想要提升deepseek回复质量，会这一招就够了（90%的人不知道）

今天我们继续深入探讨deepseek的核心技术：反事实推理。

让我们简要回顾一下前文的内容：

1. 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；
2. 反事实推理有着严密的数学模型，属于因果推断的第三层次：关联，干预，反事实；
3. 反事实推理能够帮助deepseek突破数据量的上限，加强结果的解释性，提升回复的丰富度；

画外音：详见《deepseek凭啥能给出这么丰富的答案 - 反事实推理（上）》。

那么，反事实推理对于我们优化提示词，获取更高质量的回答有什么启示呢？

答：通过参考反事实推理来优化提示词，可以极大地提升AI的输出质量。

具体来说，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

虽然听起来有点抽象，我们来举个例子。

假设我们想优化冒泡排序，初始的提示词是这样的：

非常直白。

AI的输出如上所示。

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。

AI的输出效果差吗？不差，非常直接地给出了优化建议，但总觉得缺少一些丰富度。

于是，我们参考CREATE提示词框架进行了简单的优化：

1. 要求给出至少2种方案；2. 两种方案要进行对比；3. 说明推简理由；

优化之后，回复的丰富度大大提升了。

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：

4. 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）；
5. 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？这是因为它内置了反事实推理的提示词优化。

简单总结：

1. 反事实推理对AI输出内容的丰富度提升很大；
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都这么厉害了，是不是提示词“说人话”就好了？

确实，deepseek很厉害，“说人话”用户体验最好，也能有很丰富的回复。但是：

1. 让deepseek做所有事情，会消耗大量计算资源；
2. deepseek深度思考的时间多了，解题的时间也就少了；
3. deepseek的推理逻辑，未必符合我们的预期；

通过提示词明确地告诉它你的想法，会让AI的输出更高质量也更高效；

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，才能最高效地发挥最大的作用。

知其然，知其所以然。

思路比结论更重要。

补充阅读材料：

《反事实：哲学，逻辑，语义》

重点看第二章。