DeepSeek 提示模板：V4 实践者图书馆

您打开了DeepSeek控制台，粘贴了“写一封营销邮件”，得到了一些通用的内容。问题不在于模型，而在于提示。经过六个月在DeepSeek V4-Pro和V4-Flash上通过生产工作负载——提取管道、代码审查、法律文件的RAG（阅读-询问-生成）、每周报告——运行后，我收集了一组DeepSeek提示模板库，这些模板始终优于临时请求。它们简短、结构化，并调整到DeepSeek文档实际推荐的参数。

本文为您提供了12个复制粘贴模板，按任务组织——提取、代码、推理、写作、代理工具使用——以及使它们工作的温度设置、系统提示结构和JSON模式注意事项。自2026年4月24日V4预览发布以来，每个模板都已针对`deepseek-v4-pro`和`deepseek-v4-flash`进行测试。

为什么在 DeepSeek V4 上提示模板更重要

V4改变了规则。旧版模型名称 deepseek-chat and deepseek-reasoner 将于2026-07-24被弃用，并且它们现在对应于 deepseek-v4-flash 分别。这次迁移对模板很重要，因为思维不再是单独的模型——它是在两个模型中的请求参数。 deepseek-v4-pro or deepseek-v4-flash的非思考模式和思考模式。相同的提示根据是否设置了 reasoning_effort="high" with extra_body={"thinking": {"type": "enabled"}}，或者关闭它，会产生可测量的不同输出。

V4的另一项变化是上下文。两个层级默认为1,000,000个令牌的窗口，输出最多384,000个令牌。这意味着模板可以更长，包含更多示例，嵌入更多参考资料，比V3.2上的更多。但如果你不结构化长提示，那么它们也会成为浪费。我们将在下面介绍缓存友好的布局。

关于底层模型的背景信息，请参阅 DeepSeek V4-Pro and DeepSeek V4-Flash如果您想深入了解提示理论而不是现成的模板，请参阅配套文章。 DeepSeek prompt engineering 是更好的起点。

四块模板结构

本文中的每个模板都遵循相同的四块布局。这是我找到的最容易维护的结构，也是上下文缓存指纹识别最容易的结构。

1. 系统模块 ——角色、约束、输出格式。在调用之间保持稳定。
2. 参考块 — 架构s, examples, retrieved 文档s. Mostly stable.
3. 任务块 —— 本回合要做什么。每次调用可能发生变化。
4. 用户输入 —— 易变内容（一个问题、一个文件、一行数据）。

块1和2属于 system 消息或第一条 user 消息的前面。块3和4放在后续 user 消息。因为默认温度是1.0，DeepSeek建议根据每个用例进行调整——代码和结构化分析接近0.0，一般对话约为1.3，创意工作高于1.0，以下每个模板都将提示与推荐的温度配对。

与每个模板搭配的温度设置

这些与DeepSeek官方在API参数文档页面上的指导一致。选择一个并坚持用于该模板——不要同时推送 top_p; DeepSeek和与OpenAI兼容的规范通常建议调整温度或top_p，但不要两者都调整。

模板 1 — 结构化提取（JSON 模式）

当你需要文本输出时使用此功能。DeepSeek API使用与OpenAI/Anthropic兼容的格式，因此你可以通过更改配置来使用OpenAI SDK针对DeepSeek基本URL。设置 response_format={"type": "json_object"}, set max_tokens 足够高以避免截断，并在提示中包含“json”一词以及一个小示例模式。

System:
You are a 结构化-数据 提取or. Return only valid JSON matching the 架构.
Do not include prose. If a field is unknown, return null.

Schema (example):
{
  "company": "Acme Inc",
  "amount_usd": 12500.00,
  "invoice_date": "2026-04-12",
  "line_items": [{"sku": "A-1", "qty": 2, "price": 19.99}]
}

User:
Extract a json record from the 电子邮件 below. Use the 架构 above.

[paste 电子邮件]

JSON模式旨在返回有效的JSON，但不保证。模型偶尔会返回空内容，因此请在解析时进行重试。完整警告已在文档中说明。 DeepSeek API JSON mode 指南。推荐模型： deepseek-v4-flash，非思考模式，温度1.0。

模板 2 — 带约束的代码生成

代码是温度-0设置发挥作用的地方。告诉模型语言、运行时、允许的库以及不想要的故障模式。

System:
You are a senior Python engineer. Write Python 3.12 code only.
所有owed libs: stdlib, httpx, pydantic. No requests, no global state.
Return one fenced code block plus a 3-line explanation.

User:
Write a function fetch_invoices(api_key: str, since: date) -> list[Invoice]
that pages /v1/invoices?since=... and returns a list of Pydantic Invoice
models with id, amount_cents, currency, paid_at fields.

For multi-file 代码重构s, switch to deepseek-v4-pro with thinking enabled. Pair this template with the workflow 描述d in DeepSeek for coding.

模板 3 — 思维模式下的推理

思考模式是一个参数，而不是一个模型。对于最困难的问题，设置 reasoning_effort="high" and extra_body={"thinking": {"type": "enabled"}}; the response returns reasoning_content alongside the final content. Use "max" —— 文档指出这需要 max_model_len >= 393216 to avoid truncation.

System:
You are a careful analyst. Think through the problem step by step in
reasoning_content. In content, return only the final answer in the
format requested.

User:
A SaaS charges $0.14 per 1M input tokens and $0.28 per 1M output.
We make 1M calls/day, each with 2,000 cached input + 200 fresh input
+ 300 output tokens. Cache-hit input is $0.0028/M. What is the daily
spend, broken down by bucket? Return a markdown table.

这就是本文前面提到的V4-Flash工作示例——每日总额为117.60美元（缓存5.60美元，缺失28美元，输出84美元）。展示数学计算胜过信任任何单一模型输出。

模板 4 — 缓存友好的系统提示

上下文缓存将V4-Flash的输入成本从每百万个标记0.14美元降低到0.0028美元，并将V4-Pro的列表价格从1.74美元/列表降至0.0145美元/列表，促销价格从0.435美元降至0.003625美元，直至2026年5月31日。当DeepSeek检测到重复的前缀时，缓存命中价格将自动应用。要触发它，请保持调用之间的前缀位相同。

• Put the entire static instruction set, 架构s, and few-shot examples in 消息中 （系统）或消息的最前面 消息中 （用户）。
• 请勿将时间戳、请求ID或每个用户的名称插入到前缀中。
• 如果用户特定的位必须提前出现，请将其推入后续消息中，并保持系统块稳定。

关于缓存命中实际节省的数学计算，请参考 DeepSeek context caching 中的示例。

模板 5 — 引用来源的RAG（阅读-询问-生成）

System:
You answer questions only from the provided sources. Cite each claim
with the source id in square brackets, e.g. [S2]. If the sources do
not contain the answer, 回复: "Not in sources." Do not invent facts.

Sources:
[S1] {chunk 1 text}
[S2] {chunk 2 text}
[S3] {chunk 3 text}

User:
{question}

与检索功能配合使用，如 DeepSeek RAG（阅读-询问-生成） tutorial. Temperature 1.0; deepseek-v4-flash 中所述，对于大多数检索来说是可以的，当答案必须全面时，升级到V4-Pro。

模板 6 — 长文档摘要

在1M标记的上下文中，您很少需要分块只是为了适应。您仍然需要指导哪些内容需要总结。

System:
Summarise the 文档 in three layers:
1. One-sentence verdict
2. Five bullet key findings, each <= 20 words
3. Risks and unknowns, with section references like (p. 12)

Do not editorialise. Do not add information that is not in the 文档.

模板 7 — 基于角色的批判

角色提示之所以有效，是因为它们限制了词汇范围以及模型视为相关的内容。请具体说明。

You are a 数据base administrator with 15 years of Postgres experience.
Review the SQL below. List, in order of severity:
1. Correctness bugs
2. Performance issues at > 10M rows
3. Style problems
For each, quote the offending line and propose a fix.

模板 8 — 工具调用骨架

在OpenAI格式中，函数调用是可行的。声明工具，让模型发出工具调用，在客户端运行调用，并将结果附加到 messages，然后再次调用。API是无状态的——聊天请求击中 POST /chat/completions，OpenAI兼容的端点，并且你必须在每个回合重新发送对话历史。

from openai import OpenAI
client = OpenAI(base_url="https://api.deepseek.com", api_key="...")

tools = [{
  "type": "function",
  "function": {
    "name": "get_weather",
    "description": "Current weather for a city",
    "parameters": {
      "type": "object",
      "properties": {"city": {"type": "string"}},
      "required": ["city"]
    }
  }
}]

resp = client.chat.completions.create(
    model="deepseek-v4-flash",
    messages=[{"role": "user", "content": "Weather in Dublin?"}],
    tools=tools,
)

完整模式请参见 DeepSeek API function calling.

模板 9 — 带有语域控制的翻译

Translate the text below from English to {target}.
Register: {formal|conversational|technical}.
Preserve: code blocks, URLs, numbers, proper nouns.
Output only the translation, no commentary.

温度设置为1.3产生的输出比0更自然；官方文档将1.3标记为推荐的翻译设置。

模板 10 — 创意写作大纲

Write a {format} of {length} words about {topic}.
Audience: {who}. Tone: {adjective + adjective}.
Constraints: {must include}. Avoid: {must not}.
Provide two distinct 草稿s, then a one-line note on the difference.

温度设置为1.5。如果两个草稿感觉相同，提高到1.7或重新运行——V4在低温下可能会锁定在单一声音上。

模板 11 — 测试用例生成器

For the function signature below, generate pytest 测试 covering:
- Happy path (3 cases)
- Edge cases (empty, single element, max size)
- Error cases (invalid type, out-of-range)
Return one fenced code block. No commentary.

{paste signature + docstring}

模板 12 — 自我批判环节

Cheap on V4-Flash, often worth running. The first call 草稿s; the second 批评s and 重写s.

Pass 1 (temperature 1.3): Draft the response.
Pass 2 (temperature 0.0): "Critique the 草稿 below for factual errors,
weak claims, and structural problems. Rewrite to fix them. Output only
the rewritten version."

端点和参数参考

上述每个模板都发送到 POST /chat/completions at https://api.deepseek.comDeepSeek的API与OpenAI和Anthropic兼容，因此您可以在任一SDK中交换基本URL和密钥。上述模板中出现的参数：

• model — deepseek-v4-pro or deepseek-v4-flash
• temperature —参见上表
• max_tokens —使用JSON模式时，将其设置为高（例如8000+）
• reasoning_effort — "high" or "max" with extra_body={"thinking": {"type": "enabled"}}
• response_format — {"type": "json_object"} —针对模板1
• tools —针对模板8
• stream —对于聊天用户界面为真

—关于设置，请参阅 how to get a DeepSeek API key—有关包括提示生成器在内的更广泛工具集，请参阅 DeepSeek tools and utilities hub.

我不会做什么

• —系统提示中的行内时间戳——杀死缓存命中。
• —设置两者 temperature and top_p aggressively — 选择 one.
• 使用思考模式回答简短的事实性问题——您将支付不需要的输出令牌费用。
• 信任JSON模式而不使用解析器回退——它是“设计用来”返回JSON的，但不保证。
• 引用第三方博客中的单个SWE-Bench数字，但不要检查分割情况（验证版 vs 完整版 vs 轻量版）。

DeepSeek AI Guide is an independent resource and is not affiliated with DeepSeek or its parent company. Model IDs, pricing and API behaviour change; check the official DeepSeek 文档ation and pricing page before 提交ting to a production 决策.