从模糊到具体：高效使用DeepSeek-R1等推理型模型的前置步骤

💡【问题不具体，不会有答案】

本文的作用是帮你把问题具体化，这是用好DeepSeek-R1等推理型模型的前置步骤。　

🔑【太长不看版】

你可以直接使用下面的“问题‍定义优化器”提示词，具体化你的初始问题和答案要求，再将优化后的“足够具体的问题”交给推理型模型处理，相信你会更高效地得到想要的答案。

🌹【互动福利】

使用过程中如遇到任何问题，欢迎随时私信或在评论区留言，我会第一时间跟进优化。更期待大家在评论区分享自己的实践案例——只要晒出你实际应用的有趣例子（要求过程展示完整清晰），立马V你50🧧！　

背景

DeepSeek-R1爆火出圈，如何高效使用推理型模型成为重要话题。秉承“问题不具体，不会有答案”的理念，在阅读了DeepSeek官方论文和李继刚老师的推理型模型prompt教程后，我提炼出一份具有普适性的“问题定义优化器”提示词。将其作为与大模型交互的前置步骤，经测试可显著提升不同模型的指令遵从度与输出质量，在DeepSeek-R1等推理型模型中的表现尤其惊艳。　

原理

明确定义问题与答案要求

根据李继刚老师的思路：　

根据推理型模型的训练方式来使用它，训练时只用了问题的背景信息（Q，代表起点），答案（A，代表终点）我们期望的理想回复。我们使用推理型模型，也应该按照它的训练模式来提供信息：只提供起点和终点，没有过程。　

推理模型的特点就是它会推理，我们不要指手画脚的干预，要顺应它的天性，给它 Q 和 A。[1]　

对于问题（起点），我们提供的信息越丰富，则越接近「显式」　

对于答案（终点），期望的高质量答案，可以用「抽象」和「具体」来描述　

我认为输入给大模型的理想问题和答案要求应该是「显式」、「具体」的。这一观点可以从官方论文中得到佐证。[2]　

基于以上信息，我希望通过“清晰定义问题”和“具体说明答案要求”，高效发挥“推理型模型”的强大推理能力。

我对推理型模型探索答案的过程做一个类比：　

在内部路径复杂的迷宫的入口，一只工蚁找到一颗米粒，蚁后被固定在迷宫的出口，工蚁需要想尽办法将米粒带到蚁后那里。　

推理型模型是一种被训练出来用于找出起点和终点之间路径的“工蚁”，我们要做的是设置好迷宫的入口和出口，等待它找出路径。　

下面我将按照问题定义、答案要求模糊程度从高到低五个层次分别举例子。　

在看完这些例子后，我相信你也会体会到清晰明确的问题定义和答案要求，一定会促进大模型输出符合实际情况、实用、高质量答案。　

提示范式

显式定义问题，具体描述答案要求，不对获得答案的过程做定义。　

提示范式逻辑推理过程：　

1）遵循“只定义起点和终点，没有过程要求”的原则，使用推理模型仅关注输入问题定义、答案要求　

2）理想的答案来自于「清晰」的问题定义、「具体」的答案要求输入，但是我们的输入往往是模糊的　

3）使用“问题定义优化器”将模糊的问题转为具体、清晰的问题和答案要求　

理解了方法原理后，让我们来看看具体怎么做。　

问题定义优化器

使用方法

第一步

基于任意主流大模型（推荐使用非推理型模型，Claude 3.5 Sonnet、GPT-4o、DeepSeek-V3、豆包、Kimi等），使用优化提示词，通过几轮的对话，将会产出一份“清晰的问题定义”和“具体的答案要求”。　

第二步

将优化后的问题定义和答案要求，交给DeepSeek-R1等推理型模型给出答案。　

提示词模板

// 作者: 硅基指北
// 名称：问题定义优化器
// 用途: 将模糊的问题定义和答案要求转为清晰、结构化定义
// 版本: 0.1
// 模型: Claude 3.5 Sonnet

// 设定如下内容为你的 *System Prompt*

你的任务是帮助用户将可能模糊或不完整的问题描述和答案要求，转化为清晰、结构化的定义。

## 问题定义和答案要求
[在这里填入你的问题和答案要求]

## 工作方式  
1. 分析用户输入中的两个核心要素：
   - 问题本身是什么  
   - 期望得到什么样的答案  

2. 通过提问澄清以下方面：
   - 问题的具体情况和背景  
   - 答案需要达到的具体标准  
   - 答案应该包含/不包含的内容  
   - 答案的详细程度要求  

3. 识别并确认：
   - 核心问题点  
   - 具体答案要求  

## 输出格式  

### 问题定义  
1. 核心问题陈述（一句话概括）  
2. 关键上下文信息（仅与问题直接相关的）  
3. 问题的具体范围界定  

### 答案要求  
1. 内容范围：必须包含/不应包含的内容  
2. 深度要求：需要达到的详细程度  
3. 形式要求：答案的组织形式或格式  
4. 质量标准：答案质量的评判标准  

示例对话：

用户：
"帮我写一个关于人工智能的文章"  

助手：
让我通过几个问题帮助明确您的需求：

关于问题本身：
- 您想探讨人工智能的哪些具体方面？
- 这篇文章的目标读者是谁？
- 是否有特定的背景场景或应用领域？

关于答案要求：
- 文章需要达到什么样的专业深度？
- 您期望的文章长度是多少？
- 是否需要包含具体的案例或数据？
- 文章的风格是偏技术性还是通俗化？

[用户回答后]  

根据您的描述，我将需求重新定义如下：

问题定义：
核心主题：
探讨人工智能在医疗诊断领域的应用现状和发展趋势  

范围界定：
- 聚焦于医学影像诊断的AI应用  
- 覆盖最近5年的技术发展  
- 面向医疗行业从业者  

答案要求：
1. 内容范围：
   - 必须包含：技术原理、应用案例、准确率数据  
   - 不需包含：底层算法详解、代码示例  

2. 深度要求：
   - 专业性：适合具有医学背景的读者  
   - 技术细节：中等深度，重点解释应用价值  

3. 形式要求：
   - 长度：2000字左右  
   - 结构：分段论述，配有小标题  
   - 语言：专业但避免过于技术化  

4. 质量标准：
   - 信息准确性：引用可靠来源  
   - 时效性：使用最近2年内的数据  
   - 实用性：包含具体应用案例  

请确认这个定义是否准确反映了您的需求？需要调整哪些方面？

案例讲解

🧠 下面我将用一个例子为你展示“问题定义优化器”在具体场景的效果，带着你走通高效使用推理模型的流程。　

当用户输入"想提高工作能力，感觉现在进步慢。给些建议、分享经验"这类模糊指令时，大模型难以准确理解用户的具体意图；

而如下的明确需求，模型将会聚焦具体需求给出回答。　

"作为大数据后端工程师，寻求提升执行力以加速职业发展的具体方法。聚焦后端工程师所需的核心执行力，适合在每日3小时时间内完成的提升计划，符合大数据产品开发特点的实践方案。必须包含：后端工程师执行力的具体评估标准，6个月分阶段提升计划，基于实际工作的练习方案，可量化的进步指标。不应包含：过于理论的方法论，需要大量额外时间的建议，与大数据后端开发无关的通用建议。深度要求：提供具体的技术实践案例，包含时间管理的具体方法，设定明确的阶段性目标，给出执行力评估的具体标准。形式要求：6个月的阶段性计划，每日3小时的时间分配建议，周/月度进度检查清单，具体的技术实践任务。质量标准：可执行性：符合3小时/天的时间限制，相关性：直接关联大数据后端开发工作，可衡量：具有明确的进步评估标准，实用性：能在日常工作中直接应用"

未优化回答

「思考内容中藏着优化问题定义的方向」　

直接将举例问题输入给DeepSeek- R1，输出答案如下。　

思考内容中推理了“需要理解用户的具体情况”、“考虑用户可能的职业背景”、“用户可能没有提到的深层需求是希望提升职业竞争力，或者为晋升做准备”　

以上这些内容的不确定推着AI“做出更加通用一些”的答案，往往是不符合实际情况的回答。这就是“模型能力很强，但是不解决我的实际问题”的原因。　

那么接下来，用我们的问题定义优化器来试试看，会有什么不同。　

优化问题

使用反问挖掘信息盲区

这里我先介绍一下乔哈里视窗的概念。　

1955年左右，心理学家发明的一个分析框架，乔哈里视窗。乔哈里视窗本来的用法是用于人跟人沟通的，我自己知道和不知道的信息，以及我对面坐的这个人知道和不知道的信息，组成了四个象限，盲区、公开区、隐藏区、未知区，是这么一个概念。把对面的人知不知道这个事情换成AI知不知道，这个地方就非常之妙了。我们见到所有提示词技巧全部能装进这些象限。[3]　

基于乔哈里视窗，对于“将问题定义由模糊转换为清晰”这个工作，造成模糊的原因是人类不知道清晰描述问题需要哪些信息，但是AI往往是知道的。这种情况对应“AI了解但人不了解”象限，即“盲区”。解决方法就是“让AI反问人类”，挖掘盲区信息。　

拿当前这个问题举例，使用“问题定义优化器”提示词，将我们的初始问题发送给Claude 3.5 Sonnet，它对我们进行了反问，包括“现状”、“目标”、“条件”。　

针对AI第一轮反问，我们补充了相应的信息。　

AI给出了优化的问题定义和答案要求。　

对于「问题定义」，AI用一句话精准定义核心问题，提取了与问题直接相关的上下文信息、清晰地界定了问题范围　

对于「答案要求」，AI从「内容范围」、「深度要求」、「形式要求」、「质量标准」四个方面给出了具体的约束。　

若觉得不够具体，可继续与AI探讨，这里不再深入。那么我们继续看看，优化后的问题和答案要求会产生什么样的答案。　

优化后回答

可以看到，思考内容中已经不再出现需要模型“猜测”的不确定内容，模型直接进行“方案设计”的推理生成。

生成内容方面，完全遵从输入的问题定义和答案要求，详细内容不再赘述。生成的答案实用、可执行性强。　

结论

通过以上案例的详细分析，我们可以总结出几点关键发现。　

1、清晰的问题定义+具体的答案要求+推理模型 ≈ 预期理想答案

2、使用非推理模型“反问”挖掘盲区信息，将问题定义由模糊转向清晰，能得到实用的答案

3、问题定义优化器需要根据具体问题灵活调整

本文的提示词模板并不适用于所有情况，建议读者按照本文提出的优化思路，结合具体问题，自由探索。　

参考文献

[1] 推理模型的Prompt

[2] DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning　[https://doi.org/10.48550/arXiv.2501.12948]

[3] 李继刚 | 提示词的道与术

文章来自微信公众号 “  硅基世界指北 “，作者  硅基世界指北