把做饭需求拆成食材、人数、口味和时间约束，DeepSeek就能生成可执行的家常菜谱，再通过追问与复盘沉淀为家庭菜谱库。 家常菜谱的难点往往不在“有没有菜”，而在“现有条件下能不能做出来”。DeepSeek作为语言模型，擅长把零散需求整理成步骤，但它不会自动知道你家冰箱里有什么，也不会天然理解孩子不吃辣、老人要少盐这类约束。要让生成结果真正能进厨房，关键在于把模糊的做饭想法转成结构化提示，再用多轮追问和实际复盘校正偏差。
1. 需求描述决定菜谱质量。
向DeepSeek要家常菜谱时，最忌讳只输入“推荐几道家常菜”这类宽泛请求。模型会倾向于输出通用菜名和“适量”“少许”的模糊表达，看似完整，实际很难直接执行。更有效的做法是把需求拆成四个维度：现有食材、就餐人数、口味与禁忌、时间与厨具。例如输入“三口人晚饭，冰箱里有鸡腿两个、土豆两个、胡萝卜一根，孩子不吃辣，老人需要少盐，只有炒锅和电饭煲，40分钟内完成”，模型就能围绕这些约束生成主菜、配菜和主食搭配，而不是泛泛罗列菜谱。
在AI指导老师的实际教学中，常把这种提示归纳为“角色、场景、约束、输出格式”四段式结构。角色让模型以家庭厨师身份组织语言，场景交代人数和餐次，约束明确食材、口味、厨具和时间，输出格式则要求它按“菜名、用料克数、步骤、耗时、替代方案”来写。这样生成的内容更接近可执行的厨房任务单。需要提醒的是，DeepSeek可能对食材用量和烹饪时间产生偏差，尤其是不同灶具火力差异较大，用户仍需用日常经验校验，不能把模型输出当作绝对标准。
2. 让生成结果具备厨房可操作性。
菜谱是否好用，取决于步骤能否被普通家庭厨师按顺序执行。DeepSeek生成菜谱时，应要求它把过程拆成备菜、烹饪、调味、收尾四个阶段，并在关键步骤标注可观察状态，而不是只写“炒熟”“炖烂”。例如生成土豆炖鸡腿时，可以要求模型给出“土豆边缘变透明”“鸡腿中心不再带血水”这类判断标准，同时把焯水、煎制、加水、收汁的时间节点写清楚。这样用户在灶台前不需要反复猜测火候，菜谱的可操作性会明显提升。
AI指导老师通常会建议在提示中追加“用量给区间、替代食材给选项、食品安全给提醒”三项要求。比如没有料酒时可用少量黄酒或清水加姜片替代，没有生抽时可用酱油减量并补一点糖；涉及鸡肉、猪肉时要求模型提示中心温度和生熟分开。模型生成后，用户还要检查它是否把“适量”改成了可称量的范围，是否把步骤顺序写反。DeepSeek的上下文能力可以让它在同一轮对话中保持约束，但长对话里仍要复述关键条件，避免后续菜谱偏离最初的人数、口味和厨具限制。
3. 用追问机制修正菜谱偏差。
第一次生成很少一步到位，追问才是把菜谱打磨到可用的关键。常见偏差包括份量不对、步骤过多、食材买不到、口味偏重。此时不要简单说“重新写”，而应给出差异反馈，例如“把两人份改成四人份，所有主料给出克数”“第三步焯水时间太长，改成一分钟”“家里没有烤箱，只用炒锅完成”。DeepSeek能基于上下文调整输出，差异越具体，修正越准确。AI指导老师常把这种做法称为“定向纠偏”，它比反复重开对话更节省时间，也更容易保留已经确认的约束。
追问还可以用于生成购物清单和备菜顺序。比如让模型把一道菜的用料按“已具备”和“需采购”分开，再按烹饪先后排出切配顺序，减少灶台前的手忙脚乱。需要警惕的是，模型有时会编造并不存在的技巧或食材搭配，尤其是涉及特殊食材处理时，用户应优先采用可靠来源的食品安全常识。追问的边界在于把模型当作菜谱草稿助手，而不是替代人的判断；每次修正后保留最终版本，才能避免同一道菜下次又从零开始。
4. 建立家庭菜谱库的复用流程。
DeepSeek生成菜谱的价值不止于当次做饭，更在于把可用结果沉淀为家庭菜谱库。比较务实的流程是：每次生成后记录原始提示、模型输出、实际调整和家人反馈，重点标注“本次用了多少克”“哪一步火候偏大”“孩子是否接受”。这些记录不需要复杂工具，一个文档或表格即可。经过几周积累，家庭会形成自己的常用菜清单和调味比例，下次只需在提示中附上“参考上次少盐版本”，模型就能更快生成贴近家庭口味的菜谱。
AI指导老师在实践中还会建议按周使用固定提示模板生成三到五道菜，再把采购清单合并，减少重复买菜和食材浪费。例如三口之家可以围绕“两荤两素一汤”的框架，把冰箱剩菜和当季蔬菜填入模板，让DeepSeek输出一周晚餐计划和合并采购清单。复用过程中要注意模型版本和对话上下文变化可能带来输出差异，因此最终菜谱应以家庭实际验证过的版本为准。把生成、校正、记录串成闭环，DeepSeek才会从一个聊天工具变成厨房里稳定可用的菜谱助手。
