掌握 Prompt 高级技巧：CoT、ICL 与高效提示词框架指南
在与大语言模型（LLMs）交互时，提示词（Prompt）的质量直接决定了输出的质量 。本文将深入探讨提示工程中的核心技术，包括思维链（CoT）、上下文学习（ICL）以及三种业内认可的提示词编写技巧，帮助你更好地驾驭大模型 。
一、思维链（Chain-of-Thought, CoT）
思维链（Chain-of-Thought，简称 CoT）是提示工程领域的一项核心技术 。它聚焦于强化语言模型的复杂推理能力，要求模型在输出最终答案时，同步呈现中间推理步骤 。通过将复杂问题拆解为有序的子步骤求解，CoT 能助力模型更精准地理解和解决难题，弥补直接输出结果时可能存在的逻辑漏洞 。
CoT 的工作原理
CoT 重塑了模型传统的"输入-输出"映射模式，将其拓展为"输入-推理链（reasoning chain）-输出" 。通过显式输出中间步骤，它强化了算术、常识和符号推理等任务的表现 ：
拆解问题：强制模型把复杂问题拆解成若干个小步骤，而不是直接跳到结论 。
显式推理：每一步都明确写出来，就像在草稿纸上演算一样 。
减少错误：如果模型算错了，用户能一眼看出错在哪一步 。
增强可信度：用户不仅能得到答案，还能看到模型的逻辑路径，避免了只得到一个"神谕式"的结果 。
CoT 案例对比
假设有这样一个问题："小明有3个苹果，他又买了2个苹果，然后给了朋友1个。他现在有多少个苹果？"
普通 Prompt 的局限性：
问：小明有3个苹果，他又买了2个苹果，然后给了朋友1个。他现在有多少个苹果？ 答：模型可能会直接给出一个答案 4 。
对于简单问题，直接输出答案或许能满足需求，但这缺乏推理过程 。用户无法追溯模型的思维方式，这在复杂任务中可能导致较高的错误率 。
使用 CoT Prompt：
问：帮我一步一步地推理以下问题：小明有3个苹果，他又买了2个苹果，然后给了朋友1个。他现在有多少个苹果？展示你的思考过程。答：小明有3个苹果。他又买了2个苹果，所以他现在有 3+2=53+2=53+2=5 个苹果。然后他给了朋友1个。所以他现在有 5−1=45-1=45−1=4 个苹果。
这种方式引导模型逐步推理，不仅结果更准确，解释也更清晰 。目前像 DeepSeek R1 这样的深度思考模型，其本质也是训练了推理数据，让模型在思考后再输出答案 。
二、上下文学习（In-Context Learning, ICL）
上下文学习（ICL）的核心在于让模型从任务相关的类比样本中学习 。它的工作方式是将若干特定形式的示例与当前输入通过 prompt 拼接到一起，作为大语言模型的输入 。简单来说，就是在提示词中加入几个完整的示例，让语言模型更好地理解当前任务，从而做出更准确的预测 。
ICL 的分类
依据提示词中包含的示例条数，ICL 可分为三类 ：
Few-Shot-CoT：借助多条"问题-示例样本-答案"样本引导模型推理，让模型学习拆解问题和显式推理的模式 。
One-Shot-CoT：提示词中只输入一条示例，模型根据这一条示例进行推理 。
Zero-Shot-CoT：不依赖示例，仅通过在指令中添加如"Let's think step by step"等魔法提示，极简式激活模型的分步思考潜能 。
ICL 的实现流程
ICL 的实现分为训练（Training）与推理（Inference）两个阶段 ：
- 训练阶段（Warmup） ：
在模型进入推理前，通过持续学习（Warmup）优化其 ICL 能力 。这有别于传统的 Finetune（聚焦特定任务），Warmup 旨在增强模型整体的 ICL 性能，使其更擅长从少量示例中学习 。根据数据是否依赖人工标注，Warmup 分为有监督与自监督两种 。
数据效率高：仅需少量训练数据即可显著提升 ICL 能力，持续增加数据则收益递减 。
潜力验证：这说明预训练模型本身已具备上下文学习潜力，Warmup 只是激活并优化它 。
非必需但推荐：虽然 ICL 不强制要求 Warmup，但实践中增加此步骤能大幅提升稳定性和效果 。
- 推理阶段 ：
LLMs 的 ICL 性能高度依赖示例的设计 。相同的任务，若示例格式、顺序或内容不同，输出可能差异巨大 。因此，推理阶段的核心是通过示例选择、示例排序和示例格式化来优化上下文示例集 。
三、Prompt 编写的 3 项顶级技巧
业内认可的提示词编写技巧主要有以下三种 ：
1. 使用 CO-STAR 框架
CO-STAR 框架涵盖了编写提示语句时需要考虑的六个方向 ：
Context (上下文)：提供任务的具体情景信息，确保回复具有相关性 。
Objective (目标)：明确希望 LLM 执行的任务，使其将重点放在实现具体目标上 。
Style (风格)：指明所需的写作风格（如某位名人、某行业专家），引导 LLM 使用契合的用词 。
Tone (语气)：确定回复的态度（如正式、幽默、善解人意），确保产生共鸣 。
Audience (受众)：确定回复对象（如专家、初学者），量身定制使其恰当且易于理解 。
Response (回复)：提供所需的输出格式（如列表、JSON、报告），这对于程序化操作尤为重要 。
应用案例：起草一篇宣传 Alpha 公司新型吹风机 Beta 的 Facebook 帖子 。
使用 CO-STAR 的 Prompt 设计：
(上下文) 我想为我公司的新产品做广告。我的公司名叫Alpha，产品名叫Beta，是一种新型超快吹风机。(目标) 为我创建一个Facebook帖子，目的是让人们点击产品链接购买它。(风格) 效仿戴森等宣传类似产品的成功公司的写作风格。(语气) 有说服力的。(受众) 我公司在Facebook上的受众通常是老一代人。请针对这部分受众通常对美发产品的要求，量身定制你的帖子。(回复) Facebook上的帖子，简明扼要而又富有感染力。
2. 使用分隔符将提示词分段
分隔符可以是任何通常不会同时出现的特殊字符序列（如 ### 或 <<<>>>）。只要它们足够独特，LLM 就能将其理解为内容分隔符而非标点符号 。
XML 标签的高效性：
使用角括号括起来的 XML 标签（如 <tag> 和 </tag>）是一种非常有效的方法 。由于大模型接受过大量 XML 网页内容的训练，它们非常善于理解这种格式 。
XML 分隔符案例：
你是一名专业的政策解读人员，你需要阅读一篇英文政策文档，然后使用中文按照<<<模板>>>总结...
<POLICY>{政策文章内容}
</POLICY>请你根据以上政策，按照以下模板...
<POLICY_SUMMARY>{模板}
</POLICY_SUMMARY>
这样可以确保 LLM 清晰理解指令与被分隔内容之间的关系 。
3. 使用 LLM 系统提示 (System Prompt)
系统提示是一种独立于普通用户提示的附加提示，用于提供有关 LLM 行为方式的指令 。由于系统提示会自动与聊天中的每个新提示结合，它能确保 LLM 在整个交互过程中始终遵循这些规则 。
系统提示通常包含 ：
任务定义：让 LLM 记住要做什么 。
输出格式：规范回复的形式 。
安全护栏：规定 LLM 不应该回复什么（例如限制特定话题） 。
RAG 系统提示模板案例：
你将使用给定的一段文本回答问题，文本内容在
<text>标签中，问题在<question>标签中。你需要使用JSON对象进行回复。如果文本中没有足够的信息，请将答案填写为未找到资料。切勿回答任何与人口统计信息相关的问题。
通过系统提示与用户提示中的 XML 标签配合，模型能精准理解全局指令与局部具体内容（如插入的文本和问题）的对应关系 。
