资讯

历史

科技

环境与自然

成长

游戏

财经

文学与艺术

美食

健康

家居

文化

情感

汽车

三农

军事

旅行

运动

教育

生活

星座命理

DeepSeek 提示词之角色扮演的使用技巧

创作时间:

作者:

@小白创作中心

DeepSeek 提示词之角色扮演的使用技巧

引用

CSDN

https://blog.csdn.net/AI_zhuli/article/details/145431096

在AI快速发展的今天，掌握AI工具的使用技巧变得尤为重要。本文将深入解析DeepSeek在角色扮演方面的使用技巧，帮助读者更好地发挥AI助手的作用。

在DeepSeek的官方提示库中，有“角色扮演（自定义人设）”的提示词案例。截图如下：

在“角色扮演”的提示词案例中，其实仅仅介绍了可以为DeepSeek自定义人设，来与用户进行角色扮演。但是并没有更深入的讲解“角色扮演”时应该有哪些使用的技巧。

本文将深入解析一下“角色扮演”提示词的使用技巧。

一、角色扮演提示词使用技巧

1. 掌握 DeepSeek 的三要素与范式迁移

DeepSeek 的强大之处在于其独特的逻辑范式，这与传统的提示词工程存在显著的范式迁移。传统的大语言模型需要复杂的提示词来引导生成内容，而 DeepSeek 通过其高效的训练方法和优化的架构，能够以更简单、更直接的方式理解用户的需求。这种范式迁移的核心在于 DeepSeek 的三个关键要素：

高效记忆法：DeepSeek 采用了 MLA（Multi-head Latent Attention）技术，能够用更少的显存记住长文的关键信息，处理起来又快又准。这种技术类似于人类在学习时只记住核心要点，从而提高效率。
智能分配机制：DeepSeek 的 MoE（Mixture of Experts）架构类似于拥有 256 位“AI 家教”，但只会让最擅长的几位来帮忙解题。例如，“数学专家”解决数学题，“编程专家”搞定代码任务，从而实现高效的任务处理。
双线程操作：DeepSeek 的 DualPipe 流水线并行技术使其能够同时处理多个任务，类似于人类在完成作业时同时进行语文和数学学习，极大地提高了效率。

这种范式迁移使得 DeepSeek 在处理复杂任务时更加高效，用户无需掌握复杂的提示词技巧，只需简单表述需求，即可获得超出预期的回答。

2. 一键切换“说人话”模式

在使用 DeepSeek 时，我们可能会遇到生成的答案信息密度过高、存在过度复杂化倾向，甚至难以理解的情况。这时，我们可以使用 “听不懂，说人话” 这一指令，让 DeepSeek 自动启动语义降维处理。DeepSeek 会将复杂的专业术语转化为通俗易懂的语言，使用户能够更好地理解其回答。

例如，当询问 DeepSeek 关于其训练成本低的原因时，它可能会使用专业术语如“MoE 架构”“蒸馏”和“FP8”来解释。但如果加上“说人话”，DeepSeek 会用“100 个员工中只让 10 个员工干活”来解释 MoE 架构，用“高清电影转 MP4 格式”来解释 FP8。

这种模式切换极大地提升了用户体验，使 DeepSeek 成为我们工作、学习和生活的好帮手。

3. 反向调教：越杠越聪明

DeepSeek 的自主认知架构具备完整的思维链闭环，其推理逻辑系统内建对抗性训练机制。这意味着我们可以通过反向提示词 PUA（Pick-up Artist，即“搭讪艺术家”，在这里指通过特定的提示词引导 AI 优化回答）对 DeepSeek 进行调教，从而迭代优化其性能。

例如，当我们对 DeepSeek 的某个回答不满意时，可以提出更具挑战性的问题或要求，促使它重新审视答案，挖掘内容的不足之处。

这种反向调教不仅能够提升 DeepSeek 的回答质量，还能使其在不断的互动中变得更加智能。

假设你正在使用 DeepSeek 扮演编程专家来解决一个复杂的编程问题，你要求它生成一个 Python 函数来实现快速排序算法。DeepSeek 给出了一个初步的回答：

def quicksort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2]
    left = [x for x in arr if x < pivot]
    right = [x for x in arr if x > pivot]
    return quicksort(left) + [pivot] * arr.count(pivot) + quicksort(right)

你测试了这段代码，发现它虽然能正常运行，但在处理大量重复元素时效率较低。于是你决定通过“反向调教”来优化 DeepSeek 的回答。

反向调教步骤：

提出更具挑战性的问题：你向 DeepSeek 提出新的要求：“这段代码在处理大量重复元素时效率较低，请你优化它，使其在处理重复元素时的时间复杂度尽可能低。”

引导 DeepSeek 重新审视答案：DeepSeek 接收到你的反馈后，重新审视了代码，并尝试从优化的角度进行改进。它可能会生成一个新的版本：

def quicksort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2]
    left = [x for x in arr if x < pivot]
    right = [x for x in arr if x > pivot]
    middle = [x for x in arr if x == pivot]
    return quicksort(left) + middle + quicksort(right)

这个版本通过减少对重复元素的重复处理，提高了效率。

进一步优化：你测试了新的代码，发现效率有所提升，但仍然不满意。于是你继续提出更高要求：“能否进一步优化，避免在每次递归中都计算 arr.count(pivot)？”

最终优化版本：DeepSeek 经过重新思考，给出了一个更优化的版本：

def quicksort(arr):
    if len(arr) <= 1:
        return arr
    pivot = arr[len(arr) // 2]
    left = [x for x in arr if x < pivot]
    right = [x for x in arr if x > pivot]
    middle = [x for x in arr if x == pivot]
    return quicksort(left) + middle + quicksort(right)

这个版本通过将重复元素单独处理，避免了在每次递归中重复计算，进一步提高了效率。