DeepSeek 提示词之角色扮演的使用技巧

老六哥的小提示：我们可能不会被AI轻易淘汰，但是会被“会使用AI的人”淘汰。

在DeepSeek的官方提示库中，有“角色扮演（自定义人设）”的提示词案例。截图如下：

在“角色扮演”的提示词案例中，其实仅仅介绍了可以为DeepSeek自定义人设，来与用户进行角色扮演。但是并没有更深入的讲解“角色扮演”时应该有哪些使用的技巧。

本文老六哥带大家深入解析一下“角色扮演”提示词的使用技巧。

p.s.：老六哥整理了DeepSeek官方提示库的所有内容，可以私信联系老六哥获取更多的资料。

一：角色扮演提示词使用技巧

1、掌握 DeepSeek 的三要素与范式迁移

DeepSeek 的强大之处在于其独特的逻辑范式，这与传统的提示词工程存在显著的范式迁移。传统的大语言模型需要复杂的提示词来引导生成内容（老六哥整理了常用的12种提示词框架，可以查看我的其他博客文章），而 DeepSeek 通过其高效的训练方法和优化的架构，能够以更简单、更直接的方式理解用户的需求。这种范式迁移的核心在于 DeepSeek 的三个关键要素：

高效记忆法：DeepSeek 采用了 MLA（Multi-head Latent Attention）技术，能够用更少的显存记住长文的关键信息，处理起来又快又准。这种技术类似于人类在学习时只记住核心要点，从而提高效率。
智能分配机制：DeepSeek 的 MoE（Mixture of Experts）架构类似于拥有 256 位“AI 家教”，但只会让最擅长的几位来帮忙解题。例如，“数学专家”解决数学题，“编程专家”搞定代码任务，从而实现高效的任务处理。
双线程操作：DeepSeek 的 DualPipe 流水线并行技术使其能够同时处理多个任务，类似于人类在完成作业时同时进行语文和数学学习，极大地提高了效率。

这种范式迁移使得 DeepSeek 在处理复杂任务时更加高效，用户无需掌握复杂的提示词技巧，只需简单表述需求，即可获得超出预期的回答。

2、一键切换“说人话”模式

在使用 DeepSeek 时，我们可能会遇到生成的答案信息密度过高、存在过度复杂化倾向，甚至难以理解的情况。这时，我们可以使用“听不懂，说人话”这一指令，让 DeepSeek 自动启动语义降维处理。DeepSeek 会将复杂的专业术语转化为通俗易懂的语言，使用户能够更好地理解其回答。

例如，当询问 DeepSeek 关于其训练成本低的原因时，它可能会使用专业术语如“MoE 架构”“蒸馏”和“FP8”来解释。但如果加上“说人话”，DeepSeek 会用“100 个员工中只让 10 个员工干活”来解释 MoE 架构，用“高清电影转 MP4 格式”来解释 FP8。

这种模式切换极大地提升了用户体验，使 DeepSeek 成为我们工作、学习和生活的好帮手。

3、反向调教：越杠越聪明

DeepSeek 的自主认知架构具备完整的思维链闭环，其推理逻辑系统内建对抗性训练机制。这意味着我们可以通过反向提示词 PUA（Pick-up Artist，即“搭讪艺术家”，在这里指通过特定的提示词引导 AI 优化回答）对 DeepSeek 进行调教，从而迭代优化其性能。

例如，当我们对 DeepSeek 的某个回答不满意时，可以提出更具挑战性的问题或要求，促使它重新审视答案，挖掘内容的不足之处。

这种反向调教不仅能够提升 DeepSeek 的回答质量，还能使其在不断的互动中变得更加智能。

假设你正在使用 DeepSeek 扮演编程专家来解决一个复杂的编程问题，你要求它生成一个 Python 函数来实现快速排序算法。DeepSeek 给出了一个初步的回答：

def quicksort(arr):if len(arr) <= 1:return arrpivot = arr[len(arr) // 2]left = [x for x in arr if x < pivot]right = [x for x in arr if x > pivot]return quicksort(left) + [pivot] * arr.count(pivot) + quicksort(right)

你测试了这段代码，发现它虽然能正常运行，但在处理大量重复元素时效率较低。于是你决定通过“反向调教”来优化 DeepSeek 的回答。

反向调教步骤：

1.提出更具挑战性的问题

你向 DeepSeek 提出新的要求：“这段代码在处理大量重复元素时效率较低，请你优化它，使其在处理重复元素时的时间复杂度尽可能低。”

2.引导 DeepSeek 重新审视答案：

DeepSeek 接收到你的反馈后，重新审视了代码，并尝试从优化的角度进行改进。它可能会生成一个新的版本：

def quicksort(arr):if len(arr) <= 1:return arrpivot = arr[len(arr) // 2]left = [x for x in arr if x < pivot]right = [x for x in arr if x > pivot]middle = [x for x in arr if x == pivot]return quicksort(left) + middle + quicksort(right)

这个版本通过减少对重复元素的重复处理，提高了效率。

3.进一步优化：

你测试了新的代码，发现效率有所提升，但仍然不满意。于是你继续提出更高要求：“能否进一步优化，避免在每次递归中都计算 arr.count(pivot)？”

4.最终优化版本：

DeepSeek 经过重新思考，给出了一个更优化的版本：

def quicksort(arr):if len(arr) <= 1:return arrpivot = arr[len(arr) // 2]left = [x for x in arr if x < pivot]right = [x for x in arr if x > pivot]middle = [x for x in arr if x == pivot]return quicksort(left) + middle + quicksort(right)

这个版本通过将重复元素单独处理，避免了在每次递归中重复计算，进一步提高了效率。