今天繼續介紹deepseek核心技術：反事實推理。

上一篇簡要回顧：

• 反事實推理，是一種通過構建與事實相反的假設性情景，探索因果關系和潛在結果的邏輯推理方法；
• 反事實推理，有著嚴密的數學模型，屬于因果推斷第三層次：關聯，干預，反事實；
• 反事實推理，能幫deepseek突破數據量上限，加強結果解釋性，提升回復豐富度；

畫外音：詳見《deepseek憑啥能給出這么豐富的答案 - 反事實推理（上）》。

反事實推理，對我們寫提示詞，獲取更佳的回答質量有什么啟示呢？

答：參考反事實推理優化提示詞，能極大提升AI輸出質量。

更具體的，可以使用CREATE提示詞框架：

• Contrast：要求多方案比較
• Risk-aware：要求評估潛在風險
• Experimental：要求假設性推演
• Alternative：要求備選方案
• Trade-off：要求分析優缺點
• Explain：要求說明決策邏輯

比較抽象，舉個例子。

想優化冒泡排序，提示詞我是這么寫的。

非常直白。

AI的輸出如上。

畫外音：為了說明CREATE對提示詞進行優化的效果，選擇了其他AI產品，已打碼。

你說AI的輸出效果差嗎？也不是，非常直接的給出了優化建議，但總覺得差那么點意思，回復的內容不夠豐富。

參考了CREATE提示詞框架進行了簡單的優化。

• 要求給出至少2種方案；
• 兩種方案要進行對比；
• 說明推簡理由；

優化之后，回復的豐富度極大地提升了。

首先，給出了多種方案。

接下來，進行了多維度對比。

最后，進行解釋說明，給出了推薦理由。

CREATE的幾個實踐沒有補全，還可以加上：

• 假如是要對100G文件記錄進行處理，分析與對比可行性（假設推演）；
• 如果最重要選擇xx方案，有什么潛在風險，有什么規避方案（假設推演+風險評估）；

每次詢問deepseek，是不是覺得它的輸出內容特別的豐富，它內置反事實推理提示詞優化。

簡單總結：

(1) 反事實推理對AI輸出內容豐富度提升很大；

(2) 使用CREATE提示詞框架，能夠提升AI輸出的豐富度：

• 要求多方案比較
• 要求評估潛在風險
• 要求假設性推演
• 要求備選方案
• 要求分析優缺點
• 要求說明決策邏輯

經常有人留言，說deepseek都這么流弊了，是不是提示詞“說人話”就好了？

確實，deepseek流弊，“說人話”用戶體驗最好，也能有很豐富的回復。但是：

• 啥都讓deepseek干，會消耗計算資源；
• deepseek深度思考的時間多了，解題的時間也就少了；
• deepseek的推理邏輯，未必符合我們的預期；
• 通過提示詞顯性的告訴它你的想法，會讓AI更高質也更高效；

用戶體驗并不是全部，效率與質量也是解題的一部分：deepseek很NB，我們的提示詞也NB，疊加起來可以NB plus。了解工具的原理，讓自己變得更好，不是更好嗎？

一切的一切，提示詞只有適配了AI的認知模式，才能最高效的發揮最大的作用。

知其然，知其所以然。

思路比結論更重要。