微软研究院开源的140亿参数rStar2-Agent模型通过创新的智能体强化学习技术，在多项数学基准测试中超越参数量达6710亿的DeepSeek-R1模型。

rStar2-Agent的核心创新在于摒弃了传统的思维链方法，转而采用智能体交互机制。该模型能够自主规划推理过程，调用Python代码执行工具进行验证，并根据反馈调整推理步骤，避免了传统CoT方法中常见的错误累积问题。

-以上信息来源于AI资讯

---

在条件适配（如数据充足、训练得当、任务匹配）的前提下，一个具有更多参数的模型具有更强的知识存储与表征能力、更优的复杂任务处理能力、更好的泛化能力与任务适应性，传统CoT(Chain of Thought Prompting，思维链)是一个AI领域中用到的提示技术，那么提示技术是什么呢？为什么它可以明显的影响模型性能？

以下为提示技术的专业定义：

提示技术是人工智能领域中，通过构建结构化指令（即“提示”，Prompt）以引导预训练语言模型（或多模态模型）精准理解任务目标、约束条件与输出要求，进而优化模型推理路径与生成结果的系统性方法论与技术集合。其核心价值在于降低模型与人类意图的语义鸿沟，让模型在无需重新训练（或仅需少量参数微调）的前提下，适配多样化下游任务，是连接预训练模型能力与实际应用需求的关键桥梁。

 

从更容易理解的角度来说：

提示技术是一个方法论，它是人工智能领域的一项辅助技术，它通过设计提示词，可以帮助智能体更好的理解用户的意图和想法，高效的调用智能体已有的知识和推理能力，从而输出更准确的答案，避免因需求理解偏差导致的答非所问或输出质量不足。

---

既然提示技术为了辅助AI响应用户需求，那是不是只有在模型使用阶段才会调用该项技术呢？

除了我们日常使用的任务交互型智能体以外，还有很多面向不同使用场景且具有不同功能的智能体，若以应用领域划分，会有金融领域智能体、医疗领域智能体等。为了使智能体在不同的使用场景都可以准确理解用户需求，在模型训练阶段与使用阶段都会用到提示技术。

 

在模型训练阶段，工程师们会用提示技术提前预设好智能体的“基础能力框架”，定义模型的基础角色、功能边界与响应框架，让智能体具备稳定的核心功能（比如对话逻辑、领域基础能力），从而减少后续用户使用模型是模型推理时的引导成本，以下列出一些只在模型训练阶段使用的提示技术：

-可学习提示（Learnable Prompt，如P-Tuning、Prompt Tuning） ：在模型输入/中间层插入可梯度更新的连续向量，通过训练优化提示参数，将任务适配能力固化到模型中。

-一致性提示（Consistency Prompting）：设计多组不同角度提示，将“不同提示下回答的置信度差异”纳入损失函数，强制模型响应逻辑一致。

-CoT训练数据构建（CoT Training Data）：生成“问题+分步推理+答案”的样本作为训练数据，让模型学习底层推理逻辑，不依赖使用时额外引导。

-系统提示预训练（Pre-trained System Prompt）：训练时提前植入基础角色（如“客服”“翻译助手”）与功能边界规则，固化模型基础响应框架。

 

在模型使用阶段，智能体会在基础框架上根据用户的不同输入进行“场景化响应”，形成“角色约束+场景需求”的完整指令，驱动模型生成针对性输出。此阶段是提示技术最广泛的应用场景，核心是通过实时输入的提示，引导模型针对具体需求生成精准、合规的结果，以下列出一些只在模型使用阶段使用的提示技术：

-零样本提示（Zero-Shot Prompting）：直接输入任务指令，无需示例，靠即时提示让模型理解单次任务。

-少样本提示（Few-Shot Prompting）：输入“指令+1-3个示例”，引导模型快速适配任务。

-即时思维链提示（In-Context CoT）：使用时临时加入分步推理引导，辅助模型解决复杂问题，单次生效。

-格式约束提示（Format Prompting）：明确要求输出格式，确保单次输出符合使用需求。

 

除了以上这些提到的只在特定阶段使用的提示技术外，还有一些可以跨阶段使用：

-系统提示（System Prompt）：训练时定义基础角色，使用时可补充临时规则。

-角色引导提示（Role Prompting）：训练时植入“医生”“教师”等角色认知，使用时可指定临时角色。

---

为什么模型使用阶段使用的提示技术会明显影响模型性能呢？

借用通信中的概念，提示技术存在就是为了让信息发出者(用户)与信息接收者(智能体)之间降低两者语义差异，尽可能做到无障碍沟通。

 

排除掉用户输入的影响，好的提示技术会让模型精准理解任务(需要明确精准理解任务并不总是和提示词精准相挂钩，不同模型对于提示词的偏好不同，只要提示词可以和模型良好匹配即可)：

-优化提示词输入：让模型准确理解任务，明确任务边界，让模型聚焦目标，避免理解偏差。

-依据提示词调用能力：让模型调用适配知识，模型预训练时储备了海量多领域知识，可按任务需要精准调用不同知识模块。

-约束输出内容：提示技术可以约束模型输出的格式与质量标准。

---

最新使用的智能体交互机制与提示技术又有什么关系呢？

简单来说，智能体交互机制范畴更大，虽然智能体交互机制通常包含提示技术的应用，但二者并非“包含与被包含”的绝对从属关系，更准确的定位是：提示技术是智能体交互机制实现“精准传递需求、高效响应交互”的重要工具之一。

 

智能体交互机制：

定位是智能体系统的“运行逻辑框架”，属于宏观设计范畴。

核心目标是构建“稳定、高效的交互生态”，实现交互有效闭环。

同时覆盖范围广，包含交互全流程的多个环节。

 

提示技术：

定位是向模型传递需求的“输入优化工具”，属于微观执行范畴。

核心目标是让模型“准确get需求”并输出匹配结果。

覆盖范围窄，仅聚焦于“向模型传递需求”这一单一环节。