返回文章列表
LLM

Prompt工程

M
Moonpeak
| | 15 分钟

Prompt工程

Prompt Engineering（提示工程）的常见技术和方法可以分为基础技巧、进阶框架、结构化方法和优化策略四个层面。以下是当前主流的实践分类：

一、基础提示技巧

1. Zero-shot（零样本提示）

核心：直接描述任务，零示例

直接描述任务，不提供示例。适用于模型已经理解的基础任务。

response = llm.invoke([HumanMessage(content="人工智能正在改变生活方式，翻译这句话")])

2. Few-shot（少样本提示）

核心：直接描述任务，零示例

提供2-5个输入-输出示例，让模型通过上下文学习模式。

# 定义示例库
examples = [
    {"input": "开心", "output": "Joyful, elated, cheerful"},
    {"input": "难过", "output": "Melancholic, sorrowful, dejected"},
    {"input": "生气", "output": "Irritated, furious, indignant"}
]


example_prompt = ChatPromptTemplate.from_messages([
    ("human", "{input}"),
    ("ai", "{output}")
])


few_shot_prompt = FewShotChatMessagePromptTemplate(
    example_prompt=example_prompt,
    examples=examples,
    input_variables=["input"]
)


final_prompt = ChatPromptTemplate.from_messages([
    ("system", "你是一个提供英文同义词的专家，给出3个不同程度的近义词。"),
    few_shot_prompt,
    ("human", "{input}"),  # 实际查询
])


few_shot_chain = final_prompt | llm
print(few_shot_chain.invoke({"input": "害怕"}).content)
无样本提示输出结果 
**害怕** 的英文同义词（按程度递增）：
1. **Worry**（轻度：担忧，对可能的负面结果感到不安）
2. **Fear**（中度：恐惧，对具体威胁的直接反应）
3. **Panic**（重度：恐慌，极度的恐惧伴随生理反应）


**中文近义词参考**（供理解）：
- 轻度：担心、忧虑
- 中度：畏惧、惊惶
- 重度：惊恐、恐慌


可根据具体语境选择更贴切的词汇。

3. Chain-of-Thought（思维链 / CoT）

在示例中展示推理步骤，引导模型”逐步思考”。

cot_examples = [
    {
        "question": "15个苹果均分给3个朋友，每人几个？",
        "reasoning": "总数15除以人数3，15÷3=5，所以每人5个。",
        "answer": "5个"
    },
    {
        "question": "一个长方形长8cm，宽是长的一半，面积是多少？",
        "reasoning": "先求宽：8÷2=4cm。再算面积：长×宽=8×4=32平方厘米。",
        "answer": "32平方厘米"
    }
]


cot_example_prompt = ChatPromptTemplate.from_messages([
    ("human", "问题：{question}"),
    ("ai", "思考过程：{reasoning} 最终答案：{answer}")
])


cot_few_shot = FewShotChatMessagePromptTemplate(
    example_prompt=cot_example_prompt,
    examples=cot_examples
)


cot_prompt = ChatPromptTemplate.from_messages([
    ("system", "解决数学问题时，请模仿示例，先展示详细推理，再给出答案。"),
    cot_few_shot,
    ("human", "问题：{question}"),
])


cot_chain = cot_prompt | llm
result = cot_chain.invoke({"question": "汽车时速60km，行驶2.5小时，路程多少？"})

二、进阶推理框架

1. Zero-shot-CoT / Auto-CoT

不借助示例，仅通过在问题后添加”让我们一步步思考”等触发词激活推理能力。

理论上对大模型来说，只需要提示其“一步一步输出”，但是8b规模小，需要明确指定才可

zero_shot_cot_prompt = ChatPromptTemplate.from_template(
"""
问题：{question}
请按以下格式回答：
<thinking>
步骤1：分析题目要求和已知条件
步骤2：详细计算过程
步骤3：验证结果
</thinking>
<answer>最终答案</answer>


开始解答：
""")


zero_shot_cot_chain = zero_shot_cot_prompt | llm
非 Zero-shot-CoT 与 Zero-shot-CoT 结果对比 
按照数学运算的优先级规则，乘法应先于加法和减法进行计算。因此，原式 $12 + 34 \times 2 - 10$ 的计算步骤如下：
1. **先计算乘法部分**：
   $34 \times 2 = 68$
2. **将结果代入原式**：
   $12 + 68 - 10$
3. **从左到右依次进行加减法**：
   - $12 + 68 = 80$
   - $80 - 10 = 70$
**最终答案**：
$$
\boxed{70}
$$

2. Tree of Thoughts（思维树 / ToT）

将推理过程展开为树状结构，探索多条路径并评估，适用于复杂决策。

生成多个思考步骤，评估每个步骤的得分，回溯或继续深入最有希望的路径
核心：维护多个思维路径，评估后选择最优

3. ReAct（Reasoning + Acting）

交替进行思考（Thought）和行动（Action），并观察环境反馈（Observation），适合工具使用场景。

4. Self-Consistency（自一致性）

对同一问题采样多个CoT推理路径，选择出现频率最高的答案，提高准确性。

三、结构化与角色设定

Role Prompting（角色扮演）

赋予模型特定身份，激活相关领域知识和表达风格。

System/User/Assistant分层

区分系统指令（全局规则）和用户输入（具体请求），这是ChatGPT/Claude等对话模型的标准用法。

Structured Output（结构化输出）

强制指定输出格式（JSON、Markdown表格、YAML等），便于程序解析。

四、优化与工程化方法

1. Prompt Chaining（提示链）

将复杂任务拆分为多个子任务，前一阶段的输出作为后一阶段的输入，降低单次推理复杂度。

2. Reflexion（自我反思）

让模型评估自己的输出，发现错误并修正。
请检查你刚才的回答，是否有逻辑错误或遗漏？

3. Directional Stimulus Prompting（定向刺激）

在提示中加入关键词或提示性线索，引导模型关注特定方面。

4. APE（Automatic Prompt Engineering）

使用算法自动生成和筛选最优提示词，减少人工试错。

5. RAG增强提示（Retrieval-Augmented Generation）

在提示中插入从知识库检索的相关上下文，解决知识时效性和幻觉问题

相关文章
LangChain手册
2月15日