在华为云上玩转大模型：基于 DeepSeek V3.2 与 Prompt 工程构建文本创作聊天机器人

一、实验概览

1.1 我们到底要做什么

这不是一个只读不练的演示。整个实验的目标非常明确：

• 在 ModelArts → 开发空间 → Notebook 中调用 DeepSeek V3.2 模型 API；
• 熟悉并动手调试两个最关键的解码采样参数——温度 temperature 与 累积概率 top_p，理解它们如何控制模型输出的随机性与多样性；
• 使用 Prompt 工程调优技巧约束模型输出，最终构建一个能按你要求创作的文本聊天机器人。

一句话总结：本实验基于 Notebook 环境部署客户端，调用 DeepSeek V3 模型 API，并使用 Prompt 工程调优技巧控制模型输出。

1.2 实验场景（五步走）

1. 在 MaaS（模型即服务） 平台开通 DeepSeek V3.2 模型；
2. 登录 ModelArts → 开发空间，启动一个 Notebook；
3. 在 Notebook 中运行 DeepSeek V3.2 的 API 调用程序；
4. 调试 temperature 与 top_p 采样参数，观察不同取值下的效果差异；
5. 调用模型进行 Prompt 工程实践，让模型更"听话"。

1.3 用到的云服务和费用

⚠️ 重要提醒：若调整了资源规格、使用时长，或执行了本方案以外的操作，费用会发生变化，请以控制台实际价格和最终账单为准。

1.4 开始前必须满足的条件

本实验不提供实验账号，需使用你自己的华为云账号操作，请务必先确认：

• ✅ 华为云账号已通过实名认证，且账户余额充足；
• ✅ 清楚云资源费用由你自己承担，KooLabs 平台不会额外征收费用；
• ✅ 所有实验操作都会保留在你的账号下，请谨慎操作；
• ✅ 实操结束后，可自行选择继续付费保留资源，或手动释放资源。

二、第一步：准备资源与开发环境

本实验以 DeepSeek V3.2 为例（实验者也可自行选择其他合适的 V3.x 版本）。
请记住两个区域的分工：MaaS 切到「西南-贵阳一」，ModelArts 切到「华北-北京四」。

2.1 在 MaaS 开通 DeepSeek V3.2

1. 打开 Chrome 浏览器，登录并进入 MaaS 模型即服务控制台首页；
2. 点击左侧 「在线推理」，选择 DeepSeek-V3.2（若无推荐模型，也可选用其他文本生成模型），点击 「开通服务」；
3. 开通完成后，点击 「调用说明」，记下三样东西——API 地址、model 参数、Python 调用示例代码，后续步骤都要用到。

2.2 创建 API Key

1. 返回 MaaS 控制台首页，点击左侧 「API Key 管理」；
2. 点击 「创建 API Key」，标签与描述自定义，点击 「确定」；
3. 复制并妥善保存 API Key——它就像你调用模型的"钥匙"，下面的代码全要靠它。

2.3 启动 ModelArts Notebook

1. 区域切到 华北-北京四（方便选择 X86 对应的 py_3.10 镜像）；
2. 登录 ModelArts，点击左侧 「Notebook」 → 「创建」；
3. 参数配置如下：

1. 其他参数保持默认，点击 「立即创建」，等待创建完成；
2. 点击 「接入环境 → JupyterLab 接入 → python-3.10.6」 进入编码环境。

三、第二步：模型调用与参数调优

3.1 声明调用参数

在 Notebook 的新执行框中输入，把第一步拿到的地址和密钥填上：

api_url = ""   # 步骤 2.1 获取的 API 地址
api_key = ""   # 步骤 2.2 获取的 API Key

3.2 第一次成功调用 API

新建执行框运行以下代码（也可直接使用 MaaS 提供的 Python 示例改写）：

import requests
import json

url = "https://api.modelarts-maas.com/v2/chat/completions"
api_key = "替换为你的API Key"

headers = {
    "Content-Type": "application/json",
    "Authorization": f"Bearer {api_key}"
}
data = {
    "model": "deepseek-v3.2",
    "messages": [
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "你好"}
    ],
    "thinking": {"type": "enabled"}   # 是否开启深度思考模式，默认关闭
}

response = requests.post(url, headers=headers, data=json.dumps(data), verify=False)
print(response.status_code)
print(response.text)

如果 response 返回了大语言模型的自我介绍，恭喜——推理服务 API 调用成功。

3.3 调试温度参数 temperature：AI 的"创意开关"

temperature 控制采样的随机性，就像给 AI 装了个"创意开关"：

• 数值越小（接近 0）：回答越保守、准确、稳定；
• 数值越大：回答越天马行空；
• 默认 0.6 是平衡点，既合理又有创意。

数值参考：

我们先用一段客户端代码统一封装调用，再分别把 temperature 设为 0、1、0.1 回答"介绍下大语言模型"，观察差异：

import requests
import json

class TextGenerationClient:
    def __init__(self, api_url, api_key):
        self.api_url = api_url
        self.api_key = api_key

    def generate_text(self, payload):
        headers = {
            "Content-Type": "application/json",
            "Authorization": f"Bearer {self.api_key}"
        }
        response = requests.post(self.api_url, headers=headers, data=json.dumps(payload))
        if response.status_code == 200:
            return response.json()['choices'][0]['message']['content']
        else:
            raise Exception(f"Error: {response.status_code} - {response.text}")

client = TextGenerationClient(api_url, api_key)

# temperature = 0：每次都选最稳妥答案，多次运行结果几乎一致
payload = {
    "model": "deepseek-v3.2",
    "messages": [{"role": "user", "content": "介绍下大语言模型"}],
    "max_tokens": 150, "top_k": -1, "top_p": 1,
    "temperature": 0, "ignore_eos": False, "stream": False
}
print(client.generate_text(payload))

# temperature = 1：两次运行结果随机发散，差异很大
payload["temperature"] = 1
payload["max_tokens"] = 30
print(client.generate_text(payload))

# temperature = 0.1：两次运行结果基本一致，差异很小
payload["temperature"] = 0.1
print(client.generate_text(payload))

实测规律： temperature 越小，推理结果越稳定；越大，越随机。

💡 实用参照：需要精准答案 → 调低（0–0.3）；需要自然交流 → 0.4–0.7；需要创意输出 → 0.8–1.2+（超过 1.5 可能产生混乱内容，慎用）。

3.4 调试 top_p 累积概率采样：AI 的"候选方向盘"

top_p（累积概率采样）按概率对候选词排序，从最高概率开始累加，直到超过设定的阈值就停，只保留这部分词作为随机选择范围。

举个例子：候选词概率为 苹果 65%、香蕉 20%、葡萄 10%、榴莲 5%……设定 top_p=0.8 时，AI 从最可能的词开始累加，苹果(65%) + 香蕉(20%) = 85% > 80% 即停，于是只在「苹果、香蕉」这个缩小的候选池里随机选，既保证质量又保留随机性。

同样用「介绍下大语言模型」测试，top_p=1 两次输出差异较大，top_p=0.1 两次输出完全相同——top_p 越小，生成文本越准确、多样性越低；越大，脑洞越开。

3.5 参数搭配小结

temperature 与 top_p 就像调节 AI 写作的「油门」和「方向盘」：温度管脑洞大小，top_p 管候选范围，二者配合能更精准地控制输出。

至此，DeepSeek 模型 API 调用与参数调试结束，你可以根据业务场景去设定合适的参数值。

四、第三步：Prompt 工程实战

4.1 构建目标文章

先让模型生成一篇 500 字以内的短篇小说（3 个人物、2 个情节），作为后续调优的"目标文本"：

payload = {
    "model": "deepseek-v3.2",
    "messages": [
        {"role": "system", "content": "你是一个短片小说创作者，写一篇短篇小说，500字以内"},
        {"role": "user", "content": "3个人物，2个情节"}
    ],
    "max_tokens": 800, "top_p": 1, "temperature": 1
}
generated_text = client.generate_text(payload)
content = generated_text   # 保存文章，供后续问答使用

4.2 基础问答 Prompt 与"陷阱测试"

把文章塞进 system 提示，让模型当"文本阅读器"回答问题：

payload = {
    "model": "deepseek-v3.2",
    "messages": [
        {"role": "system", "content": f"你是一个文本阅读器，读取文章的内容并按照用户的要求输出对于文章的回答，以下是文章{content}"},
        {"role": "user", "content": "根据文章回答段誉干了什么"}
    ],
    "max_tokens": 200, "top_p": 1, "temperature": 0.3
}

接着故意设置一个陷阱：文章明明只有 3 个人物，却提问"文中的四个主角是什么关系"。结果模型没有指出问题中的错误，而是在错误前提上作答。

这恰恰暴露了真实业务（如客服问答）中的痛点：模型需要被"规范"，而不是被"信任"。 这就引出了下面的三种 Prompt 工程技术。

4.3 三种提示技术控制模型输出

① 样本提示（Example Prompting）——“照猫画虎”

通过提供少量「输入→输出」示例，引导模型模仿示例的格式或逻辑。模型从示例中学习任务规则（翻译格式、分类标准、文本风格），适合格式固定、需要快速对齐输出风格的场景。

# 先给样本：文章 a,b,c,d,e 是五个人物，他们是亲属关系；
# 提问"文章的6个人物，他们是什么关系" → 回答"文章中只有五个人物，他们是亲属关系"
# 再提问"文中的4个人物是什么关系"时，模型会沿用"纠正数量"的范式作答

② 思维链提示（Chain of Thought, CoT）——“展示思考过程”

引导模型像人一样分步推理：把复杂问题拆成多个逻辑步骤，输出中间过程。只需加一句"请逐步思考 / 让我们一步步分析"，就能显著提升模型在数学、逻辑和复杂文本任务上的可靠性。

payload = {
    "model": "deepseek-v3.2",
    "messages": [
        {"role": "system", "content": f"指令：你是一个文本阅读器...你需要逐步思考用户提出问题并逐一回答 以下是文章{content}"},
        {"role": "user", "content": "根据文章回答：文中的四个主角是什么关系"}
    ],
    "max_tokens": 200, "top_p": 1, "temperature": 1
}

实测：模型在人物关系推理时"想得更多了"，但仍没识破"四个主角"的陷阱——还需要进一步引导。

③ 链式提示（Chain Prompting）——“分阶段解决问题”

链式提示的本质是任务分解。针对"先核对事实、再作答"的目标，可拆成 4 个子任务：

• 子任务 1｜提取信息：让模型从文章中提取人物与关系；
• 子任务 2｜匹配纠错：把提取的信息与用户提问比对，找出提问中的错误（"四个主角"与"实际三人"矛盾）；
• 子任务 3｜初步回答：就用户提问正常作答；
• 子任务 4｜整合修正：依据错误信息修改错误回答，按固定格式输出。

把四步串成完整流程：

Q = "根据文章回答：文中的四个主角是什么关系"

# 子任务1：提取信息
payload = {"model":"deepseek-v3.2","messages":[
    {"role":"system","content":f"你是一个文本阅读器...以下是文章{content}"},
    {"role":"user","content":"根据文章回答：文中有几个人物，他们是什么关系"}],
    "max_tokens":200,"top_p":1,"temperature":1}
info = client.generate_text(payload)

# 子任务2：找出提问错误
payload = {"model":"deepseek-v3.2","messages":[
    {"role":"system","content":f"根据提问对比已知的信息，找出提问的错误，并输出错误的点 以下是已知的信息{info}"},
    {"role":"user","content":f"提问的问题是：\"{Q}\""}],
    "max_tokens":200,"top_p":1,"temperature":0.3}
error = client.generate_text(payload)

# 子任务3：初步回答
payload = {"model":"deepseek-v3.2","messages":[
    {"role":"system","content":f"你是一个文本阅读器...以下是文章{content}"},
    {"role":"user","content":f"{Q}"}],
    "max_tokens":200,"top_p":1,"temperature":1}
answer = client.generate_text(payload)

# 子任务4：整合修正并格式化输出
payload = {"model":"deepseek-v3.2","messages":[
    {"role":"system","content":f"根据错误信息，并修改错误的回答，并按照输出格式化输出正确的回复 \
        上下文：以下是错误信息{error}，以下是需要修改的错误的回答{answer} \
        输出格式化：问题： 正确的答案应该是："},
    {"role":"user","content":""}],
    "max_tokens":200,"top_p":1,"temperature":1}
print(client.generate_text(payload))

串起来后，模型终于能先指出"文中只有三人而非四个主角"，再给出正确关系——这正是我们想要的"可控文本创作机器人"。

五、第四步：资源清理（别让钱包替你买单）

实验结束，务必清理资源，否则会持续计费：

1. 删除 Notebook：进入「北京四-ModelArts」→ 左侧「Notebook」→ 删除实例；
2. 清理 API Key：切换到「贵阳一-MaaS」→ 删除对应的 API Key。

本手册最后更新于 2026 年 8 月 16 日，最后测试于 2026 年 6 月 16 日。

六、实验总结：三种提示技术怎么配合

样本提示、思维链提示、链式提示是三种不同的提示技术，在自然语言处理任务中各有侧重：样本提示是"照猫画虎"，思维链是"展示思考过程"，链式提示是"分阶段解决问题"。

三者结合，效果最佳：以链式提示为骨架把任务拆开，在每个子步骤中用样本提示规范输出格式（血液），用思维链要求模型展示推理（肌肉）。模型由此像一支"专家团队"协作——分阶段推进、透明化推理、标准化输出。

至此，使用 DeepSeek 模型基于 Prompt 工程构建文本创作聊天机器人的实验圆满结束。从一次最简单的 API 调用，到读懂 temperature/top_p 这两个"油门与方向盘"，再到用样本、思维链、链式三种提示技术驯服模型——你已经握住了大模型应用开发最基础也最关键的几把钥匙。