更优雅的使用llm：DeepSeek API+Cherry Studio+激活CoT的Prompt

1 引言 ​

llm越来越多，以前喜欢直接网页开一个窗口，但是现在因为在DeepSeek、Kimi、Claude等多个平台间来回切换，而每次都需要手动输入Prompt来激活CoT（Chain-of-Thought）功能，严重影响了工作效率。这次记录一下API+客户端+长prompt的方式，提升llm脑子的同时，让我不用再切来切去。这次主要用到三个东西：DeepSeek API: https://platform.deepseek.com/api_keysCherry Studio: https://github.com/CherryHQ/cherry-studio一个名为Thinking Claude的prompt：https://github.com/richards199999/Thinking-Claude/blob/main/model_instructions/v5.1-extensive-20241201.md

2 DeepSeek API ​

2.1 价格对比 ​

各大厂商在注册的时候都有送token，相比之下deepseek可以说是在保持模型效果的同时，把价格打到非常低了。下面是几家的对比。

2.1.1 Moonshot-v1 ​

image.png

2.1.2 gpt-4o-mini ​

image.png

2.1.3 deepseek ​

image.png

2.2 创建DeepSeek的API KEY ​

首先登陆DeepSeek Platform，创建自己的API KEY，记住这个，后面要用。 image.png

3 客户端 ​

3.1 怎么选 ​

客户端选择可以很多，web的，手机的，桌面端的。这里用的是Cherry Studio，目前综合使用起来体验还不错。如果有其他去客户端需求可以查看 DeepSeek Integration （这是Deepseek提供的集成了其API的应用列表）。 image.png

3.2 Cherry Studio 配置 ​

安装完成后，我们直接打开软件开始配置。

3.2.1 API配置 ​

1. 先点左下角，打开设置。模型选择里选择自己要用的。这里直接深度索求
2. 把右上角勾上
3. 在官网找到你的API密钥
4. API地址一般来说cherry studio都给你写好了，除非你是自己运行的本地llm，一般都是兼容openai api风格的 xxxxx/v1格式，不需要手动修改。
5. 模型名称和官网一致就行，用你想用的。如果是在不在到，cherry给出了该平台的说明文档地址，查一下。

image.png

3.2.2 模型配置 ​

接着切到默认模型，把我们添加好的模型给默认助手模型选上。我一般使用DeepSeek Chat。 image.png

基础功能已经可以满足需求了，现在是时候解锁模型的全部潜能了。点击配置按钮，让我们进入Prompt调优阶段，为模型注入更精准的指令。

4 激活CoT的Prompt ​

4.1 CoT如何实现？ ​

现阶段的CoT一般有两种：

1. 通过Prompt引导的Step-by-Step的推理过程。
2. 通过pretrain或者微调，让LLM学会的高质量的推理链。

因为我们用的普通的模型，（deepseek-reasoning属于后者）所以，一个有效好用的prompt就尤为重要。

4.2 用Prompt让llm”学会“思考 ​

Thinking-Claude/model_instructions/v5.1-extensive-20241201.md at main · richards199999/Thinking-Claude 是我很喜欢用的一个激活prompt，对llm的提升十分明显，尤其是显示的体现了思考过程，比起直接输出更有参考价值。

内容很多，用openai的GPT-4o的tokenizer去算，它有大约11323个。这也决定了上下文窗口不够的模型是无法使用的。Tokenizer - OpenAI API

gpt的token

通过Thinking Claude，我们也可以管窥基础prompt的CoT设计是什么样的。

Thinking Claude包含但不限于：

• 强制的深度思考：每次交互都必须进行全面、不受限的思维分析,而不是直接回应
• 自适应分析深度：根据问题复杂度、紧迫性、信息可用性等动态调整思考深度和方式
• 多重的假设：生成多个可能的解释和方案，以避免过早的锁定单一的答案
• 自然流畅的思维：思维过程要避免僵化格式,需在不同想法间自然流转,建立清晰连接
• 持续验证： 不断质疑假设、寻找漏洞
• 知识综合：将不同的信息点，连贯的构筑。
• 递归思维：宏观和微观层面的保持同样的严谨

4.3 局限性 ​

1. 需要长token
2. 效果和deepseek本身训练的有所差距

5 在Cherry中预置prompt ​

5.1 配置提示词 ​

然后我们切换到对话界面，按照顺序点击。在对话框上方可以点击后设置提示词。在提示词中填入Thinking Claude的所有内容。

image.png

5.2 测试效果 ​

用一个简单的问题来测试。当我们使用prompt让模型强制思考以后，可以发现右边的回答实际上更贴近我们想要的结果。现在我们可以愉快的开始使用llm了

image.png

5.3 价格消耗 ​

我用V3模型的价格，因为我们的prompt就是12000个，因为一直都是这个prompt作为第一次输出，总是hit cache，价格低到可怕，50w的token只要2毛6！

image.png

6 参考 ​

Models & Pricing | DeepSeek API Docs

模型推理价格说明 - Moonshot AI 开放平台

上下文缓存定价与计费 - Moonshot AI 开放平台

Pricing | OpenAI