今天我们继续深入探讨deepseek的核心技术：反事实推理。

让我们简要回顾一下前文的内容：

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；反事实推理有着严密的数学模型，属于因果推断的第三层次：关联，干预，反事实；反事实推理能够帮助deepseek突破数据量的上限，加强结果的解释性，提升回复的丰富度；

画外音：详见《deepseek凭啥能给出这么丰富的答案 - 反事实推理（上）》。

那么，反事实推理对于我们优化提示词，获取更高质量的回答有什么启示呢？

答：通过参考反事实推理来优化提示词，可以极大地提升AI的输出质量。

具体来说，可以使用CREATE提示词框架：

Contrast：要求多方案比较Risk-aware：要求评估潜在风险Experimental：要求假设性推演Alternative：要求备选方案Trade-off：要求分析优缺点Explain：要求说明决策逻辑

虽然听起来有点抽象，我们来举个例子。

假设我们想优化冒泡排序，初始的提示词是这样的：

非常直白。

AI的输出如上所示。

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。

AI的输出效果差吗？不差，非常直接地给出了优化建议，但总觉得缺少一些丰富度。

于是，我们参考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，回复的丰富度大大提升了。

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：

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）；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？这是因为它内置了反事实推理的提示词优化。

简单总结：

反事实推理对AI输出内容的丰富度提升很大；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都这么厉害了，是不是提示词“说人话”就好了？

确实，deepseek很厉害，“说人话”用户体验最好，也能有很丰富的回复。但是：

让deepseek做所有事情，会消耗大量计算资源；deepseek深度思考的时间多了，解题的时间也就少了；deepseek的推理逻辑，未必符合我们的预期；

通过提示词明确地告诉它你的想法，会让AI的输出更高质量也更高效；

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，才能最高效地发挥最大的作用。

知其然，知其所以然。

思路比结论更重要。

补充阅读材料：

《反事实：哲学，逻辑，语义》

https://www.php.cn/link/f05a5279ad8f888dda342a7c6e458658

重点看第二章。