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. 总结方法核心理解像什么CoT一步一步想解题过程Self-Consistency多想几遍选一致答案多次投票ToT多条路线展开、评估、剪枝下棋看几步ReAct边想边调用工具边查边做Reflection做完后自我检查和修正写完代码再 Review