前言：之前聊了提示词设计的三大原则和 System/User Prompt 的分工，今天咱们就聊三个真正能显著提升模型推理能力 的高级技巧------Few-shot（少样本学习） 、Chain-of-Thought（思维链） 、Self-Consistency（自一致性）。这三个技巧单独用就有效果，组合起来更是威力翻倍！
先看一张全景图：三个技巧的关系
rust
┌──────────────────────────────────────────────────────────────────┐
│ 高级提示技巧全景图 │
├──────────────────────────────────────────────────────────────────┤
│ │
│ Zero-shot（零样本） │
│ "直接问，不给示例" │
│ → 基础能力 │
│ │
│ ▼ │
│ │
│ Few-shot（少样本） │
│ "给几个示例，让模型照着学" │
│ → 格式对齐、模式学习 │
│ │
│ ▼ │
│ │
│ Chain-of-Thought（思维链） │
│ "让模型一步步想，再给答案" │
│ → 推理能力大幅提升 │
│ │
│ ▼ │
│ │
│ Self-Consistency（自一致性） │
│ "多次推理，少数服从多数" │
│ → 准确率进一步提升 │
│ │
└──────────────────────────────────────────────────────────────────┘这三个技巧是层层递进的关系：Few-shot 教模型"怎么做"，CoT 让模型"想清楚"，Self-Consistency 让模型"更可靠"。
一、Few-shot：用示例教模型"怎么做"
1.1 核心思想
Few-shot（少样本提示） 就是在 Prompt 中给模型几个"输入→输出"的示例，让它学会你想要的模式。
类比一下：就像教新员工做事，与其说一堆规则，不如直接给他看几个成功案例。
1.2 Zero-shot vs Few-shot
arduino
❌ Zero-shot（不给示例）:
"判断以下评论的情感倾向：
- 这个产品真的太好用了
- 第三次坏了，再也不会买"
→ 模型可能输出格式不统一，或者判断标准不一致
✅ Few-shot（给示例）:
"判断用户评论的情感倾向，输出：positive / negative / neutral
示例：
- "物流很快，包装也很好" → positive
- "第三次坏了，再也不会买" → negative
- "今天收到货了" → neutral
现在判断：
- "这个产品真的太好用了" →
- "第三次坏了，再也不会买" →"1.3 Few-shot 的效果提升
| 任务类型 | Zero-shot 准确率 | Few-shot 准确率 | 提升 |
|---|---|---|---|
| 情感分类 | ~78% | ~92% | +14% |
| 意图识别 | ~72% | ~88% | +16% |
| 格式转换 | ~65% | ~95% | +30% |
| 命名实体识别 | ~70% | ~85% | +15% |
Few-shot 对格式对齐 和模式学习类任务效果最明显。如果你想让模型按特定格式输出（JSON、表格、特定模板），Few-shot 是最简单有效的方式。
1.4 Few-shot 的最佳实践
python
# ============ Few-shot 模板 ============
# 技巧 1：示例数量控制在 2-5 个
# 太少学不会，太多浪费 token 且边际收益递减
# 技巧 2：示例要覆盖多样性
few_shot_examples = {
"情感分类": [
# 正面 - 长评论
{"input": "用了三个月了，续航很给力，拍照也清晰，强烈推荐！", "output": "positive"},
# 正面 - 短评论
{"input": "不错，满意", "output": "positive"},
# 负面 - 具体问题
{"input": "屏幕有亮点，客服说正常现象，但我觉得不应该", "output": "negative"},
# 中性 - 客观描述
{"input": "今天到货了，还没拆封", "output": "neutral"},
],
}
# 技巧 3：用分隔符区分示例和待处理内容
prompt_template = """
{instruction}
<examples>
{examples}
</examples>
<query>
{user_input}
</query>
"""
# 技巧 4：示例的格式要和期望输出完全一致
# 如果你期望 JSON 输出，示例就必须是 JSON1.5 Few-shot 的局限性
javascript
Few-shot 不是万能的
❌ 解决不了的问题：
• 需要复杂推理的任务（数学、逻辑）
• 模型完全没有见过的领域
• 需要大量知识的任务
✅ 擅长解决的问题：
• 格式对齐（输出 JSON、表格、特定模板）
• 模式学习（分类、提取、转换）
• 风格模仿（语气、用词习惯）二、Chain-of-Thought：让模型"想清楚再说"
2.1 核心思想
Chain-of-Thought（思维链，简称 CoT） 是 2022 年 Google 提出的提示技术（论文：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models）。
核心思想极其朴素：让模型先把推理过程写出来，再给最终答案。
类比一下：考试做数学题，直接写答案容易出错；先写解题步骤，再写答案，正确率会高很多。
2.2 Zero-shot CoT：最简单的用法
你甚至不需要给示例，只要在 Prompt 末尾加一句话：
arduino
"请一步步思考。"
"Let's think step by step."
"请先分析，再给出结论。"
"请详细说明你的推理过程。"就这么简单，效果却非常显著：
arduino
❌ 不加 CoT:
"一个水池有两个水管，A 管单独注水 6 小时注满，B 管单独排水 8 小时排完。
如果同时打开两管，多久注满？"
→ 模型可能直接猜："14小时"（错误）
✅ 加 CoT:
"一个水池有两个水管，A 管单独注水 6 小时注满，B 管单独排水 8 小时排完。
如果同时打开两管，多久注满？请一步步计算。"
→ 模型会：
1. A 管每小时注水：1/6
2. B 管每小时排水：1/8
3. 同时打开，每小时净注水：1/6 - 1/8 = 1/24
4. 注满需要：1 ÷ 1/24 = 24 小时
→ "24小时"（正确）2.3 Few-shot CoT：更强大的用法
给模型展示"推理过程 + 最终答案"的完整示例：
ini
Q: 小明有 23 个苹果，给了小红 1/3，又买了 6 个，还剩多少个？
A: [思考过程]
原有 23 个苹果。
给小红 1/3：23 × 1/3 ≈ 7.67 个。因为苹果不能分，给 7 个，剩下 16 个。
又买了 6 个：16 + 6 = 22 个。
[最终答案] 22 个。
Q: 一列火车 3 小时行驶 360 公里，前 1.5 小时的速度是后 1.5 小时的 2 倍，
求前后两段的速度分别是多少？
A: [思考过程]
设后 1.5 小时的速度为 x 公里/小时，则前 1.5 小时的速度为 2x。
总路程 = 前段 + 后段
360 = 2x × 1.5 + x × 1.5
360 = 3x + 1.5x
360 = 4.5x
x = 80
所以后段 80 公里/小时，前段 160 公里/小时。
[最终答案] 前 1.5 小时 160 公里/小时，后 1.5 小时 80 公里/小时。
Q: 一件商品先涨价 20%，再打 8 折，最终价格是原价的百分之几？
A:Few-shot CoT 的示例中，推理过程比最终答案更重要。模型通过学习推理的"模式"（如何拆解问题、如何逐步计算），比直接记住答案更有价值。
2.4 CoT 为什么有效？
arduino
CoT 有效的三个原因
① 分解问题
复杂问题被拆成多个小步骤，每步更简单
→ 每步出错的概率更低
② 中间状态可验证
推理过程中产生的中间结果可以被"检查"
→ 如果某一步错了，后面的步骤可能会自我纠正
③ 更多"思考时间"
生成推理过程需要更多 token
→ 等于给了模型更多"计算空间"来处理问题 2.5 CoT 的代码实现
python
import openai
def cot_prompt(question: str, few_shot_examples: list = None) -> str:
"""
CoT 提示函数
支持零样本 CoT 和少样本 CoT
"""
if few_shot_examples:
# Few-shot CoT：包含推理过程的示例
examples_text = ""
for ex in few_shot_examples:
examples_text += f"Q: {ex['question']}\nA: {ex['reasoning']}\n\n"
prompt = f"{examples_text}Q: {question}\nA:"
else:
# Zero-shot CoT：只加一句引导语
prompt = f"{question}\n\n请一步步思考，先给出推理过程，再给出最终答案。"
response = openai.chat.completions.create(
model="gpt-4",
messages=[
{"role": "system", "content": "你是一个善于推理的AI助手。回答问题时，请先展示详细的推理过程，最后用【最终答案】给出结论。"},
{"role": "user", "content": prompt}
],
temperature=0.3, # CoT 场景建议低温度
)
return response.choices[0].message.content
# ============ 使用示例 ============
# Zero-shot CoT
result = cot_prompt("一件商品先涨价20%再打8折，最终价格是原价的百分之几？")
# Few-shot CoT
examples = [
{
"question": "小明有15个苹果，给了小红1/3，又买了6个，还剩多少个？",
"reasoning": "原有15个。给小红1/3：15×1/3=5个，剩10个。又买6个：10+6=16个。\n【最终答案】16个"
},
{
"question": "一个水池A管6小时注满，B管8小时排完，同时开多久注满？",
"reasoning": "A管每小时注1/6，B管每小时排1/8。同时开：1/6-1/8=1/24。注满需要1÷1/24=24小时。\n【最终答案】24小时"
}
]
result = cot_prompt("一件商品先涨价20%再打8折，最终价格是原价的百分之几？", examples)2.6 CoT 的最佳实践
| 技巧 | 说明 | 示例 |
|---|---|---|
| 引导语放在末尾 | 模型更关注最后的指令 | "...\n请一步步思考" |
| Temperature 设低 | 推理任务需要确定性 | T = 0.0 ~ 0.3 |
| 示例要展示完整推理 | 不要只给答案，要给过程 | "思考过程 → 最终答案" |
| 复杂问题拆分子问题 | 让模型分步处理 | "先计算A，再计算B" |
| 用分隔符标记答案 | 方便提取最终答案 | "【最终答案】xxx" |
三、Self-Consistency：多次推理，少数服从多数
3.1 核心思想
Self-Consistency（自一致性） 是 2022 年提出的进阶技术（论文：Self-Consistency Improves Chain of Thought Reasoning in Language Models）。
核心思想：同一个问题，让模型用 CoT 推理多次，然后取"多数答案"作为最终结果。
类比一下：考试做选择题，你算了一遍答案是 A，但不太确定。于是你又算了一遍，答案是 A。再算一遍，还是 A。三次都是 A，你就有信心选 A 了。
3.2 为什么需要 Self-Consistency？
CoT 虽然提升了推理能力，但有个问题：模型的推理路径不是唯一的。
同一个数学题，模型可能通过不同的思路来解：
- 路径 1：先算 A，再算 B → 答案 42 ✅
- 路径 2：先算 C，再算 D → 答案 42 ✅
- 路径 3：某个中间步骤算错了 → 答案 38 ❌
如果只推理一次，刚好走了路径 3，就错了。但如果推理 5 次，3 次得到 42，2 次得到 38，取多数答案 42，就对了。
3.3 Self-Consistency 的三步流程
rust
┌─────────────────────────────────────────────────────────────┐
│ Self-Consistency 三步流程 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 第一步：生成多条推理路径 │
│ ═════════════════════════════ │
│ 用 CoT Prompt + 较高的 Temperature，生成 N 个回答 │
│ （N 通常取 5~40） │
│ │
│ ▼ │
│ │
│ 第二步：提取每个回答的最终答案 │
│ ═════════════════════════════ │
│ 从每条推理路径中提取出最终答案（数字/选项/标签） │
│ │
│ ▼ │
│ │
│ 第三步：投票选多数 │
│ ═════════════════════════════ │
│ 统计每个答案出现的次数，取最多的作为最终结果 │
│ │
└─────────────────────────────────────────────────────────────┘3.4 代码实现
python
import openai
from collections import Counter
def self_consistency(question: str, n_samples: int = 10) -> dict:
"""
Self-Consistency 实现
1. 用 CoT 生成多条推理路径
2. 提取最终答案
3. 投票选多数
"""
cot_prompt = f"""{question}
请一步步思考，先给出详细的推理过程，最后用【最终答案】给出结论。"""
# 第一步：生成多条推理路径
# 注意：这里用较高的 temperature 来增加多样性
reasoning_paths = []
for i in range(n_samples):
response = openai.chat.completions.create(
model="gpt-4",
messages=[
{"role": "user", "content": cot_prompt}
],
temperature=0.7, # 较高温度 → 不同推理路径
)
reasoning_paths.append(response.choices[0].message.content)
# 第二步：提取最终答案
answers = []
for path in reasoning_paths:
# 从推理路径中提取【最终答案】后面的内容
if "【最终答案】" in path:
answer = path.split("【最终答案】")[-1].strip()
elif "最终答案" in path:
answer = path.split("最终答案")[-1].strip()
else:
answer = path.strip() # fallback：取最后一行
answers.append(answer)
# 第三步：投票选多数
answer_counts = Counter(answers)
most_common = answer_counts.most_common(1)[0]
return {
"question": question,
"final_answer": most_common[0],
"confidence": most_common[1] / n_samples, # 置信度 = 多数票占比
"answer_distribution": dict(answer_counts),
"all_reasoning_paths": reasoning_paths,
}
# ============ 使用示例 ============
result = self_consistency(
"一个水池A管6小时注满，B管8小时排完，同时开多久注满？",
n_samples=5
)
print(f"最终答案: {result['final_answer']}")
print(f"置信度: {result['confidence']:.0%}")
print(f"答案分布: {result['answer_distribution']}")
# 最终答案: 24小时
# 置信度: 80% (5次中有4次得到正确答案)
# 答案分布: {'24小时': 4, '12小时': 1}3.5 效果对比
| 方法 | 数学推理准确率 | 常识推理准确率 | 符号推理准确率 |
|---|---|---|---|
| 直接回答（无 CoT） | ~45% | ~60% | ~40% |
| CoT（单次推理） | ~75% | ~72% | ~65% |
| Self-Consistency | ~85% | ~78% | ~75% |
Self-Consistency 对数学类任务提升最明显，因为数学答案通常是确定的（对就是对，错就是错），投票机制效果最好。对于开放性问题（如"写一篇文章"），Self-Consistency 就不太适用了。
3.6 Self-Consistency 的权衡
ini
┌─────────────────────────────────────────────────────────────┐
│ Self-Consistency 的成本与收益 │
├─────────────────────────────────────────────────────────────┤
│ │
│ 采样次数 (N) 准确率提升 API 调用成本 延迟 │
│ ───────────────────────────────────────────── │
│ 1 (仅 CoT) 基准 1x 低 │
│ 5 +5~10% 5x 中 │
│ 10 +8~12% 10x 中高 │
│ 20 +10~15% 20x 高 │
│ 40 +12~17% 40x 很高 │
│ │
│ 💡 推荐配置： │
│ • 日常使用：N = 5（性价比最高） │
│ • 重要任务：N = 10~20 │
│ • 关键决策：N = 20~40 │
│ │
│ ⚠️ 注意：N 越大，延迟越高，成本越高 │
│ 可以通过并行请求来降低延迟 │
│ │
└─────────────────────────────────────────────────────────────┘3.7 并行优化：降低延迟
python
import concurrent.futures
def self_consistency_parallel(question: str, n_samples: int = 10) -> dict:
"""
并行版 Self-Consistency
用多线程同时发送请求，大幅降低总延迟
"""
def single_sample(i):
response = openai.chat.completions.create(
model="gpt-4",
messages=[
{"role": "user", "content": f"{question}\n\n请一步步思考，最后用【最终答案】给出结论。"}
],
temperature=0.7,
)
return response.choices[0].message.content
# 并行发送所有请求
with concurrent.futures.ThreadPoolExecutor(max_workers=n_samples) as executor:
futures = [executor.submit(single_sample, i) for i in range(n_samples)]
reasoning_paths = [f.result() for f in futures]
# 提取答案 + 投票（同上）
answers = []
for path in reasoning_paths:
if "【最终答案】" in path:
answers.append(path.split("【最终答案】")[-1].strip())
most_common = Counter(answers).most_common(1)[0]
return {
"final_answer": most_common[0],
"confidence": most_common[1] / len(answers),
"answer_distribution": dict(Counter(answers)),
}四、三大技巧组合使用
4.1 组合策略矩阵
| 场景 | 推荐组合 | 原因 |
|---|---|---|
| 分类/格式转换 | Few-shot | 不需要推理，示例就够了 |
| 数学/逻辑推理 | CoT | 需要一步步思考 |
| 高准确率数学 | Few-shot CoT + Self-Consistency | 示例教方法 + 多次推理保准确 |
| 创意写作 | Few-shot（风格模仿） | 不需要 CoT，CoT 反而限制创意 |
| 代码生成 | Few-shot CoT | 示例教格式 + 推理保逻辑 |
| 复杂分析 | CoT + Self-Consistency | 推理 + 多数投票 |
4.2 终极组合：Few-shot CoT + Self-Consistency
这是目前最强的提示策略组合，特别适合高准确率要求的推理任务：
python
def advanced_reasoning(question: str, n_samples: int = 10) -> dict:
"""
终极组合：Few-shot CoT + Self-Consistency
"""
# Few-shot CoT 示例
few_shot_cot = """
Q: 一件商品原价 100 元，先涨价 25%，再打 8 折，最终价格是多少？
A: [推理过程]
原价 100 元。
涨价 25%：100 × 1.25 = 125 元。
打 8 折：125 × 0.8 = 100 元。
[最终答案] 100 元
Q: 小红有 50 元，买书花了 60% 的钱，又用剩下的钱买了一支笔花了 5 元，还剩多少？
A: [推理过程]
原有 50 元。
买书花了 60%：50 × 0.6 = 30 元，剩下 20 元。
买笔花了 5 元：20 - 5 = 15 元。
[最终答案] 15 元
"""
prompt = f"""{few_shot_cot}
Q: {question}
A:"""
# Self-Consistency：多次采样
answers = []
for _ in range(n_samples):
response = openai.chat.completions.create(
model="gpt-4",
messages=[{"role": "user", "content": prompt}],
temperature=0.7, # 需要多样性
)
content = response.choices[0].message.content
if "【最终答案】" in content:
answers.append(content.split("【最终答案】")[-1].strip())
most_common = Counter(answers).most_common(1)[0]
return {
"final_answer": most_common[0],
"confidence": most_common[1] / len(answers),
"distribution": dict(Counter(answers)),
}写在最后
三个高级技巧，本质上是在回答一个问题：如何让模型"更聪明"？
- Few-shot 解决的是"怎么做"------用示例教模型你想要的模式
- CoT 解决的是"想清楚"------让模型一步步推理，而不是直接猜答案
- Self-Consistency 解决的是"更可靠"------多次推理取多数，降低偶然出错
记住一个原则：技巧越复杂，成本越高。不是所有场景都需要 Self-Consistency，简单的分类任务用 Few-shot 就够了。选择适合你场景的技巧，才是最好的。
觉得有用？点赞收藏！你在实际使用中遇到过哪些坑？评论区聊聊
#提示词工程 #Few-shot #Chain-of-Thought #自一致性 #CoT #Self-Consistency #大模型 #Prompt技巧 #AI推理 #技术分享 #程序员