prompt 优化方法
🔹 1. 通用结构模板
模块化的Prompt：Prompt 划分成边界清晰的模块，不同模块间都应有明确的分隔符
以下是通用 Prompt 的推荐结构：
[角色设定] + [任务描述] + [输出格式要求] + [补充上下文]- 角色设定：你是谁，你具有什么能力
- 任务描述：你要做什么
- 输出格式：输出应具备哪些结构或样式
- 补充上下文：提供背景信息、数据或参考材料
例如：
你是一个资深 Python 程序员。请根据以下描述编写一个函数，用于统计文本中的单词频率，输出格式为 JSON。
🔹 2. 提示词增强技巧（Prompt Engineering）
Few-shot 学习
Few-shot Learning 就是通过给模型提供一组输入输出示例，让它模仿这种任务格式和风格。
大模型具有强大的上下文学习能力，这种特性意味着，如果能提供一些例子，模型就能捕捉到：输入与输出之间的关系、输出风格、语言习惯、甚至某些隐藏规则。
示例越典型，模型理解越精准
编写模板
txt
【任务说明】
输入：示例输入1
输出：示例输出1
输入：示例输入2
输出：示例输出2示例
新闻分类任务
txt
你是一个新闻分类器，请根据新闻内容判断类别（财经、体育、娱乐、科技）。
输入：苹果公司发布了新款iPhone，并表示将加大在AI方面的投入。
输出：科技
输入：中国男篮在昨晚的比赛中击败对手，晋级决赛。
输出：体育
输入：《流浪地球2》票房突破30亿，导演表示将推出新作。
输出：娱乐🛠️适用场景
需要特定输出格式的情景
| 应用方向 | Few-shot 用法 |
|---|---|
| 文本分类 | 情感、话题、意图识别等 |
| 格式转换 | JSON ↔ Markdown、摘要生成 |
| 内容创作 | 模仿特定写作风格 |
| 数据提取 | 从文档中提取结构化信息 |
🔬与其他方式对比
| 方法 | 特点 | 举例数量 | 优点 | 缺点 |
|---|---|---|---|---|
| Zero-shot | 无示例，仅靠任务描述 | 0 | 最简单 | 容易理解错任务 |
| One-shot | 提供1个示例 | 1 | 增强上下文理解 | 效果不稳定 |
| Few-shot | 提供2-5个示例 | 2-5 | 效果好，灵活性强 | Prompt可能变长 |
| Fine-tune | 用训练数据真正训练模型 | 多 | 最精准 | 成本高、慢、需部署 |
Chain of Thought（思维链提示）
是一种引导逐步思考、逐步推理的提示方法，不直接要求模型给出答案，而是要求说出过程，再给出结论。
大模型擅长"语言生成"，但不一定能一步到位给出正确的结论，通过提示"一步一步来" 可以增强逻辑性、降低错误率、提高复杂任务的推理能力。
✅ 别直接说答案！
✅ 先说出为什么 、怎么做，一步步来。
编写模板
txt
【任务说明】
问题：{你的问题}
请一步一步地思考：示例
数学应用题
txt
问题：如果一个苹果2元，一个橘子3元，我买了2个苹果和3个橘子，一共花了多少钱？
请一步一步思考：
1. 每个苹果2元，买了2个苹果，所以花了 2 × 2 = 4 元；
2. 每个橘子3元，买了3个橘子，所以花了 3 × 3 = 9 元；
3. 总共花了 4 + 9 = 13 元。
答案：13元🛠️ 适用场景
| 场景 | CoT用途 |
|---|---|
| 数学题 | 引导步骤推导 |
| 阅读理解 | 逐句分析推断 |
| 内容生成 | 分段创作流程 |
自我反思提示（Let's Verify Prompting）
让模型对自己刚刚生成的答案进行检查、验证、修改或反思。让语言模型从"生产者"变成"审查者"。
模型本身不具备"信心机制"和"错误感知"，回答完后就认为自己做完了。所以通过"回头看一眼"的方法，可以得到更合理的回答。
✅ 本质上就是告诉模型：
"你别急着结束，自己再检查一下你刚才说的有没有问题。"
编写模板
txt
问题：{问题内容}
第一步：请先尝试解答：
...
第二步：现在请检查你的推理步骤，看看是否有错误或可以优化的地方：
...
最终确认答案是：
...简单直接一些，可以直接加上下面一段话
txt
请先回答问题，然后重新检查你的回答，指出是否有错误，并给出最终确认的答案。
你刚才的答案是否完全正确？请仔细复查你的每一步推理过程，并指出可能的错误或模糊之处。示例
结合思维链版本
txt
问题：一个班有30个学生，其中12人是女生。男生人数是多少？
第一步，尝试解答：
总人数是30人，其中女生是12人，所以男生人数是 30 - 12 = 18 人。
初步答案：18人。
第二步，检查这个推理是否有问题：
步骤合理，30减去12确实等于18，逻辑也符合题意。
最终确认答案是：18人。Multi-Constraint Prompting （多任务约束）
在prompt中同时引入多个明确的目标、要求、或限制条件，促使模型在多个"任务"之间权衡、协调并满足所有约束。
在实际应用中，需求往往是复杂的、叠加的，而不是单一任务。比如：希望模型不仅"答题"，还要符合输出风格、控制长度、避免某些词。
可以理解为：
"不是只问一个问题，而是让它同时考虑多个要求，像一个带着多重 KPI 的任务指令。"
编写模板
txt
请你完成以下任务，满足所有的约束条件：
任务目标：{主任务说明}
约束条件：
1. {约束1，例如"输出不得超过150字"}
2. {约束2，例如"必须使用比喻或类比"}
3. {约束3，例如"风格需保持幽默与轻松"}
...
请确保你输出的内容严格满足以上所有要求。直接简单的写法
txt
请写一个不超过150字的励志小故事，使用比喻手法，并保持语气轻松幽默。示例
txt
请写一个关于时间管理的小建议，要求：
1. 不超过50字
2. 使用类比或比喻
3. 风格要轻松幽默，适合年轻人阅读Tree of Thought (ToT) Prompting（思维树提示）
"Tree of Thought (ToT) Prompting"（思维树提示）是一种高级的提示词设计方法，它模仿人类"多路径思考"过程，而非简单的一步一步思考， 让大语言模型（如 GPT-4）以树状结构展开推理过程，在每一步探索多个可能选项，并在后续进行评估和选择，从而得到更优结果。
✨ 在每一步产生多个候选思路
➕ 每条思路继续展开多个可能的后续步骤
🧠 最终选择或组合最优路径。
编写结构
txt
你将尝试解决一个复杂问题。请遵循以下步骤：
1. 在每一步，列出多个可能的思路/选项（例如3个）。
2. 对每个思路进行简要分析。
3. 选择最优思路继续展开下一步（或保留多个分支并继续）。
4. 重复该过程，直到达到最终结论。
5. 最后总结整体推理路径和结论。示例
python
你是一个资深商业顾问，现在要为一家 AI 教育平台设计盈利模式。请使用思维树法进行推理：
1. 第一步：列出3种可能的商业模式（如订阅、按次计费、企业授权等），并简要说明优劣。
2. 第二步：对每种模式展开3个实施方式（例如定价层级、用户类型、平台结构）。
3. 对比不同分支的可行性、市场潜力、风险，选择1-2个最优路径继续深入。
4. 最后总结推荐的盈利方案，并说明你是如何一步步筛选和推理得到的。
请以逻辑树的方式展示每一步推理过程。🔬适用场景
| 场景 | 用法 |
|---|---|
| 🧩复杂决策问题 | 多路径推理、策略评估 |
| ✍️内容创作（多构思） | 多主题发展、情节探索 |
| 💼产品/商业策略分析 | 多方案评估与选择 |
| 🔎科学研究与假设推演 | 提出多个假设并进行逐步验证 |
总结
| 技巧名称 | 核心作用 | 是否适合组合使用 | 关键词提示 |
|---|---|---|---|
| Few-shot 示例 | 提高任务理解与风格模仿 | ✅ | "输入/输出示例"、"模仿格式" |
| Chain of Thought | 引导逻辑推理、减少错误率 | ✅ | "一步一步思考"、"推导过程" |
| Let's Verify | 自我校验与增强鲁棒性 | ✅ | "请检查是否正确"、"是否存在错误" |
| Multi-Constraint | 处理多重要求或风格限制 | ✅ | "请满足以下所有条件" |
| Tree of Thought | 多路径探索与评估最优解 | ⚠️（适合单独用） | "请列出多个方案"、"分析优劣" |