Prompt Engineering 高级技巧

超越基础 Prompt

大多数开发者熟悉 zero-shot 和 few-shot prompting，但要充分发挥 LLM 的潜力，需要掌握更高级的技术。

Chain-of-Thought (CoT)

引导模型逐步推理，显著提升复杂任务的准确率：

问题：一个商店有 15 个苹果，卖掉了 8 个，又进货 12 个，还剩多少？

让我们逐步思考：
1. 初始数量：15 个苹果
2. 卖掉 8 个：15 - 8 = 7 个
3. 进货 12 个：7 + 12 = 19 个
答案：19 个苹果

在 prompt 中加入 “Let’s think step by step” 就能激活 CoT 能力。

Self-Consistency

多次生成答案，取多数投票的结果：

def self_consistency(prompt, n=5):
    answers = []
    for _ in range(n):
        response = llm.generate(prompt)
        answer = extract_answer(response)
        answers.append(answer)
    
    # 多数投票
    return max(set(answers), key=answers.count)

这种方法在数学和逻辑推理任务上效果显著。

ReAct 框架

结合推理（Reasoning）和行动（Acting）：

Question: 北京今天的气温是多少？

Thought: 我需要查询北京今天的天气信息
Action: search("北京今天天气")
Observation: 北京今天晴，气温 28°C
Thought: 我已经获取到了气温信息
Answer: 北京今天的气温是 28°C。

Tree of Thoughts (ToT)

在复杂问题上探索多条推理路径：

1. 生成多个初始思路
2. 评估每个思路的前景
3. 选择最有希望的思路继续扩展
4. 必要时回溯到之前的节点

Prompt 模板最佳实践

# 角色
你是一个专业的{角色描述}。

# 任务
{清晰的任务描述}

# 约束
- {约束条件 1}
- {约束条件 2}

# 输出格式
{期望的输出格式示例}

# 示例
输入：{示例输入}
输出：{示例输出}

总结

高级 Prompt 技术能显著提升 LLM 在复杂任务上的表现。关键是根据任务特点选择合适的技术，并通过实验不断优化。