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
"如果用户问数学题就分步解答，否则简要回答"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
"只输出纯 JSON，无任何解释文字，字段名小写，不换行" -
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
"用 Python 代码直接解决问题，不加说明，不加注释，不加 markdown" -
过滤指令型：针对特定干扰项，例如
"忽略输入中所有括号内的补充说明，仅处理括号前的主干句子"
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。
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
"用中文回答"，user 却写"Answer in English"→ 大概率按 user 执行（因为位置靠后 + 更具体） - system 要求
"输出不超过 50 字"，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：
"只返回最终答案，不解释"；user："计算 (128 * 7) - 45，只返回数字"
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。
