《
deepseek原理应用与实践》
8.deepseek极限潜能 - 反事实推理（下）
今天继续介绍deepseek核心技术：
反事实推理
。
上一篇简要回顾：
1. 反事实推理，是一种通过构建与事实相反的假设性情景，探索因果关系和潜在结果的逻辑推理方法；
2. 反事实推理，有着严密的数学模型，属于因果推断第三层次：
关联，
干预，
反事实；
3. 反事实推理，能帮deepseek突破数据量上限，加强结果解释性，提升回复丰富度；
画外音：详见
《
deepseek凭啥能给出这么丰富的答案 - 反事实推理（上）
》。
反事实推理，对我们写提示词，获取更佳的回答质量有什么启示呢？
答：参考反事实推理优化提示词，
能极大提升AI输出质量。
更具体的，可以使用
CREATE提示词框架：
C
ontrast：
要求多方案比较
R
isk-aware：
要求评估潜在风险
E
xperimental：
要求假设性推演
A
lternative：
要求备选方案
T
rade-off：
要求分析优缺点
E
xplain：
要求说明决策逻辑
比较抽象，举个例子。
想优化冒泡排序，提示词我是这么写的。
非常直白。
AI的输出如上。
画外音：为了说明CREATE对提示词进行优化的效果，选择了其他AI产品，已打码。
你说AI的输出效果差吗？也不是，非常直接的给出了优化建议，但总觉得差那么点意思，
回复的内容不够丰富。
参考了CREATE提示词框架进行了简单的优化。
1. 要求给出至少2种方案；
2. 两种方案要进行对比；
3. 说明推简理由；
优化之后，回复的丰富度极大地提升了。
首先，给出了多种方案。
接下来，进行了多维度对比。
最后，进行解释说明，给出了推荐理由。
CREATE的几个实践没有补全，还可以加上：
4. 假如是要对100G文件记录进行处理，分析与对比可行性（
假设推演
）；
5. 如果最重要选择xx方案，有什么潜在风险，有什么规避方案（
假设推演+风险评估
）；
每次询问deepseek，是不是觉得它的输出内容特别的丰富，它
内置反事实推理提示词优化
。
简单总结：
1. 反事实推理对AI输出内容丰富度提升很大；
2. 使用CREATE提示词框架，能够提升AI输出的丰富度：
- 要求多方案比较
- 要求评估潜在风险
- 要求假设性推演
- 要求备选方案
- 要求分析优缺点
- 要求说明决策逻辑
经常有人留言，说deepseek都这么流弊了，是不是提示词“说人话”就好了？
确实，deepseek流弊，“说人话”用户体验最好，也能有很丰富的回复。
但是：
1. 啥都让deepseek干，会消耗计算资源；
2. deepseek深度思考的时间多了，解题的时间也就少了；
3. deepseek的推理逻辑，未必符合我们的预期；
通过提示词显性的告诉它你的想法，会让AI更高质也更高效；
用户体验并不是全部，
效率与质量
也是解题的一部分
：
deepseek很NB，我们的提示词也NB，叠加起来可以NB plus。
了解工具的原理，让自己变得更好，不是更好吗？
一切的一切，
提示词只有适配了AI的认知模式，才能最高效的发挥最大的作用。
https://plato.stanford.edu/entries/counterfactuals/
《
最大化deepseek潜能 - 3大原则（1）
》
《
最大化deepseek潜能 - MOE（3）
》
《
最大化deepseek潜能 - 反事实推理[上]（7）
》
