一、提示词类型：

1、**思维链（Chain-of-Thought, CoT）：**不仅给出最终答案，还提供一个详细的、分步骤的推理过程作为范例。

2、 **零样本思维链（Zero-shot-CoT）：**无需在提示词中提供任何推理示例，只需在用户问题的末尾，简单地追加一句神奇的“咒语”：“让我们一步一步地思考”，模型便会自动采用分步推理的模式来解决问题。

Few-shot（少量精准示例）在输入提示词 中提供 少量示例

3、**自我一致性（Self-Consistency）：**使用思维链提示，并故意将模型的“温度”（Temperature，一个控制输出随机性的参数）调高（例如设置为0.7），然后让模型对同一个问题进行多次（例如5-10次）独立的解答。因为随机性的存在，模型会产生多个不同的推理路径和最终答案。

4、ReAct（Reason and Act，思考与行动）：

ReAct框架是构建能够与外部世界（如API、数据库、搜索引擎、代码执行器）进行动态交互的AI Agent的核心技术。它将模型的任务处理过程，从一个简单的“输入->输出”模式，转变为一个更加智能、更加动态的“思考（Thought） -> 行动（Action） -> 观察（Observation）”的交错循环。

5、 生成知识提示（Generated Knowledge Prompting）：

它将一个复杂问题分解为两步：

1. 知识生成：首先，让模型针对原始问题，生成一段相关的、它所知道的背景知识或事实。
2. 知识整合回答：然后，将原始问题和第一步中刚刚生成的背景知识，一起作为新的、更丰富的提示词，再次向模型提问，让其基于这个更全面的上下文来进行最终的回答。

二、提示词系统组成方式：

1、RTF 框架 (Role, Task, Format)： 这是一个极其简洁但高效的基础框架，适用于绝大多数日常的、快速的任务。

• R - Role (角色)：明确定义模型的身份。 -> 你是一个...
• T - Task (任务)：清晰描述需要完成的工作。 -> 你的任务是...
• F - Format (格式)：指定输出的格式。 -> 请以...格式输出

2、CO-STAR 框架 (Context, Objective, Style, Tone, Audience, Response)： 这是一个更侧重于内容创作和人际沟通场景的框架，它额外强调了对风格、语气和受众的精细考量。

• C - Context (背景)：提供任务的宏观背景和相关信息。

• O - Objective (目标)：明确这次沟通或内容创作想要达成的最终目的。

• S - Style (风格)：定义写作的文体风格（如：学术论文风格、新闻报道风格、个人博客风格）。

• T - Tone (语气)：设定文字所要传达的情感基调（如：专业严谨、友好热情、幽默诙谐、紧急严肃）。

• A - Audience (受众)：明确内容的最终读者是谁，这决定了语言的复杂度和切入角度。

• R - Response (响应格式)：期望的输出形式（如：一封正式的电子邮件、一份PPT大纲、一段代码片段）。

• 示例：

  背景：公司上个季度的销售额未达预期，我们需要向全体销售团队发送一封邮件，进行复盘并激励大家。

  目标：既要坦诚地承认问题，分析原因，又要重新点燃团队的斗志，让他们对下个季度充满信心。

  风格：商业信函风格。

  语气：开头部分应诚恳、严肃，分析部分应客观、理性，结尾部分应充满激情和鼓舞性。

  受众：全体销售团队成员。

  响应格式：一封完整的电子邮件草稿，由CEO署名。

3、CRITIC 框架 (Context, Role, Instruction, Tone, Input, Constraints)： 这是一个非常全面、细致且强大的框架，它几乎涵盖了我们第二部分所介绍的所有核心要素，非常适合用于构建复杂的、企业级的、对可靠性和确定性要求极高的提示词系统。

• C - Context (背景)：任务的宏观环境。
• R - Role (角色)：模型的身份。
• I - Instruction (指令)：具体的、分步骤的任务指令。
• T - Tone (语气)：输出的语调。
• I - Input (输入)：需要处理的数据。
• C - Constraints (约束)：必须遵守的规则和限制。

三、写提示词的经验

总结：把想法描述给 AI 让 AI 去写，写出来后人去测试验证，根据验证结果让 AI 调整，调整完后再验证，直到满意为止 ​​​。

1、提示词也像人一样（吸引力法则），多告诉AI该干什么，少说不要干什么，说多了反而可能强化了AI负面行为。

2、小技巧合集：

• 让模型输出思考过程，看看它是不是在瞎编。
• 提供高质量示例，尽可能在短小的示例中命中你全部的需求。
• 模型适配 Prompt：比如 GPT-4 更擅长理解英文结构化提示，通义千问在处理中文口语类表达上有优势。
• 用伪代码表示复杂逻辑，清晰明确。
• Prompt 要版本管理，以便对比优化效果。
• 分工协作：复杂任务可拆分给多个机器人串联处理。
• 指令不生效时，多换几种表述方式，越简单越好。
• 复杂句换成直白口语，命中率更高。
• 指定风格和语气：通过 token 联想来控制语调（如“俏皮”风格）。
• 任务说明必须明确，让模型知道你要“提取”、“摘要”还是“判断”。
• 角色设定要清晰，角色决定语言风格和知识背景。
• 格式控制要写死，不然模型输出容易走偏。
• 添加反向约束，如“不要解释，不要重复问题”等防止模型加戏。

四、注意点

1、模型只有在“生成验证内容”时才真的会验证；如果只是“被要求内部检查”，但没输出检查token，那只是你希望它检查，它自己不会真的做。
2、很多人写不好提示词，根源其实不是找不到好的模板，或者 AI 帮不了你，而是你是不是能评估出当前提示词生成结果离目标的差距，以及知道怎么调整。
3、提示词工程是动态的，网上那些模板或者ai生成的只能称呼为提示词。
4、用好AI的核心心法:把AI当人看。指令具体、信息丰富、尽量少歧义。