第四章:大模型（LLM)】07.Prompt工程-(12)其他prompt方法

第四章：大模型（LLM）

第七部分：Prompt 工程

第十二节：其他 Prompt 方法

在 Prompt 工程中，除了常见的 角色提示、任务分解、负面提示、优化迭代 等方法外，还有许多灵活多样的技巧，可以帮助提升大模型的输出质量和一致性。以下介绍几种常见的“其他 Prompt 方法”：

1. 示例驱动（Few-shot Prompting）

通过在 Prompt 中加入输入-输出示例，让模型模仿目标模式进行生成。

• 优点：适用于输出格式严格的任务（如代码、对话格式）。

• 示例：

  Q: 北京是中国的首都吗？
  A: 是的，北京是中国的首都。Q: 巴黎是法国的首都吗？
  A: 是的，巴黎是法国的首都。Q: 东京是美国的首都吗？
  A:
  

  → 模型会延续相同的回答风格。

2. 链式思维提示（Chain-of-Thought Prompting, CoT）

通过引导模型展示推理过程，提高复杂任务的准确率。

• 应用：逻辑推理、数学计算、多步骤任务。

• 示例：

  请逐步推理并回答：
  问题：如果一辆车每小时行驶60公里，3.5小时后行驶了多少公里？
  

  模型可能回答：

  • 第一步：60 × 3.5 = 210

  • 最终答案：210 公里

3. 反思与自我修正（Self-Refinement Prompting）

引导模型检查并改进自己的输出，提升结果质量。

• 应用：写作、代码生成、翻译、问答。

• 示例：

  请先给出初步答案，然后再自我检查是否有错误，并提供改进后的最终答案。
  

4. 多角色协作提示（Multi-Agent Prompting）

模拟不同角色之间的对话或协作，提高创意与覆盖面。

• 应用：头脑风暴、决策支持、对抗性思维。

• 示例：

  你是一个支持方，请给出正面观点。
  另一个模型作为反对方，请给出反面观点。
  最后请综合双方意见，给出结论。
  

5. 逐步约束（Step-by-Step Constraint Prompting）

将大任务拆分为多个阶段，每一步只输出部分内容，逐步构建完整答案。

• 应用：写论文、生成长篇故事、复杂流程设计。

• 示例：

  第一步：请先写文章的提纲，不要展开正文。
  第二步：根据提纲，写第一部分内容。
  ...
  

6. 多模态提示（Multimodal Prompting）

结合文字、图像、表格等多种输入，提升交互能力。

• 应用：图像描述、表格问答、跨模态理解。

• 示例：

  • 输入一张图 + “请用一句话描述这张图的主要内容”。

总结

“其他 Prompt 方法”为模型应用提供了更多灵活性：

• 示例驱动：通过 Few-shot 控制输出风格。

• 链式思维：让模型显式展示推理。

• 自我修正：提升结果准确度。

• 多角色协作：模拟不同视角的讨论。

• 逐步约束：控制生成过程。

• 多模态提示：适配更多输入形式。

这些方法常常可以组合使用，进一步提升 Prompt 的有效性与稳定性。