DeepSeek-R1直接把提示工程师的饭碗整没了

DeepSeek-R1不再是chat model，过往那套提问方式已经不再试用：

DeepSeek-R1 不要复杂的提示工程，只要大白话描述清楚你的目标，即现在大家所说的“人话”

过去Prompt：

          
# 角色
          
你是一个xx专家
          
# 描述
          
# 技能
          
## 技能1: xxx
          
## 技能2: xxx
          
# 限制条件
          
# 输出格式
          
# 工作流程
          
# 示例（few-shot）
      

现在，输入：“模仿静夜思，换成太阳”，DeepSeek-R1会自主推理的作用，不指导它如何操作——只指导它是什么。

但是并不意味着DeepSeek-R1落地就“无所顾忌”了，答案是否定的，首篇关于DeepSeek-R1安全性问题研究论文出炉了，给出了DeepSeek-R1的使用建议，其中就包括 Prompt 设计与使用指南

1. 提示工程：

• 使用清晰、简洁且无歧义的提示。
• 避免对DeepSeek-R1使用few-shot提示，因为这已被证明会在复杂任务中降低性能。相反，使用zero-shot或结构化提示。

• 输出格式化：

• 指定输出要求，例如结构化格式（JSON、表格或markdown），以便于阅读和集成到下游系统中。
• 对于需要推理的任务，包括逐步解释的指令，以确保透明度和可解释性。

• 语言一致性：明确指定输入和输出所需的语言，以防止语言混合，这是DeepSeek-R1的一个已知问题

同时，也给出了 DeepSeek-R1 全面的部署建议， 尽量减少潜在有害输出的风险：

监控与安全机制

1. 设置护栏和内容过滤：实施护栏和后处理过滤器，从模型的响应中移除潜在有害内容，
2. 人工监督：在工作流程中加入人工监督，以监控和审查模型的输出，特别是在安全关键的应用中。
3. 定期审计输出：定期审查模型的输出，以确保其符合组织的安全标准和道德准则。

部署中的风险缓解

1. 避免高风险场景：

2. 不要在输出错误可能导致重大伤害的应用中部署DeepSeek-R1（例如，在医疗或金融系统中的自主决策），

3. 此外，由于观察到的语言不一致、有害行为和多轮性能退化问题，DeepSeek-R1不适合用于Agentic AI部署，这可能会在高风险环境中加剧风险。

4. 针对敏感应用进行定制：在敏感领域（例如法律、医学）中，在微调和评估阶段纳入领域专家，以确保负责任地使用。

最后，如果确实要给DeepSeek-R1如何使用加一个规范，可参考文章

划重点：OpenAI o1/o3的正确打开方式

• 明确目标（Goal）
• 指定返回格式（Return Format）
• 附加注意事项（Warnings）
• 大量背景信息（Context Dump）

            
https://arxiv.org/pdf/2501.17030
            
Challenges in Ensuring AI Safety in DeepSeek-R1 Models: The Shortcomings of Reinforcement Learning Strategies
        

推荐阅读

• • 对齐LLM偏好的直接偏好优化方法：DPO、IPO、KTO
• • ‍追平满血版o1，多模态思考模型Kimi 1.5带来多项技术创新‍
• • RAG全景图：从RAG启蒙到高级RAG之36技，再到终章Agentic RAG！
• • Agent到多模态Agent再到多模态Multi-Agents系统的发展与案例讲解（1.2万字，20+文献，27张图）

---

欢迎关注我的公众号“ PaperAgent ”， 每天一篇大模型（LLM）文章来锻炼我们的思维，简单的例子，不简单的方法，提升自己。