LLM —— Prompt提示词工程

目录

一、基础通用技巧（所有场景必用）

二、提示技术

1. Zero-Shot 零样本

2. One-Shot / Few-Shot 单 / 少样本

3. CoT 思维链

4. Self-Consistency 自洽性

5. ToT 树状思维

6. ReAct（推理 + 行动 + 观察）

7. Reflection 反思修正

8. 总结

一、基础通用技巧（所有场景必用）

角色设定指定模型身份、立场、语气、专业度，约束输出风格。

示例：你是资深NLP算法工程师，用通俗语言讲解技术原理，避免专业堆砌

适用：问答、科普、文案、咨询

指令结构化拆分任务、要求、范围、字数、禁忌，逻辑清晰，减少跑偏

示例：任务：总结下文；要求：不超过200字；禁忌：不编造内容、不添加额外观点

适用：标准化输出、批量处理

格式约束强制输出 JSON / 表格 / 列表 / Markdown / 代码，适配程序解析。

示例：结果以标准JSON格式返回，字段包含name、score、reason

适用：接口对接、数据抽取、自动化流程

正负向约束正向提要求，反向明确禁止行为（反提示）

示例：仅依据参考内容回答，禁止编造、猜测、拓展无关信息

适用：RAG、知识库问答、合规场景

二、提示技术

1. Zero-Shot 零样本

无示例，纯自然指令，依赖模型原生能力。

适用：通用问答、日常创作、简单分类。

2. One-Shot / Few-Shot 单 / 少样本

给出输入+标准答案样例，让模型模仿格式、逻辑、规则

适用：文本分类、实体抽取、意图识别、小众定制规则

———————————————————————————————————————————

3. CoT 思维链

引导模型分步推导，拆解问题再作答，大幅提升推理正确率

句式：请一步步分析推理，最后给出最终答案

适用：数学计算、逻辑题、方案分析、复杂问答

4. Self-Consistency 自洽性

多次生成推理结果，投票选择最优答案，降低随机错误

适用：高难度数理、歧义问题（多维度分析 -> 多结果 -> 综合分析择优）

5. ToT 树状思维

发散多条解题思路，逐一验证、择优输出

适用：方案设计、多维度决策、创意构思

缺点：更费 token，响应更慢，提示词更复杂，不适合简单问题。

如果评估标准不清楚，也可能“想很多但没结论”

6. ReAct（推理 + 行动 + 观察）

交替执行「思考→调用工具→拿到结果→再思考」，适配联网、计算、查询类任务

ReAct 就是中间的“大脑流程”

一般不暴露给用户，内部调用。

优点

“减少幻觉”，能处理实时信息，能接入外部工具，适合复杂任务拆解，适合多轮自动执行

缺点

① 工具设计不好，Agent 也会乱用
② 每次调用工具都有成本
③ 多轮调用会变慢
④ 工具结果不准确，最终答案也会受影响
⑤ 需要做好权限控制
⑥ 需要防止无限循环

工程中要加限制：

① 最大调用次数
② 工具白名单
③ 参数校验
④ 超时控制
⑤ 错误重试
⑥ 用户确认机制

7. Reflection 反思修正

让模型自查输出错误、补全漏洞、迭代优化答案

模型先完成一次任务，然后回头检查自己的结果，发现问题，再改进。

重点是检查结果

8. 总结