大家好！今天为大家整理了 Prompt Engineering（提示工程） 的18种方法，并为每种方法提供了实际案例及对应论文参考链接。希望大家能从中受益！

目录

  1. 猫头虎提示词
  2. Zero-shot Prompt
  3. Few-shot Prompt
  4. 链式思考（COT）Prompt
  5. 自我一致性
  6. 生成知识 Prompt
  7. Prompt Chaining
  8. 思维树（TOT）
  9. 检索增强生成（RAG）
  10. 自动推理与工具结合（ART）
  11. 自动Prompt工程师
  12. Active Prompt
  13. 方向性刺激 Prompt
  14. PAL程序辅助语言模型
  15. ReAct框架
  16. 自我反思 Reflexion
  17. 多模态思维链 Prompt
  18. 基于图的 Prompt

正文

1. 猫头虎提示词

  • 核心思路：自然表达、精准指令，把AI当成“员工”，清晰地布置任务。
  • 案例：
    • “用三句话概括这篇文章。”
    • “列出本地前三家热门餐厅。”
    • “用Markdown格式生成一份周报模板。”

2. Zero-shot Prompt

  • 介绍：无需示例，通过任务描述直接获得结果。
  • 案例：
    • “将这段话的情感分类为正面、负面或中性。”
      文本：我今天过得很开心！
      输出：正面
    • “翻译以下内容为中文：Hello, how are you?”
    • “总结这段话的主要思想。”
  • 相关论文：Zero-shot Learning

3. Few-shot Prompt

  • 介绍：提供少量示例，帮助模型理解任务。
  • 案例：
    • “将以下评论分类：
      1. 这太棒了！ // 正面
      2. 这太糟糕了！ // 负面
      3. 这个产品挺好的。 // 正面”
    • “创建以下数据的表格： 数据：[‘苹果’, ‘香蕉’, ‘橙子’]”
  • 相关论文：Few-shot Learning

4. 链式思考（COT）Prompt

  • 介绍：引导模型逐步推理，生成准确答案。
  • 案例：
    • “我买了10个苹果，送了2个，后来又买了5个，吃了1个，现在还剩多少个？”
      答案：10 - 2 + 5 - 1 = 12。
    • “某班有40名学生，其中25人喜欢足球，10人喜欢篮球，既喜欢足球也喜欢篮球的有5人。有多少人不喜欢这两项运动？”
  • 相关论文：COT

5. 自我一致性

  • 介绍：通过多次路径采样，选择最一致的答案。
  • 案例：
    • “林中有15棵树，种了6棵，现在有多少棵？”
      多次推理后答案一致：21棵。
    • “计算：2的0.5次方。”
  • 相关论文：Self-consistency

6. 生成知识 Prompt

  • 介绍：先生成知识，再用它回答问题。
  • 案例：
    • “生成关于气候变化的知识点，然后回答‘气候变化的主要原因是什么？’”
    • “生成知识：鲸鱼是哺乳动物吗？回答：是的。”
  • 相关论文：Knowledge Generation

7. Prompt Chaining

  • 介绍：将复杂任务分解为多个子任务。
  • 案例：
    • Step 1: 提取文档中所有引用。
      Step 2: 根据引用生成答案。
  • 相关论文：暂无。

8. 思维树（TOT）

  • 介绍：通过树状结构探索问题的多种解决路径。
  • 案例：
    • “24点游戏：给定[4, 9, 10, 13]，生成24的计算方法。”
    • “用深度优先搜索解决迷你填字游戏。”
  • 相关论文：Tree of Thoughts

9. 检索增强生成（RAG）

  • 介绍：结合检索与生成，提高回答的准确性。
  • 案例：
    • “查找关于GPT模型的最新研究，生成摘要。”
    • “检索与生成：欧洲有哪些知名地标？”
  • 相关论文：RAG

10. 自动推理与工具结合（ART）

  • 介绍：在推理过程中动态调用工具。
  • 案例：
    • “查找‘某人年龄’并计算其平方根。”
    • “将API数据整合进问题回答。”
  • 相关论文：ART

推荐工具

👉 WildCard | 一分钟注册，轻松订阅海外线上服务

11. 自动Prompt工程师

  • 介绍：自动生成和优化任务指令。
  • 案例：
    • “改进以下代码：def func(x): return x**2”
    • “生成Python代码实现计算圆面积。”
  • 相关论文：Auto Prompt Engineer

12. Active Prompt

  • 介绍：基于不确定性选择最佳问题进行提示。
  • 案例：
    • “基于模型生成的不确定性，对问题进行排序。”
    • “选择数据集中最具代表性的问题进行注释。”
  • 相关论文：Active Prompt

13. 方向性刺激 Prompt

  • 介绍：通过提示引导模型生成更符合预期的答案。
  • 案例：
    • “为这篇文章生成简明摘要。”
    • “提示模型关注特定关键词，如‘环境保护’。”
  • 相关论文：Directional Prompt

14. PAL程序辅助语言模型

  • 介绍：使用编程语言生成推理过程。
  • 案例：
    • “用Python计算日期差。”
    • “写出计算BMI指数的程序代码。”
  • 相关论文：PAL

15. ReAct框架

  • 介绍：结合推理与操作，通过外部数据辅助回答问题。
  • 案例：
    • “根据Wikipedia查询‘人工智能的历史’。”
    • “查找并总结诺贝尔奖得主名单。”
  • 相关论文：ReAct

16. 自我反思 Reflexion

  • 介绍：基于反馈优化模型输出。
  • 案例：
    • “改进以下函数：返回列表的最大值。”
    • “根据错误日志，改进程序。”
  • 相关论文：Reflexion

17. 多模态思维链 Prompt

  • 介绍：结合文本与视觉信息生成推理。
  • 案例：
    • “分析图片并生成相关描述。”
    • “根据图表数据回答问题。”
  • 相关论文：Multimodal Chain

18. 基于图的 Prompt

  • 介绍：利用子图相似性优化任务提示。
  • 案例：
    • “通过子图分析社交网络结构。”
    • “在图数据上执行分类任务。”
  • 相关论文：Graph-based Prompt

👉 WildCard | 一分钟注册，轻松订阅海外线上服务