如何编写高效的DeepSeek System Prompt

DeepSeek的system prompt越短越有效，3行内动词开头的纯指令比长文本更可靠；其对system敏感度低，需避免嵌套条件、语气词和超80字内容，且user指令优先级更高。 ☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 多模态理解力帮你轻松跨越从0到1的创作门槛☜☜☜ DeepSeek 的 system prompt 不是越长越好，也不是堆砌规则就能生效；它真正起效的前提是：模型能稳定识别并服从其中的指令边界，而 DeepSeek-V2/V3 对 system prompt 的敏感度明显低于 Llama 或 Qwen 系统。直接给结论—— 多数场景下，用 3 行以内、动词开头、无嵌套条件的纯指令比“全面定义角色+输出格式+注意事项”的长 prompt 更可靠。 DeepSeek 实际解析 system prompt 的行为特点 DeepSeek（尤其 V2 及之后版本）对 system prompt 的处理更接近“弱引导”而非“强约束”。它不会像某些闭源模型那样严格校验输出结构，也不会因 system 中写了“请用 JSON 输出”就真的强制 JSON——除非你在 user query 里同步强调且提供示例。 system 中的语气词（如“请”“希望”“建议”）会被弱化，动词开头的短句（如“输出 JSON”“只返回数字”“忽略输入中的日期”）识别率更高 超过 80 字的 system prompt 容易触发内部截断或注意力稀释，实测 V3 在 120 字后服从率下降约 40% 它不支持 system 中嵌套 if-else 或多级条件，例如 这类逻辑基本被忽略 system prompt 无法覆盖 user message 的显式指令优先级——user 说“用表格”，哪怕 system 写了“用段落”，最终大概率还是表格 真正起作用的 3 类 system prompt 写法 不是所有指令都值得放进 system；只有那些高频、跨轮次、且容易被 user 意外覆盖的约束才需要固化。实操中验证有效的仅三类： 格式锁死型 ：适用于 API 批量调用或下游解析，例如 角色静默型 ：不写“你是一个资深工程师”，而是用行为定义，例如 过滤指令型 ：针对特定干扰项，例如 其他如“保持友善”“逐步思考”“引用来源”等泛化要求，在 DeepSeek 上几乎无统计显著性提升，反而增加 token 开销。 Qwen 阿里巴巴推出的一系列AI大语言模型和多模态模型 下载 和 user prompt 配合时的关键错位点 很多人把 system 当“总纲”，结果 user prompt 一写具体要求就冲突。DeepSeek 实际执行时，会把 system 和 user 当作连续文本做 attention，因此二者语义不能矛盾，也不能重复覆盖。 system 写了 ，user 却写 → 大概率按 user 执行（因为位置靠后 + 更具体） system 要求 ，user 给了长上下文但没重申长度 → DeepSeek 常忽略 system 限制，输出超长 正确配合方式：system 定边界，user 定动作。例如 system： ；user： 如果你发现 system prompt 像“贴在墙上没人看”，先检查 user message 是否无意中用更具体的措辞覆盖了它——这是最常被忽略的失效原因。