 「請總結上季度的銷售情況。」

改進後提示詞（加入背景與約束）： 「你是一位內部銷售數據分析師。請根據以下提供的『2023年Q3香港區銷售報告』原文內容（以下附上報告全文），總結關鍵銷售表現，特別說明增長最快的產品線和面臨挑戰的市場區域。你的總結必須嚴格基於報告內容，不得引入外部數據或個人猜測，字數限制在300字以內。」

[在此處插入「2023年Q3香港區銷售報告」的完整文本內容]

透過這種方式，DeepSeek 的回答就被限制在您提供的報告文本範圍內，大大降低了其「編造」或引用錯誤外部資訊的風險。

元素三：指定輸出格式與驗證機制

明確的輸出格式能幫助 DeepSeek 有條理地組織資訊，減少混亂和含糊不清的表述。更重要的是，引入驗證機制，能夠在一定程度上「強制」模型提供可追溯或可查證的資訊，進一步減少幻覺。

如何實踐：

要求特定格式： 例如項目符號清單、表格、JSON 格式、Markdown 格式、摘要、問答對等。
要求引用來源： 針對每一個關鍵陳述，要求模型標明其資訊來源，尤其是在背景資訊中提供了多份文件時。
要求步驟分解： 若任務涉及複雜問題解決，可要求模型列出其推理步驟，以便追蹤和檢查邏輯。
加入自我校驗指令： 讓模型在生成答案後，自行評估其答案是否符合所有要求，例如「檢查你提供的所有數據是否都源於我提供的報告」。

示例：

需要 DeepSeek 比較兩種市場推廣策略。

不良提示詞： 「比較A和B兩種市場推廣策略。」

改進後提示詞（加入輸出格式與驗證）： 「你是一位市場營銷顧問。請比較以下提供的A策略和B策略的優缺點，並基於提供的資料判斷哪種策略在香港市場更具潛力。

你的回答必須以 Markdown 表格形式呈現，包含『策略名稱』、『主要特點』、『優點』、『缺點』、『適用情境』五列。每個優缺點和適用情境的描述後面，都必須附註是基於提供的哪份參考資料（如：[參考資料1]）。最後，請總結你的建議，並簡要說明推理依據。

參考資料1： [A策略詳細報告] 參考資料2： [B策略詳細報告] 參考資料3： [香港市場消費者行為分析]

請在生成答案後，確認表格中的所有資訊是否都有對應的參考資料支持，並且沒有超出你所提供的資料範圍。」

人工智慧模型數據流與處理

上圖說明了人工智慧模型內部的數據處理流程，這與我們要求DeepSeek以特定格式輸出資訊，並提供數據來源進行驗證的思路不謀而合。

實戰應用：整合三要素於 DeepSeek API

在實際應用中，您可以將這三個要素整合到一個完整的 DeepSeek 提示詞中，無論是透過 chat.deepseek.com 聊天界面，還是透過 DeepSeek API 進行程式化互動。以下是一個使用 DeepSeek API 的 Python 示例，展示如何應用此模板。

假設您希望 DeepSeek 作為法律助理，根據一份法律文件總結其核心要點。

from deepseek import DeepSeek
from deepseek.types.chat import ChatCompletion

# 假設您已經配置了 DeepSeek API 密鑰
client = DeepSeek(api_key="YOUR_DEEPSEEK_API_KEY")

legal_document_content = """
# 香港《公司條例》第123條：董事的忠誠責任
根據香港《公司條例》第123條，公司董事必須以公司最佳利益行事，並盡職履行其職責。這包括但不限於避免利益衝突、維護公司資產、保密公司敏感資訊以及在決策時運用合理謹慎和技能。任何違反這些責任的行為，可能導致董事負上法律責任，包括賠償公司損失。董事會需定期審視董事行為守則，確保符合最新法規要求。
"""

prompt = f"""
你是一位經驗豐富的香港公司法律顧問助理。你的任務是根據以下提供的香港《公司條例》相關文件內容，總結第123條關於董事忠誠責任的核心要點。

文件內容：

{legal_document_content}


請你：
1.  **嚴格根據**上述文件內容進行總結，不得引入文件之外的法律條文或判例。
2.  以**項目符號清單**的形式列出核心要點，每點清晰簡潔。
3.  在清單之後，用一段話說明違反此條例可能造成的**法律後果**，並簡要提及公司在維護此責任方面的建議。
4.  你的總結長度應在**100-150字**之間。
5.  在完成總結後，請**自行檢視**總結內容是否完全符合上述所有要求，特別是資訊來源的嚴格限制。
"""

messages = [
    {"role": "user", "content": prompt}
]

response: ChatCompletion = client.chat.completions.create(
    model="deepseek-chat", # 或 deepseek-coder 等適合您任務的模型
    messages=messages,
    max_tokens=500, # 根據預期回答長度調整
    temperature=0.3, # 較低的溫度有助於生成更事實性的內容，減少創造性
)

print(response.choices[0].message.content)

在這個示例中：

角色與目標：「經驗豐富的香港公司法律顧問助理」，「總結第123條關於董事忠誠責任的核心要點」。
背景資訊與約束條件： 提供了 legal_document_content 作為唯一資訊來源，並強調「嚴格根據上述文件內容進行總結，不得引入文件之外的法律條文或判例」。
輸出格式與驗證機制： 要求「項目符號清單」、「一段話說明法律後果及公司建議」、「長度100-150字」、「自行檢視」。同時，將 temperature 設為較低值（0.3），進一步鼓勵模型生成更保守、更事實性的內容。

總結與展望

透過「明確角色與目標」、「提供背景資訊與約束條件」、「指定輸出格式與驗證機制」這三要素模板，我們能夠更精準地引導 DeepSeek 等大型語言模型的行為。這不僅能有效降低幻覺的發生頻率，更能顯著提升生成內容的實用性與可靠性，讓 AI 真正成為您工作流程中值得信賴的助手。

在應用此模板時，請記住這是一個迭代的過程。您可以根據 DeepSeek 的實際輸出效果，不斷調整和優化提示詞的各個要素。隨著您對 DeepSeek 模型的理解加深，您將能更熟練地運用這些技巧，駕馭其強大能力，為您的業務帶來更大的價值。未來，結合檢索增強生成（RAG）等技術，這套提示詞模板將會發揮更大的作用，為 DeepSeek 的應用開闢更廣闊的前景。