最大化 deepseek 潜能：反事实推理-下（8/16）

CREATE 提示词框架：把反事实推理用在自己的提示词里

《DeepSeek 原理与实践》第 8 篇：deepseek 极限潜能 – 反事实推理（下）。

今天继续介绍deepseek核心技术：反事实推理。

上一篇简要回顾：

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，属于因果推断第三层次：关联，干预，反事实；
3. 反事实推理，能帮deepseek突破数据量上限，加强结果解释性，提升回复丰富度；

详见《deepseek凭啥能给出这么丰富的答案 – 反事实推理（上）》。

反事实推理，对我们写提示词，获取更佳的回答质量有什么启示呢？

答：参考反事实推理优化提示词，能极大提升AI输出质量。

更具体的，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

比较抽象，举个例子。

想优化冒泡排序，提示词我是这么写的。

非常直白。

AI的输出如上。

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。

你说AI的输出效果差吗？也不是，非常直接的给出了优化建议，但总觉得差那么点意思，回复的内容不够丰富。

参考了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. 说明推荐理由；

优化之后，回复的丰富度极大地提升了。

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. 如果最终选择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，它内置反事实推理提示词优化。

简单总结

1. 反事实推理对AI输出内容丰富度提升很大；
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都这么流弊了，是不是提示词“说人话”就好了？

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

1. 啥都让deepseek干，会消耗计算资源；
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；

通过提示词显性地告诉它你的想法，会让AI更高质也更高效；

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，才能最高效的发挥最大的作用。

检验一下

提示词篇告一段落。接下来换个口味，开拆开源项目——第 9 篇，deepseek 开源的 FlashMLA，究竟是个啥？

知其然，知其所以然。思路比结论更重要。