处理复杂任务时，AI模型有时会“跑偏”——明明问了具体问题，它却给你一堆不着边际的回复。其实很多时候，问题出在提问方式上：太急于要答案，反而忽略了中间的关键逻辑。今天要聊的这个技巧——Step-Back Prompting，正好能解决这个问题。它的核心思路听起来很简单，但效果相当惊艳：别急着问结果，先让模型想清楚“用什么原则来解决”。
Step-Back Prompting 是一种专门用来提升大模型处理复杂任务能力的提示词技巧。和传统那种一股脑把问题全部丢给模型的做法不同，它把整个过程拆成两个环节：先让模型提炼出问题背后涉及的抽象概念和原则，再基于这些原则去处理具体问题。这样一来，中间步骤的“跑偏”概率就大大降低了。
这个技巧在多个主流模型上做过测试——PaLM-2L、GPT-4、Llama2-70B，结果无一例外：比链式思维（CoT）等传统提示方法效果更好。在某些数据集上，准确率直接提升了3%到20%。具体怎么操作？两个步骤：
- 抽象：先问模型，解决这个问题需要用到哪些概念或原则；
- 推理：把上一步提炼出的概念和原则，连同原始问题，一起交给模型处理。
举个例子更直观。假设你想给一个第一人称射击游戏的关卡编写故事情节。直接问模型“给我写一段FPS关卡的故事”，得到的结果往往比较泛泛，甚至有点混乱。但用Step-Back Prompting，你第一步先问：“参考流行的第一人称射击游戏，给关卡编写故事情节时，通常需要遵循哪5个核心要点？”模型会给出类似“明确玩家目标”“设置冲突精彩处”“控制节奏”之类的高层原则。然后，你再让它基于这5个要点去编写具体故事。两步下来，输出的内容在结构性和针对性上明显强了一大截——不再是东拼西凑的片段，而是有章法的叙事。
在诸多数据集上，使用Step-Back Prompting都带来了显著的效果提升。先抽象再具体，这才是它的精髓所在。其实这个技巧就像我们辅导学生做复杂题目的场景：先引导学生回忆解题需要用到的公式或定理，再让他套用公式去算。步骤走对了，答案自然靠谱。对于AI来说，道理一样——与其让它在大海里捞针，不如先给它一张精确的地图。