我们可以通过prompt获取大量的结果,提示词可以包含你传递到模型的指令或问题等信息，也可以包含其他详细信息，如上下文、输入或示例等。可以通过这些元素来更好地指导模型，并因此获得更好的结果。
简单来说就是: 怎么写好提示词，让模型输出我们想要的结果
提示词要素
适配多数场景Prompt 万能公式:(其中'目标'是必须的)
【角色】+【目标】+【上下文】+【约束】+【格式】+【示例（可选）】
角色: 为 AI 设定一个具体的 "角色或身份"，让 AI 基于该角色的专业视角、语言风格输出内容。
目标 :想要模型执行的特定任务或指令。
上下文 : 告诉 AI "在什么背景/场景下"
约束 :约束条件不能做什么 / 必须满足什么
格式 :指定输出的类型或格式。
示例:让AI比葫芦画瓢
基础通用提示技术: 应对简单任务，确保 "输出不跑偏"
- 零样本提示
dart
核心: 无需给 AI 任何示例，直接通过 "指令 + 任务描述" 让 AI 完成任务。 依赖自身的预训练知识,
适用场景： 适用于AI已经掌握的相关知识活通用能力场景
例如: 简单分类（如 "判断以下句子是否为正面评价"）、基础翻译（如 "将这段英文翻译成中文"）、信息提取（如 "从这段文本中提取出时间和地点"）。- 少样本提示
dart
当任务较特殊（如小众领域分类、定制化格式），AI 仅凭常识难以精准响应时，提供 1-5 个 "示例"，让 AI 通过模仿示例理解任务规则。
适用场景： 定制化分类（如 "按「科技产品 / 日用品 / 食品」给商品打标签"）、格式迁移（如 "将「产品参数表」转化为「消费者易懂的优势点」"）、风格模仿（如 "参考示例的幽默风格写一句广告语"）。
例如: - 指令结构化提示（Structured Prompting）
dart
核心逻辑：用清晰的 "框架/模板" 组织指令，明确任务的 "步骤、要求、输出格式"，避免 AI 遗漏关键信息或输出混乱。
适用场景：多步骤任务（如 "先总结文本，再分析优缺点"）、规范输出场景（如 "生成 PPT 大纲、会议纪要、数据报告"）。
例如:
指令："请按以下结构分析一篇职场干货文章，每部分内容不超过 200 字：
核心观点：文章最想传递的 3 个关键信息；
适用人群：这篇文章对哪些职场人有帮助；
可优化点：文章存在的 1-2 个不足。
文章内容：[此处粘贴文章文本]"进阶推理技术：应对复杂任务，解决 "AI 不会思考"
- 链式思考（CoT）提示
dart
核心逻辑: 让AI像人类一样 "分步解题"------ 在指令中加入 "请先分析步骤，再给出答案" 的引导，强制 AI 暴露思考过程，避免直接输出错误结论（尤其适用于数学题、逻辑题、因果分析）。
适用场景：数学计算（如 "小学应用题、代数题"）、逻辑推理（如 "真假命题判断、事件因果分析"）、复杂决策（如 "规划旅行路线、制定项目方案"）。
大模型在推理过程中，本质上是通过概率预测下一个词。当用户直接提问时，模型可能会"跳过思考"直接生成答案，导致错误。
而 CoT Prompt 会明确告诉模型：
不要直接回答；
要分步骤"解释推理过程"；
最后得出结论。
这样能显著提升模型在 数学推理、逻辑推理、多步骤任务 中的正确率。
例如:
指令："请先分步骤分析，再计算结果。
问题：小明有 5 个苹果，妈妈又买了两盒，每盒 4 个，现在小明一共有多少个苹果？
步骤 1：先计算妈妈买的苹果总数；
步骤 2：再将小明原有的苹果数与妈妈买的数量相加；
步骤 3：得出最终总数。"- 少样本思维链（Few-Shot CoT）
dart
核心逻辑：结合 "少样本提示" 和 "思维链提示"------ 给 AI 一个 "带完整思考步骤的示例"，让 AI 模仿该步骤解决同类问题
适用场景：复杂数学题（如 "几何证明、概率计算"）、逻辑分析题（如 "商业案例中的因果关系分析"）。
例如：
指令："参考以下示例的解题步骤，解决新问题。
示例问题：小红有 3 支笔，每支笔 2 元，买笔一共花了多少钱？
示例步骤 1：明确已知条件：笔的数量 = 3 支，单价 = 2 元 / 支；
示例步骤 2：确定计算公式：总价 = 数量 × 单价；
示例步骤 3：代入计算：3×2=6 元；
新问题：超市买 4 瓶牛奶，每瓶 3 元，付 20 元应找零多少？
请按步骤解答："- 自我一致性
dart
核心逻辑：对同一复杂问题，让 AI 生成多个不同的 "思考路径"，再通过对比多个结果的一致性，选择最合理的答案（适用于单一推理易出错的场景，如数学、逻辑题）。
适用场景：高难度推理任务（如 "奥数题、逻辑谬误判断"）、需要验证准确性的决策（如 "风险评估、方案可行性分析"）。
例如:
指令："请用 2 种不同的思路分析以下问题，最后判断哪种思路更合理并给出答案。
问题：一个长方形周长是 20cm，长比宽多 2cm，求长方形的面积。
思路 1：先通过周长公式求长 + 宽，再结合长 - 宽 = 2cm 列方程；
思路 2：先假设宽为 x，再用周长公式表示长，进而求解；
请分别按两种思路计算，最后对比结果。"- 生成知识提示
dart
核心逻辑: 让模型在对问题做出预测（如判断事实、推理结论）前，先主动生成与问题相关的 "背景知识 / 事实信息"，再基于这些知识进行推理，最终输出更准确的答案。
适用场景：聚焦 "需要常识 / 事实支撑的任务"
例如: 可以参考豆包的思考过程
1.提示设计:
请针对"南瓜与糖尿病患者饮食"生成相关知识，需包含以下4个核心维度：
1. 南瓜的主要营养成分（重点：碳水化合物、膳食纤维含量）；
2. 南瓜的升糖指数（GI值），并说明"不同烹饪方式（如蒸南瓜、南瓜粥）对GI值的影响"；
3. 南瓜对糖尿病患者血糖的实际影响（如"是否降血糖""过量食用的风险"）；
4. 糖尿病患者食用南瓜的建议（如适宜食用量、搭配方式）。
知识需准确、基于营养学常识，避免绝对化表述。
输出结果 【生成的知识】
2：知识整合
问题：糖尿病患者能否大量食用南瓜？请严格基于以下知识回答，先解释理由，再给出结论（"能"或"不能"）。
【生成的知识】
两次输入- 思维树 (ToT)
dart
核心逻辑: 是将复杂任务的解决过程从 "线性链条" 升级为 "树状分支结构"------ 在每个推理节点上，引导 AI 生成多个可能的 "思路分支"，通过评估筛选出优质分支，再基于优质分支继续探索下一层节点，最终从 "多路径探索" 中聚合出最优结果。其优点是,可在分支评估时淘汰错误思路，无需回溯全局
场景:某某活动,设计几个可行性方案,并比较优劣- 检索增强生成 (RAG)
dart
RAG系统中的Prompt核心在于让模型基于检索到的上下文回答问题，而非依赖自身知识。
RAG系统中Prompt设计模板
"请严格根据以下提供的【上下文】来回答问题。如果上下文中的信息不足以回答问题，请直接回答'根据已知信息无法回答该问题'。
【上下文】:
{retrieved_context}
【问题】:
{user_question}
【回答】:"