提示工程基础
精心设计的提示能显著提升LLM输出质量。核心原则包括清晰性、具体性和结构化。
明确指令
清晰描述任务目标和输出格式
提供上下文
给出背景信息和相关示例
设定约束
明确输出长度、格式、风格限制
Chain-of-Thought思维链
通过引导模型逐步推理，显著提升复杂问题解决能力：
CoT示例
问题：小明有5个苹果，给了小红2个，又买了3个，请问现在有几个？
让我们一步步思考：
1. 小明最初有 5 个苹果
2. 给了小红 2 个，剩余 5 - 2 = 3 个
3. 又买了 3 个，现在有 3 + 3 = 6 个
答案：6个苹果✅ CoT技巧
- 添加"让我们一步步思考"触发推理
- Zero-shot CoT：无需示例即可生效
- Few-shot CoT：提供推理示例效果更好
Few-Shot少样本学习
提供输入输出示例，让模型理解任务格式：
Few-Shot示例
将以下句子转换为正式商务语言：
示例1:
输入：这东西挺好的
输出：该产品质量上乘，性能优异
示例2:
输入：价格有点贵
输出：定价相对较高，需综合考虑性价比
现在请转换：
输入：服务还行吧
输出：角色提示
通过设定角色让模型采用特定视角和专业知识：
💡 角色设定模板
你是一位资深[领域]专家，拥有[具体经验]。
你的任务是[具体任务]。
请用[风格特点]的语气回答。
回答时请注意：[约束条件]高级技巧
| 技巧 | 说明 | 适用场景 |
|---|---|---|
| 自一致性 | 多次采样取多数结果 | 需要高可靠性 |
| 自我反思 | 让模型检查自己的输出 | 质量把关 |
| 分解提示 | 复杂任务拆分为多个提示 | 复杂任务 |
| 迭代优化 | 多轮对话逐步完善 | 创意写作 |