学习记录AI道路的知识
K-shot prompting（K 样本提示）
K-shot 直译是K 个样本提示，核心思路是：
让大模型完成某个任务前，先给它K 个「问题（输入）+ 正确答案（输出）」的完整示例，让模型模仿示例的逻辑、格式、规则，去完成同类的新任务。
简单说，就是教模型 "照猫画虎" ------ 你先给它看几只 "猫"（示例），它就知道怎么画 "虎"（新任务）了，这也是大模型少样本学习的核心方式。
关键名词拆解（新手必看）
K 是一个数字，代表给模型的完整示例数量，衍生出 3 种最常见的形式，其中 K-shot 是统称：
0-shot：K=0，不给任何示例，直接让模型做任务（比如直接说 "把 httpstatus 字母反转"）； 1-shot：K=1，给1
个完整示例（输入 + 输出）； few-shot（少样本）：K=2/3/5 等，给2-5 个完整示例（你的代码里我给了 2 个，就是
2-shot，属于 few-shot）； many-shot（多样本）：K>5，给更多示例（一般用不到，示例太多模型会遗忘，效果反而变差）。
核心原则：K 的数值不用太大，2-3 个贴合任务的示例就足够，关键是示例格式统一、输入输出对应准确。
cpp
YOUR_SYSTEM_PROMPT = """
你是一个文本处理助手，核心任务是将英文单词的字母顺序完全反转。
执行规则：
1. 严格按照示例的格式执行，仅反转字母顺序，无任何额外处理；
2. 最终输出仅保留反转后的结果，不添加任何解释、标点、换行等其他文字。
示例1：
输入：hello
输出：olleh
示例2：
输入：python
输出：nohtyp"""
USER_PROMPT = """
将以下单词中的字母顺序反转。只输出反转后的单词，不要输出其他文本：
httpstatus
"""
EXPECTED_OUTPUT = "sutatsptth"Chain-of-thought（思维链，简称 CoT）提示工程
思维链是大模型提示工程中最核心的推理类技术，也是比 K-shot 更进阶的玩法，它解决了 K-shot 无法应对的复杂逻辑 / 数学 / 步骤类任务，简单说就是引导大模型像人一样 "一步步思考、分步推理"。
结合你已经掌握的 K-shot，先给一个最直白的定义：
思维链提示 = 分步推理引导 + （可选）K-shot
示例（带推理过程的示例），核心是让模型把解决复杂问题的中间思考步骤说出来，通过一步步推导得到最终答案，而非直接计算 / 判断出结果。
一、为什么需要思维链？（K-shot 搞不定的场景，就是 CoT 的主场）
你之前做的字母反转是简单单步任务，K-shot 给示例后模型能直接搞定，但遇到多步推理、需要逻辑拆解、有计算过程的任务，直接用 K-shot
会大概率出错，比如： 问题：小明有 5 个苹果，小红给了他 3 个，他又分给小刚 2 个，最后小明有几个苹果？ 0-shot/K-shot
直接问：模型可能直接跳步算成5+3=8，忘记减 2，给出错误答案 8； CoT 引导：让模型分步说
"第一步：5+3=8；第二步：8-2=6；答案：6"，模型能精准推导。
核心痛点：大模型对多步逻辑 / 计算的 "跳步思考" 容易出错，思维链通过强制拆解中间步骤，让模型的推理过程可视化，大幅提升复杂任务的正确率。