Prompt工程记录

Prompt基本建议：

1.在查询中包含详细信息以获得更相关的答案

总结会议笔记:先将会议笔记总结为一段，然后写一份演讲者的打分表，列出他们的每个要点；最后列出发言者建议的下一步行动或者行动项目（如果有的话）

2.让模型扮演一个角色

3.使用分隔符清楚的指示输入的不同部分

总结以下文本：1234

总结由三个引号分割的文本

"""12342132131"""

4.指定完成任务所需任务

5.提供示例

6.指定所需的输出长度

提示工程

Few-shot

大多数情况下我们写的Prompt一般称为One-shot(零样本）通常依赖模型已经学到的知识

Few-shot 少量样本教导模型使用非常少量的训练数据来识别新对象

示例的作用有时超过千言万语

Few-shot并不复杂，只需要将一些类似的问题和答案作为提示的一部分输入即可

示例：

• 例题 1：“如果 3 个苹果售价 6 元，那么 5 个苹果多少钱？” → 解答：6÷3×5=10 元
• 例题 2：“4 支铅笔 8 元，买 7 支需要多少钱？” → 解答：8÷4×7=14 元
  待解问题：“2 个笔记本 10 元，买 6 个笔记本要花多少钱？” → 模型应输出 “10÷2×6=30 元”

通过思维链提示法提升模型推理能力 

核心：通过在输入序列中精心设计一系列有序的，逻辑相连的提示或者问题，促使AI模型不仅关注当前任务的直接需求，还能追溯并整合过往信息，形成一条条逻辑清晰的思维轨迹。

充分利用思维链提示法的关键是：设计高度结构化且具有引导性的提示序列，要求设计者深刻理解目标问题的内在逻辑，布局问题框架，铺设从简单导复杂的思考路径。

动态调整提示策略，根据模型反馈灵活修正思维链的方向和深度，也是优化中的重要环节。

最基础的思维链：在输入末尾加上“let's think step by step" 称为 Zero-shot-CoT

Few-shot-CoT

通过编写思维链样本作为提示，让模型学会思维链的推导方式

示例：

输入文本：
“请解决下面的数学问题，解题时请先写出详细的推理步骤，再给出答案。
示例 1：
问题：小明有 5 颗糖，妈妈又买了 7 颗，分给同学 3 颗，还剩几颗？
推理：
小明原本有 5 颗糖，妈妈买了 7 颗后，现在有 5+7=12 颗。
分给同学 3 颗后，剩下的数量是 12-3=9 颗。
答案：9示例 2：
问题：一个书架有 4 层，每层放 6 本书，借出去 10 本，还剩多少本？
推理：
书架每层 6 本，4 层一共有 4×6=24 本书。
借出去 10 本后，剩下 24-10=14 本。
答案：14现在请解决：
问题：3 个小朋友每人有 4 个气球，不小心飞走了 5 个，还剩多少个气球？
请先推理，再给出答案。”

1. 思维链要 “接地气”：模仿人类自然推理的口语化表达（如 “首先”“然后”“因为… 所以…”），避免过于简洁或抽象。
2. 示例数量适中：2-5 个示例效果最佳（太少则模型学不会推理模式，太多则可能稀释重点）。
3. 明确提示 “先推理后答案”：在最后一个问题前强调 “请先写出推理步骤，再给出答案”，防止模型跳过思维链。
4. 答案格式统一：示例中答案的标注方式要一致（如均用 “答案：XXX”“最终答案：XXX”），方便模型对齐输出。
5. 复杂问题利用此方法准确率依然不够好

Least-to-Most Promoting 

通过人工编的思维链提示样本可能并不能很好的迁移到其他问题中：泛化能力不够

Google提出两阶段进行的方法

1：自上而下的分解问题

2：自下而上的依次解决问题

LtM的核心不仅在于引导模型拆分问题，还要将子问题的问题和答案回传给子模型，理论上，整个过程会有三次调用大模型的过程：

1. 原始问题 提问 拆分为子问题
2. 子问题 提问 获得子问题回答
3. 原始问题 子问题加答案 获得原始问题回答

主问题：A、B、C、D 四人排队，A 不在第一个，B 在 C 的前面，D 在 A 的后面，第一个人是谁？
Least-to-Most 提示过程：
子问题 1：根据 “B 在 C 的前面”，可能的位置顺序有哪些（只考虑 B 和 C）？
推理：B 必须在 C 左边，可能的顺序是 B→C（中间可隔人）。
答案：B 在 C 前，如 BXXXC、BX CX、BCXX 等子问题 2：结合 “A 不在第一个”，A 可能的位置是？
推理：总共有 4 个位置（1 到 4），A 不能在 1，所以可能在 2、3、4。
答案：A 在 2、3 或 4 位子问题 3：结合 “D 在 A 的后面”，A 和 D 的位置关系是？
推理：D 必须在 A 右边，即若 A 在 2，D 可在 3/4；A 在 3，D 在 4；A 在 4，D 无位置（排除）。
答案：A 在 2→D 在 3/4；A 在 3→D 在 4主问题（整合子问题）：第一个人是谁？
推理：
由子问题 1：B 在 C 前，所以 C 不能在 1；
由子问题 2：A 不能在 1；
由子问题 3：D 在 A 后，若 D 在 1，则 A 需在 D 前（不可能），故 D 不能在 1；
剩下只能是 B 在 1。
答案：B

提示框架

BROKE:背景，角色，目标，关键结果，改进

COAST:上下文，目标，行动，场景，任务

ROSES：角色，目标，场景，解决方案，步骤

1. BROKE 框架

背景：
动态Job Shop Scheduling Problem（JSP）涉及在生产过程中处理作业和机器之间的调度问题。随着任务和作业的动态变化，如何在不确定性中实现高效调度成为一个挑战。现代算法，如遗传算法、启发式算法和强化学习，能够有效应对这一挑战。

角色：

• 调度系统（负责优化任务分配）

• 生产经理（决策和目标设定）

• 作业和机器（受调度影响的对象）

目标：
开发一个灵活的调度算法，能够根据动态输入（如作业到达、机器故障、生产任务变更等）自动调整和优化调度计划，以最大化生产效率和减少延误。

关键结果：

• 提高调度的实时响应能力，能快速处理动态变化

• 降低作业的延误时间和机器的空闲时间

• 提升整体生产效率和成本效益

改进：

• 探索基于强化学习的调度优化策略，以应对复杂的动态变化

• 考虑多目标优化，兼顾生产效率、资源使用和任务完成时间

2. COAST 框架

上下文：
在动态JSP环境中，生产过程中可能出现作业需求的突然变化，机器故障或突发事件，这些都要求调度算法能够快速响应。传统的静态调度方法无法适应这种动态变化，需要新的调度方法来优化决策。

目标：
优化动态环境下的作业调度，提高生产效率和机器利用率，减少作业的等待时间，并最大化按时交货率。

行动：

• 设计并实现一个动态调度算法，能够实时调整调度计划

• 将遗传算法与启发式算法结合，以处理动态作业调度的挑战

• 利用机器学习模型预测可能的作业需求和机器状态变化，从而提前做出调度决策

场景：

• 制造业车间，多个作业和机器同时运行

• 每个作业有多个工序，需要依赖不同的机器执行

• 作业到达时间和任务要求是动态变化的

任务：

• 实时监控和响应车间中作业和机器的状态变化

• 动态调整调度方案，确保尽可能减少生产瓶颈和延误

• 进行在线优化，考虑时间窗约束、优先级和机器能力限制等多种因素

3. ROSES 框架

角色：

• 调度系统：负责管理和优化作业调度

• 生产管理人员：通过调度系统获取生产状态反馈，并做出决策

• 作业任务：需按特定顺序和资源约束完成

• 机器设备：提供资源来完成作业操作

目标：
实现一个能够适应动态变化（如作业到达、机器故障）的调度系统，并在保持高效生产的同时，减少因这些变化导致的延误和资源浪费。

场景：
在一个现代化生产车间中，多个作业和多个机器同时运行。作业到达时间、工序执行时间和机器状态是动态的，可能在执行过程中出现故障或优先级变化。

解决方案：

• 设计一个动态调度系统，利用进化算法（如遗传算法）处理动态变化的作业调度问题

• 结合智能预测技术（如机器学习）预测未来可能的生产瓶颈，并根据预测调整调度策略

• 动态调度不仅考虑作业的完成时间，还考虑机器的利用率、设备的维护状态和作业的优先级

步骤：

1. 建立一个系统模型，描述作业、机器、任务等对象的关系

2. 实现一个动态调度框架，支持实时数据输入和调度调整

3. 设计和实施遗传算法或其他进化算法，作为调度优化策略

4. 集成机器学习模型来预测系统的动态变化并优化调度

5. 在实际环境中进行测试和调整，确保系统能有效应对突发事件和需求变化