Prompt 进阶：思维链与高级技巧

当你已经能写出”把任务说清楚”的基础提示词后，下一步要解决的问题是：模型为什么还会算错、编错、答非所问？ 答案往往不在”多写几句话”，而在提示的结构。本文聚焦一组经过论文与工程验证的进阶技巧：从 Zero-shot / Few-shot 起步，到思维链（Chain-of-Thought）、自洽性、角色提示、结构化输出，最后落到”减少幻觉”的实用策略。

从 Zero-shot 到 Few-shot

什么是 Zero-shot

Zero-shot（零样本）指不给任何示例，只描述任务就直接让模型完成。它是绝大多数日常对话的默认形态。

请把下面这句话翻译成英文："今天天气真好，我们去公园散步吧。"

Zero-shot 简单、成本低，但在需要特定格式、特定风格或强推理的任务上不稳定——模型不知道你心里”标准答案”长什么样。

什么是 Few-shot

Few-shot（少样本）是在提示里塞进几个”输入—输出”范例，让模型从范例中隐式学习模式，无需微调。OpenAI 的提示工程指南把少样本列为核心战术之一：范例要覆盖多样化的输入，并展示理想输出。

任务：判断用户评论的情感，只输出 正面 / 负面 / 中性。

示例1
输入：物流很快，包装也结实，满意。
输出：正面

示例2
输入：客服半天不回消息，太失望了。
输出：负面

示例3
输入：订单已下单，等待发货。
输出：中性

现在请判断：
输入：屏幕有点偏色，但价格便宜，勉强接受。
输出：

经验法则：范例数量从 0 到 3~5 通常收益明显；再多要看任务复杂度，且会占用上下文与成本。范例的质量比数量更重要——一个格式混乱的范例会带歪后续输出。

思维链 Chain-of-Thought（CoT）

CoT 的原理

复杂问题（数学、逻辑、多步推理）的失败，常因为模型”直接跳到答案”。Chain-of-Thought（思维链）由 Jason Wei 等人在 2022 年的论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》提出：让模型在给出最终答案前，先输出一串中间推理步骤。论文表明，在足够大的模型上，仅用 8 个思维链范例就能在 GSM8K 数学题上取得显著提升。

直观类比：你让同事”算一下这个项目赚不赚钱”，他如果直接报一个数字你很难信；若他摊开草稿纸一步步算，你既能验证、正确率也更高。CoT 就是给模型一张草稿纸。

零样本 CoT 与少样本 CoT

• 少样本 CoT：在 Few-shot 范例里，每个范例都带完整推理过程。
• 零样本 CoT：不写范例，只在问题后加一句触发语，例如 “让我们一步一步思考。“（Let’s think step by step）。这是后续研究发现的极简技巧，对许多推理任务有效。

可复制示例

下面是一段可直接使用的少样本 CoT 提示：

你是一位严谨的数学老师。请先一步步推理，再写出"答案："。

问题：小明有 5 个苹果，妈妈又给了他 3 个，吃掉 2 个后，还剩几个？
推理：
1. 一开始有 5 个苹果。
2. 妈妈给了 3 个，变成 5 + 3 = 8 个。
3. 吃掉 2 个，剩下 8 - 2 = 6 个。
答案：6 个

问题：一班有 12 名男生、9 名女生，转走 4 名男生后，全班还剩多少人？
推理：

零样本 CoT 更短：

请判断下面论证是否有效，并一步一步说明理由。
前提：所有猫都是动物。咪咪是猫。
结论：咪咪是动物。
让我们一步一步思考。

自洽性 Self-Consistency

Self-Consistency 由 Xuezhi Wang 等人在 2022 年论文《Self-Consistency Improves Chain of Thought Reasoning in Language Models》提出。它改进了 CoT 的解码方式：

1. 不再”贪心”只走一条推理路径，而是采样多条不同的推理过程；
2. 对每条路径得到的最终答案取多数票，选最一致的那个。

直觉：一道难题往往有多种解法，但正确答案通常唯一。多次采样后，错误答案会分散，正确答案会聚集。论文在 GSM8K 上相对普通 CoT 提升了约 17.9 个百分点。

工程实现上，你需要：在 API 调用中把 temperature 设成大于 0（如 0.7）以产生多样性，重复调用 N 次（如 5~10 次），解析每次的答案再做投票。下面是伪代码思路：

answers = []
for _ in range(8):
    out = llm(prompt, temperature=0.7)   # 每次采样一条带推理的回答
    answers.append(extract_final_answer(out))

final = max(set(answers), key=answers.count)  # 多数投票

注意：自洽性会成倍增加推理成本，适合对准确率要求高、且能接受延迟的场景（如自动判卷、财务核对）。

角色与人设提示

角色提示（Role prompting）给模型一个身份或视角，引导其语言风格与知识侧重。Anthropic 的提示工程最佳实践也将其列为常用技巧之一。

你是一名有 10 年经验的数据隐私律师，面向不懂技术的产品经理解释《个人信息保护法》。
请用通俗类比，避免堆砌法条编号，每段不超过 80 字。

角色提示的效果来自”锚定”：模型会调用与该角色一致的知识分布与语气。但它不是魔法——一个夸张的人设（“你是史上最聪明的 AI”）不会提升真实能力，反而可能让输出更啰嗦。

结构化输出：JSON / XML / 分步

当你要把模型输出接入程序，必须约束格式。常见三种手法：

JSON 示例：

请从下面简历中抽取信息，只输出合法 JSON，不要任何解释。
字段：
- name: 姓名
- years: 工作年限（整数）
- skills: 技能数组

简历：张伟，5 年 Python 后端经验，熟悉 Django、PostgreSQL、Redis。

模型应输出：

{
  "name": "张伟",
  "years": 5,
  "skills": ["Django", "PostgreSQL", "Redis"]
}

XML 示例（适合长文档分段）：

请阅读下文，分别用标签输出三部分，不要输出标签外的内容。
<summary>一句话摘要</summary>
<risks>三条主要风险</risks>
<action>一条可执行建议</action>

约束与格式控制

把”要求”写成明确的约束清单，比一句”请规范一点”有效得多：

• 长度：每段不超过 N 字 / 总字数在 200~400 之间。
• 语气：客观、不夸张、不使用感叹号。
• 禁止项：不要编造数据、不要使用 emoji、不要输出推理过程。
• 边界：若问题超出你的知识范围，回答”无法确定”。

用 XML 或 Markdown 把约束分组，能显著提升遵从度（OpenAI 指南也建议用 Markdown/XML 组织提示结构）。

减少幻觉的提示策略

幻觉指模型生成看似合理但错误的信息。几条被工程广泛采用的对策：

1. 明确告知”不知道”：直接写入”若资料不足，请明确说明你无法确定，不要猜测”。
2. 提供参考文本（RAG）：把可信资料放进提示，要求模型”仅依据以下资料回答”，并标注引用来源。OpenAI 提示工程指南将此作为核心战术。
3. 要求给出出处：让模型每条结论附带来源，便于你核对。
4. 分步骤 + 自检：用 CoT 让推理可见，再追加一步”请检查上述结论是否有相互矛盾之处”。

你只能依据下面提供的资料回答问题。如果资料中没有相关信息，请回答"资料未提及"，严禁编造。
资料：
<context>
{此处粘贴你的原文}
</context>
问题：{用户问题}
请引用资料中的原句来支持你的每个结论。

小结

• Zero-shot 简单廉价，Few-shot 用范例隐式定义”标准答案”，范例质量比数量重要。
• 思维链（CoT, Wei 2022）让模型先推理再作答，是提升复杂任务正确率的关键技巧。
• 零样本 CoT 只需加一句”让我们一步一步思考”；少样本 CoT 在范例中展示完整推理。
• 自洽性（Wang 2022）通过多次采样 + 多数投票进一步提升准确率，代价是成本与延迟。
• 角色提示锚定风格与知识侧重；结构化输出（JSON/XML/分步）让模型结果可被程序消费。
• 减少幻觉的核心是把”不知道”写进提示、提供可信参考文本并要求注明出处。

参考来源

1. OpenAI. Prompt engineering（官方提示工程指南）. https://platform.openai.com/docs/guides/prompt-engineering
2. Jason Wei 等. Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. 2022. https://arxiv.org/abs/2201.11903
3. Xuezhi Wang 等. Self-Consistency Improves Chain of Thought Reasoning in Language Models. 2022. https://arxiv.org/abs/2203.11171
4. Anthropic. Prompt engineering overview（Claude 提示工程总览）. https://docs.anthropic.com/en/docs/build-with-claude/prompt-engineering/overview