DeepSeek 官方提示词示例完全汇总：13 个实用模板

如果给你 13 个提示词模板，你能让 DeepSeek 的输出质量翻一倍吗？这不是夸张——翔宇实测过，同样的任务，用对提示词结构和用随手一写的区别，就是「刚好能用」和「直接交付」的差距。

这 13 个模板不是翔宇自己编的，而是从 DeepSeek 官方文档 整理而来，覆盖代码、写作、数据处理等高频场景。每个模板都经过实测，拿来就能用。

要点速览

• 13 个官方提示词模板覆盖代码、写作、数据处理、翻译等高频场景，直接复制使用
• 核心技巧：「先分析再执行」的提示结构比直接让 AI 动手效果好得多
• DeepSeek-R1 推理模型可以省略额外提示直接分析，V3 模型仍需结构化提示词
• 结构化输出（JSON/表格）和角色扮演是提升输出质量最有效的两个模板

全貌：DeepSeek 提示词 13 个模板覆盖的场景

下面逐个展开，每个模板包含使用场景、提示词写法、输出效果。

1. 代码改写：让 AI 帮你优化代码

场景：你有一段能跑但写得不好的代码，想让 AI 帮你优化。

提示词写法：

下面这段代码的效率很低，且没有处理边界情况。
请先解释这段代码的问题与解决方法，然后进行优化：

def fib(n):
    if n <= 2:
        return n
    return fib(n-1) + fib(n-2)

关键技巧：先让 AI 分析问题，再让它给出方案。「先解释再优化」这个顺序会让输出质量更高。翔宇在日常工作中大量使用这个模板来优化自己写的自动化脚本——把写好的代码丢给 DeepSeek，让它先找问题再给方案，翔宇发现这比直接让它「帮我改」效果好得多，因为分析过程本身就帮翔宇理清了代码逻辑中的盲区。

DeepSeek 会指出递归重复计算的问题，提供记忆化递归和迭代两种优化方案，并处理负数输入等边界情况。

进阶用法：如果你使用 DeepSeek-R1（推理模型），可以直接给出代码让它自行分析，不需要提供额外提示。R1 的深度思考链（Chain of Thought）会自动拆解问题。但对于 V3 模型，「先解释再优化」的提示结构依然是最佳实践。更多 DeepSeek 使用技巧详见DeepSeek 五大核心技巧指南。

2. 代码解释：读懂别人的代码

场景：接手了一段复杂代码，看不懂逻辑。

提示词写法：

请解释下面这段代码的逻辑，并说明完成了什么功能：
[粘贴你的代码]

关键技巧：不需要额外指令，DeepSeek 的推理能力会自动拆解代码逻辑、逐行解释。

进阶用法：对于超长代码（比如几百行的完整模块），可以在提示词中加一个范围限定：「重点解释第 30-60 行的核心逻辑，其余部分简要概括」。这样 AI 不会在不重要的部分浪费篇幅。

3. 数据提取：从文本中挖数据

场景：你有一段非结构化文本（比如新闻、报告），想从中提取关键信息。

提示词写法：

从以下文本中提取所有提到的公司名称、金额和日期，
以 JSON 格式输出：
[粘贴文本]

关键技巧：明确指定要提取的字段和输出格式。JSON 格式方便后续程序处理。翔宇的经验是：提取的字段越具体，AI 的输出越准确。不要只说「提取关键信息」，而是精确到「提取公司名称、融资金额、融资轮次、日期」——每一个字段都明确命名。

进阶用法：如果文本很长或字段较多，可以先给 AI 一个 JSON Schema 示例：

输出格式示例：
{
  "companies": ["公司A", "公司B"],
  "amounts": [{"value": 1000, "currency": "万元", "context": "融资金额"}],
  "dates": ["2025-01-15"]
}

提供 Schema 后，AI 会严格按照你定义的嵌套结构返回数据，大幅减少后续清洗工作。

4. 文章写作：结构化生成长文

场景：需要快速产出一篇有结构的文章。

提示词写法：

写一篇关于中国农业现状的文章，包含以下段落：
第一段：中国农业的现状
第二段：面临的主要挑战
第三段：技术创新的机遇
第四段：未来展望
每段 200 字左右，风格客观中性。

关键技巧：分段指定内容方向 + 字数要求 + 风格约束。三个维度都给到，输出才稳定。

进阶用法：如果你需要更高质量的长文，可以用「两步法」——第一步让 AI 生成大纲，第二步逐段展开：

第一步：为"中国农业现状"这个主题生成一个 5 段式大纲，每段用一句话概括核心论点。
第二步：基于以上大纲，逐段展开，每段 300 字，引用具体数据和案例。

两步法的好处是你可以在大纲阶段就调整方向，避免整篇推倒重来。

5. 文本分类：自动归类信息

场景：大量文本需要按类别归档。

提示词写法：

将以下用户反馈分类为"产品质量""物流服务""售后体验"或"其他"：
1. "快递三天才到，包装还破了"
2. "颜色和图片一样，很满意"
3. "退货流程太复杂了"

关键技巧：预先定义好分类标签，让 AI 做选择题而不是开放题。翔宇用这个模板处理过一个实际场景——把三百多条用户评论按情感倾向分类。如果让 AI 自由发挥，它会发明出十几个不同的类别标签，后续根本没法统计。但把分类标签限定为五个选项后，所有输出都整整齐齐，直接导入表格就能做数据分析。

进阶用法：处理大批量分类时（比如上千条反馈），可以要求 AI 输出结构化结果：

请以 JSON 数组格式输出，每条包含 id、原文摘要和分类标签。
如果一条反馈涉及多个类别，列出所有相关标签并标注主要类别。

这样输出可以直接导入 Excel 或数据库处理。

6. 文本摘要：一段话抓住重点

场景：长文章/报告需要快速提炼要点。

提示词写法：

将以下文章总结为 3 个核心要点，每个要点不超过 50 字：
[粘贴长文]

关键技巧：限定要点数量和字数，避免 AI 的摘要比原文还长。

进阶用法：针对不同场景调整摘要粒度：

7. SQL 生成：用自然语言查数据库

场景：你知道要查什么数据，但不会写 SQL。

提示词写法：

数据库有以下表：
- users (id, name, email, created_at)
- orders (id, user_id, amount, status, created_at)

请生成 SQL 查询：找出最近 30 天内订单总金额超过 1000 元的用户名和邮箱。

关键技巧：先描述表结构，再描述查询需求。表结构越清晰，SQL 越准确。

进阶用法：对于复杂查询，可以要求 AI 输出带注释的 SQL 和执行计划分析：

请生成 SQL 查询并附带以下内容：
1. 每个 JOIN 和子查询的逻辑注释
2. 建议的索引优化方案
3. 如果数据量超过 100 万行，是否需要调整查询策略

这种写法特别适合团队协作——其他人看到你的 SQL 时能快速理解意图。

8. 提示词生成：让 AI 帮你写提示词

场景：你想得到更好的 AI 回答，但不知道怎么写提示词。

提示词写法：

你是一位大模型提示词生成专家。
请帮我生成一个"Linux 运维助手"的系统提示词，
要求它能回答常见的 Linux 操作问题，风格简洁专业。

关键技巧：用角色扮演的方式让 AI 生成提示词，效果比自己凭感觉写好得多。翔宇把这个叫做「元提示词」——让 AI 写提示词的提示词。这个技巧在翔宇的工作流里使用频率极高，因为它能帮你快速产出高质量的系统提示词，省去了反复调试的时间。尤其当你需要为不同场景定制多个系统提示词的时候，这个方法能节省翔宇大量的时间和精力。

进阶用法：让 AI 生成提示词时，可以要求它同时输出「正面示例」和「负面示例」：

请帮我生成一个"Linux 运维助手"的系统提示词，并附带：
- 3 个好的用户提问示例（能触发高质量回答的）
- 2 个差的用户提问示例（会导致模糊回答的）
- 对应的优化建议

这样你不仅拿到了提示词，还拿到了使用手册。

9. 翻译：不只是翻译，是「信达雅」

场景：需要高质量翻译，不是直译。

提示词写法：

将以下英文翻译为中文，要求符合信达雅标准，语言自然流畅：
[粘贴英文内容]

关键技巧：加上「信达雅」或「语言自然流畅」这类质量约束，翻译质量会明显提升。

进阶用法：不同类型的内容需要不同的翻译策略：

10. 宣传标语：创意文案一键生成

场景：需要产品/品牌的宣传文案。

提示词写法：

你是一个宣传标语专家。请为"希腊酸奶"生成 5 条宣传标语，
要求押韵、口语化、朗朗上口，每条不超过 15 个字。

关键技巧：指定数量 + 风格约束（押韵、口语化）+ 长度限制。

进阶用法：为了得到更多元的创意，可以要求 AI 从不同角度出发：

请从以下 5 个角度各生成 2 条标语：
1. 健康功效角度
2. 口感体验角度
3. 使用场景角度（早餐/下午茶/运动后）
4. 情感共鸣角度
5. 与竞品差异化角度

10 条标语从不同维度覆盖，选择余地大得多。

11. LaTeX 公式：复杂公式轻松排版

场景：需要在论文或文档中插入数学公式。

提示词写法：

将以下数学表达式转换为 LaTeX 格式：
x 等于负 b 加减根号下 b 的平方减 4ac，除以 2a

关键技巧：用自然语言描述公式，AI 自动转成 LaTeX 代码。

进阶用法：对于复杂的多行公式推导，可以这样写：

请将以下推导过程转换为 LaTeX 的 align 环境，
每一步标注推导依据，并在关键步骤加注释：
[描述推导过程]

这样输出的 LaTeX 不仅格式正确，还自带推导步骤的文字说明，直接粘贴到论文里就能用。

12. 结构化输出：让 AI 按格式返回

场景：需要 AI 的输出可以被程序直接读取。

提示词写法：

分析以下产品评价，以 JSON 格式输出，包含字段：
sentiment（正面/负面/中性）、keywords（关键词列表）、summary（一句话总结）

评价："这个耳机音质不错，但降噪效果一般，电池续航很给力。"

关键技巧：明确定义 JSON 字段名和值的格式，AI 就会严格遵守。

进阶用法：DeepSeek V3 和 R1 都支持在 API 调用中设置 response_format 参数强制 JSON 输出。如果你通过 API 调用，建议结合使用：

response = client.chat.completions.create(
    model="deepseek-chat",
    messages=[{"role": "user", "content": prompt}],
    response_format={"type": "json_object"}
)

API 层面强制 JSON + 提示词层面定义 Schema，双重保障输出格式不会跑偏。

13. 角色扮演：模拟专家视角

场景：需要从特定专业角度获取建议。

提示词写法：

你是一位资深的产品经理，拥有 10 年互联网产品经验。
请对以下产品方案给出专业评价和改进建议：
[粘贴方案]

关键技巧：角色描述越具体（年限、领域、风格），AI 的回答越有专业深度。

进阶用法：多角色联合评审能得到更全面的反馈：

请分别从以下三个角色的视角评价这份产品方案：
1. 产品经理（关注用户需求和商业价值）
2. 技术架构师（关注可行性和技术风险）
3. 市场运营（关注获客成本和竞争格局）
每个角色给出 3 条具体建议。

三个视角交叉验证，比单一角色的建议全面得多。

写好 DeepSeek 提示词的 9 个原则

从这 13 个官方示例中，翔宇提炼出这些通用规则：

1. 说重点：直接说需求，去掉客套话
2. 定目标：在开头明确任务类型
3. 给结构：用 Markdown 格式组织复杂指令
4. 设角色：让 AI 扮演特定专家
5. 给上下文：提供必要背景信息
6. 规范输出：指定 JSON、表格等格式
7. 分步骤：复杂任务拆成小步
8. 加约束：字数、风格、用词限制
9. 保持简洁：够清晰就行，不堆砌

DeepSeek R1 vs V3：该用哪个模型？

很多人搞不清楚 DeepSeek 的两个主力模型该怎么选。翔宇用一张表说清楚：

一个实用的判断标准：如果任务需要「想清楚」，用 R1；如果任务需要「写得好」，用 V3。

延伸阅读

• DeepSeek 五大核心技巧：提示词优化与使用指南
• 提示词框架完全指南：18 个实用框架提升 AI 对话效率

常见问题

Q：DeepSeek 是免费的吗？

网页版和 App 免费使用。API 按 Token 计费，价格在主流大模型中属于最低梯队。对于个人用户来说，日常使用成本几乎可以忽略不计。

Q：DeepSeek 和 ChatGPT 相比怎么样？

在中文理解和代码生成方面，DeepSeek V3 的表现已经非常接近 GPT-4o。R1 在数学推理和逻辑任务上甚至有超越。最大的优势是开源——你可以本地部署，数据不出服务器。

Q：提示词写中文还是英文效果更好？

对 DeepSeek 来说，中文提示词的效果不亚于英文。它的中文训练数据充足，不需要刻意用英文写提示词。但如果你的输出目标是英文内容，建议用英文提示。

Q：一条提示词最多能写多长？

DeepSeek V3 的上下文窗口支持 128K Token（约 20 万中文字）。但更长不等于更好——提示词的质量比长度重要得多。把最关键的指令放在开头和结尾，中间放背景资料。

Q：这些模板能用在其他 AI 上吗？

完全可以。这 13 个模板的底层逻辑是通用的——角色设定、结构化指令、格式约束这些方法论适用于 ChatGPT、Claude、Gemini 等任何大模型。区别只在于不同模型对提示词的敏感度不同，微调即可。翔宇实测过把同一个提示词分别用在 DeepSeek V3、ChatGPT 和 Claude 上——结构化输出和角色扮演这两个模板的效果差异最小，基本上换个模型就能用；但代码优化和翻译模板在不同模型间的表现差异较大，需要针对性微调。

翔宇的实操案例：一个提示词如何省了三天工作量

分享一个翔宇自己的真实案例。翔宇需要从一份 50 页的行业报告中提取关键数据，整理成结构化的表格，然后生成三个不同角度的分析摘要。

如果手动做，至少要花两到三天。用 DeepSeek V3 配合上面的模板，翔宇是这样操作的：

第一步：用「数据提取」模板（模板 3），让 V3 从报告中提取所有公司名称、融资金额、时间节点，输出 JSON 格式。耗时 2 分钟。

第二步：用「结构化输出」模板（模板 12），让 V3 把 JSON 数据转成 Markdown 表格，按时间排序。耗时 1 分钟。

第三步：用「角色扮演」模板（模板 13），分别从投资人、创业者、行业分析师三个视角生成摘要。耗时 5 分钟。

总耗时：不到 10 分钟，产出质量和人工做三天的结果几乎一样。关键在于每一步都用了精准的提示词模板，而不是模糊地让 AI「帮我分析一下」。

这个案例也验证了一个原则：复杂任务拆成小步，每步用对应的模板，比一次性丢给 AI 一个大任务效果好得多。翔宇现在处理任何复杂任务都会先拆步骤，再逐步喂给 AI。

翔宇的 DeepSeek 使用偏好

经过大量实测，翔宇形成了一套 DeepSeek 使用习惯：

• 日常写作用 V3——响应速度快，格式控制好，适合需要特定结构和风格的内容产出
• 逻辑推理用 R1——数学证明、代码调试、复杂分析交给 R1，让它自己思考
• 批量处理用 API——通过 API 调用 V3，配合 response_format 参数强制 JSON 输出，适合需要程序化处理的场景
• 长文本分析利用 V3 的 128K 上下文窗口——可以一次性喂入完整的报告或书稿，但记得把最关键的指令放在开头和结尾

到这里，你已经有了 13 个即用即走的提示词模板

这些模板覆盖了日常工作中最常见的 AI 使用场景。你不需要全部记住——收藏这篇文章，遇到具体场景时回来找对应模板，改改参数就能用。

2026 年 DeepSeek 已经迭代到了 V3.2 和 R1-0528 版本。V3.1 是一次重大更新——它把 V3 和 R1 的优势合并到了一个混合模型中，意味着你不用再纠结「该用 V3 还是 R1」。V3.2 更进一步，在数学和编程评测中达到了和 Gemini 3.0 Pro 同级别的表现。对于日常用户来说，最直观的变化是：模型更聪明了，同时还保持了极低的使用成本。

DeepSeek 作为推理能力突出的开源模型（当前已发展到 V3 和 R1 双线并行，V3 持续迭代优化），最大的特点就是不需要复杂的提示词引导。简单直接的指令，反而能让它发挥得更好。

翔宇的建议是：先从你最常用的两到三个场景开始，把对应模板跑一遍，感受一下「好提示词」和「随便写的提示词」之间的差距。翔宇自己最常用的三个模板是：数据提取（处理各种报告和文档）、结构化输出（和程序对接时必须用 JSON 格式）、角色扮演（从不同专业视角评审自己的内容）。这三个模板覆盖了翔宇日常工作场景的百分之八十以上。

另外一个翔宇想强调的经验：提示词不是一次写好就完事了。同一个任务，翔宇通常会迭代三到四轮提示词。第一轮看 AI 的输出方向对不对，第二轮调整格式和细节要求，第三轮补充约束条件和边界情况。这种迭代过程本身就是在训练你对 AI 能力边界的直觉——用得越多，你越知道怎么写提示词能一次到位。等你建立了直觉，就能自己设计任何场景的提示词了。

下一步

• AI 编程实操课：国内版-FlowUS | 国际版-BMC
• YouTube 频道：翔宇工作流