用于处理复杂任务时，面向 DeepResearch 的有效提示词应该具体、结构化且可迭代。首先将任务分解为更小的子任务，提供清晰的上下文，并使用约束来引导输出。例如，不要问“如何优化机器学习模型？”，而是将查询细化，重点关注特定方面，如超参数调优、数据集预处理或硬件加速。这种方法减少了歧义，并确保响应符合您的技术需求。开发者可以从指定问题领域、工具和预期结果的提示词中受益，例如，“比较在 GPU 集群上处理大型图像数据集时，PyTorch 的 DataLoader 与 TensorFlow 的 tf.data 之间的性能权衡。”
包含上下文和约束至关重要。例如，在查询与代码相关的任务时，请指定编程语言、库和环境因素。像“使用 NumPy 生成一个 Python 函数，用于计算多分类问题的 F1 分数，确保它能处理不平衡类别并避免除以零错误。”这样的提示词提供了清晰的指导。同样，对于系统设计任务，请包含可扩展性要求：“使用 Redis 和 AWS ElastiCache 为一个拥有 1000 万日活跃用户的读密集型 Web 应用程序设计一个分布式缓存系统。强调延迟降低策略和故障恢复机制。”这些细节有助于 DeepResearch 优先考虑相关的技术因素。
迭代细化可以改善结果。从一个宽泛的查询开始，界定问题范围，然后跟进更具针对性的提示词。例如，先问“解释 CAP 定理对分布式数据库的影响”，然后再深入询问“Amazon DynamoDB 在实践中如何处理一致性和可用性权衡？”。如果初始响应遗漏了细微之处，则调整提示词：“修改 DynamoDB 示例，加入读/写法定人数如何影响全球部署中的延迟。”这种反复的方式模仿了协作式问题解决，使开发者能够探索边缘情况或验证假设。通过将提示词构建为渐进式对话，您可以系统地处理复杂任务，同时保持技术深度。