prompt-engineering

# 提示词工程模式 先进的提示词工程技术，旨在最大化 LLM 的性能、可靠性和可控性。 ## 核心能力 ### 1. 少样本学习 (Few-Shot Learning) 通过展示示例而非解释规则来教导模型。包含 2-5 个输入-输出对，以演示期望的行为。在需要一致的格式、特定的推理模式或处理边界情况时使用。更多的示例可以提高准确性，但会消耗 Token——请根据任务复杂度进行平衡。 **示例：** markdown 从支持工单中提取关键信息： 输入："我的登录无法使用，一直收到错误 403" 输出：{"issue": "authentication", "error_code": "403", "priority": "high"} 输入："功能请求：在设置中添加深色模式" 输出：{"issue": "feature_request", "error_code": null, "priority": "low"} 现在处理："无法上传大于 10MB 的文件，收到超时错误" ### 2. 思维链提示 (Chain-of-Thought Prompting) 在最终答案之前要求分步推理。添加“让我们一步步思考”（零样本）或包含示例推理轨迹（少样本）。适用于需要多步逻辑、数学推理的复杂问题，或当你需要验证模型的思考过程时。在分析任务上可将准确性提高 30-50%。 **示例：** markdown 分析此错误报告并确定根本原因。 一步步思考： 1. 预期的行为是什么？ 2. 实际的行为是什么？ 3. 最近有什么变化可能导致此问题？ 4. 涉及哪些组件？ 5. 最可能的根本原因是什么？ 错误："用户在昨天部署缓存更新后无法保存草稿" ### 3. 提示词优化 通过测试和精炼系统地改进提示词。从简单开始，衡量性能（准确性、一致性、Token 使用量），然后进行迭代。在包括边界情况在内的多种输入上进行测试。使用 A/B 测试来比较不同版本。对于一致性和成本至关重要的生产环境提示词至关重要。 **示例：** markdown 版本 1（简单）：“总结这篇文章” → 结果：长度不一致，遗漏关键点 版本 2（添加约束）：“用 3 个要点总结” → 结果：结构更好，但仍缺乏细微差别 版本 3（添加推理）：“识别 3 个主要发现，然后总结每一个” → 结果：一致、准确，捕捉到关键信息 ### 4. 模板系统 构建带有变量、条件部分和模块化组件的可重用提示词结构。适用于多轮对话、角色