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：
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。
