提示工程远未过时，掌握这5种高阶技巧让你在AI时代脱颖而出。

1. 提示工程的两种核心模式：对话模式与产品模式

要理解提示工程，首先要明白它在不同场景下的两种核心模式，这两种模式的底层逻辑和优化目标截然不同。

• 对话模式 (Conversational Mode)

这就像我们与同事的头脑风暴。你和ChatGPT、Claude等模型进行一来一回的迭代式对话，逐步修正、引导，最终得到满意的结果。这种模式追求的是灵活性和探索性。

• 产品模式 (Normal/Product Mode)

这更像是为自动化生产线编写一条精确、无歧义的指令。提示被设计为一次性、高度优化的“代码”，嵌入到某个产品或服务中（如自动化邮件处理、数据分析工具）。它一旦定型，便很少改动，追求的是极致的稳定性、可靠性和成本效益。

我们今天讨论的大部分高级技巧，正是在“产品模式”中发挥着至关重要的作用。

2. 五种被验证有效的高阶提示技术详解

1. Few-shot Prompting (少样本提示)

语言模型在训练阶段接触了大量类似“问题-答案”或结构化的数据格式（如JSON、XML）。通过在提示中提供几个高质量的输入-输出范例（Examples），我们实际上是在激活模型已经学会的“模式识别”能力，引导它按照我们期望的格式和逻辑进行输出。

“当你要求LLM做一件事时，给它看好的例子是什么样的。”

实战格式：

Q: [输入示例1]
A: [期望输出示例1]

Q: [输入示例2]
A: [期望输出示例2]

Q: [我的真实输入]
A:

小提示：提供的示例应该清晰、准确，并且覆盖不同的情况。理想情况下，2到5个示例就足够了；太多可能会让模型困惑，太少则可能无法提供足够的指引。

2. Decomposition (任务分解)

大型语言模型在处理单一、明确的任务时表现出色，但在面对一个宏大而复杂的问题时，容易出现逻辑跳跃或忽略关键细节。这与人类的工作方式类似。将一个大项目分解成一系列小步骤，可以显著降低每个步骤的认知负荷，从而保证最终结果的准确性和完整性。

“别直接一次性解决这个问题。而是问：‘在回答之前，请告诉我需要首先解决哪些子问题？’”

实战案例：

一个汽车经销商的聊天机器人收到“我想退车”的请求。直接处理非常复杂。

• 错误方式：“请处理这个客户的退货请求。”
• 正确方式（分解）：“一个客户想退货。在回应之前，请列出你需要先解决的子问题。”
  LLM的输出可能就是：
  1. 确认客户身份。
  2. 查询客户的车型和购买日期。
  3. 检查车辆是否符合退货政策。
  4. 生成相应的回复草稿。

小提示：对于非常复杂的任务，你可以甚至让模型自己先“规划步骤”，然后针对每一个步骤来给它提供进一步的指令。这比你一次性给出所有步骤要灵活得多。

3. Self-criticism (自我批评)

这项技术利用了LLM的推理和评估能力，构建了一个内部的“生成-评估”反馈循环。第一次生成的内容是初稿，随后的“批评”指令则强制模型切换到“审阅者”视角，利用其庞大的知识库来检查初稿中的事实错误、逻辑漏洞或不一致之处。这本质上是模拟了人类写作中的“草稿-修改-定稿”过程。

“你问LLM：‘你能检查一下你的回应吗？’它会输出一些东西，你让它批评自己，然后改进自己。”

执行步骤：

1. 提问：“总结一下引力波的发现过程。”
2. 要求批评：“请检查你上面的回应，指出任何不准确或可以改进的地方。”
3. 要求改进：“现在，根据你提出的批评，生成一个最终的、改进后的版本。”

小提示：在要求批评时，可以指定一个具体的角度，比如“请检查回应中的事实性错误”或“请指出逻辑上不够严谨的地方”。这样能让模型的检查更聚焦、更有效。

4. Additional Information (附加信息/上下文)

LLM的回答质量直接取决于输入信息的丰富度和准确度。当任务涉及专业领域或特定知识时，模型可能会因为缺乏精确的“世界知识”而产生误解。提供附加信息，就如同给模型一个“即时词典”或“背景资料包”，帮助它在正确的知识框架内进行推理和判断，避免歧义。

“你正在尝试让模型完成某项任务。你希望尽可能多地提供关于该任务的信息。”

实战案例：

在一项医疗编码任务中，需要LLM对Reddit帖子进行分类。当遇到“Entrapment”一词时，模型可能会误解为物理上的“陷阱”。

改进提示：“...在下面的文本中，术语‘Entrapment’指的是一种心理状态，定义为‘个体感到被困在某种处境中，并且认为逃离的代价很高’。请基于这个定义进行分类...”

小提示：附加信息应该是有价值的、与任务直接相关的。避免提供大量无关的噪声信息，否则会分散模型的注意力。

5. Ensembling Techniques (集成技术)

这个思想源于机器学习中的集成学习方法。单个模型或单个提示可能会有其固有的“视角盲区”或随机性。通过使用多个不同视角（提示、角色、甚至模型）来解决同一个问题，然后对答案进行聚合（如投票），可以有效地平滑掉单个输出的极端偏差，从而获得一个更鲁棒、更可靠的最终答案。

“集成技术会针对一个问题，用多个不同的提示来解决同一个问题……然后取最常见的答案作为我的最终答案。”

实战案例：“推理专家混合”：

针对一个复杂的历史问题，你可以让三个LLM分别扮演“历史教授”、“考古学家”和“社会学家”的角色进行回答，最后综合它们的答案。

小提示：集成技术的效果取决于你使用的“专家”视角之间的差异性。视角差异越大，最终结果的鲁棒性越高。例如，让一个LLM扮演“乐观主义者”，另一个扮演“悲观主义者”来讨论同一个计划，然后综合它们的意见。

常见问题解答

1. 少样本提示（Few-shot）需要多少例子最好？
   通常2到5个例子效果最佳。太少可能无法清晰传达模式，太多则可能引入噪声或让模型感到困惑，表现反而下降。关键是例子要清晰、简洁且有代表性。
2. 任务分解（Decomposition）适用于所有场景吗？
   不是。它特别适合复杂、多步骤或需要大量推理的任务。对于简单、直接的问题（如“今天是星期几？”），分解反而会显得冗余，降低效率。
3. 自我批评（Self-criticism）能彻底消除幻觉吗？
   不能完全消除，但能显著降低幻觉的发生概率。它的核心优势在于让模型“自查”，发现并修正明显的逻辑矛盾或事实错误。对于极其专业或隐秘的知识，模型仍可能无法自我纠正。
4. 附加信息（Additional Information）是不是越多越好？
   不是。提供过多无关或噪音信息反而会分散模型注意力，干扰其处理核心任务。关键在于提供精准、有价值、能填补模型知识空白的信息。
5. 什么时候应该使用集成技术（Ensembling）？
   当任务对准确性要求极高，或者单个模型/提示的输出让你不够放心时，集成技术尤为有效。例如，分析重要的数据、生成法律文书或风险评估报告。