提示词工程 · 进阶技巧具体举例
进阶提示词技巧 · 具体举例
Self-Consistency · ReAct · Tree of Thoughts · 分层提示 · 迭代优化
1. 自我一致性（Self-Consistency）
原理 让模型多次独立生成答案，再通过“投票”选出最一致的结果，显著提升准确率，尤其适合数学、逻辑、事实类问题。
完整提示词示例
请解决以下问题，并给出最终答案。问题：一个班有40名学生，其中60%是女生。后来转来5名男生，现在女生占比是多少？
请按以下要求回答：
先写出详细的推理过程
最后给出答案
我会让你回答3次，请每次都独立思考
实际使用方法
- 将 temperature 设置为 0.7 ~ 1.0（增加多样性）
- 连续调用模型 3~5 次
- 收集每次的最终答案，选择出现次数最多的那个作为最终结果
预期多次结果示例
第1次：50%第2次：50%
第3次：48.7%（计算错误）最终采用：50%（多数投票）
适用场景：数学计算、逻辑推理、事实问答、需要高准确率的封闭性问题。
2. ReAct 框架（Reasoning + Acting）
原理 让模型在「思考 → 行动 → 观察」之间循环，适合需要调用工具、搜索信息、多步决策的任务。
完整提示词示例
你是一个智能助手，可以使用工具来获取信息。请使用 ReAct 格式回答问题。可用工具：
- Search[关键词]：搜索相关信息
- Calculate[表达式]：进行计算
请严格按以下格式输出：
Thought: 你的思考
Action: 工具名称[参数]
Observation: （这里由系统返回结果，你先空着）
...（可重复多次）
Thought: 我已经有足够信息了
Final Answer: 最终答案
问题：2023年诺贝尔物理学奖得主是谁？他的主要贡献是什么？
模型可能输出的完整过程
Thought: 我需要查找2023年诺贝尔物理学奖的信息
Action: Search[2023年诺贝尔物理学奖]
Observation: 2023年诺贝尔物理学奖授予Pierre Agostini、Ferenc Krausz和Anne L'Huillier，以表彰他们在产生阿秒光脉冲方面的贡献。Thought: 我已经获得了足够信息
Final Answer: 2023年诺贝尔物理学奖得主是Pierre Agostini、Ferenc Krausz和Anne L'Huillier，主要贡献是产生阿秒光脉冲，用于研究电子动力学。
关键点：Thought 负责推理，Action 负责调用工具，Observation 由外部系统填充，形成闭环。实际应用中需要配合工具调用接口。
3. 思维树（Tree of Thoughts, ToT）
原理 让模型生成多个不同的思考路径，再对路径进行评估和选择，适合开放性强、需要探索和规划的问题。
完整提示词示例
请用思维树方法解决以下问题。问题：如何提高一个电商网站的转化率？
请按以下步骤进行：
- 生成3个不同的解决方向（Branch）
- 对每个方向进行简要评估（可行性、效果、成本）
- 选择最优的1-2个方向进行深入展开
- 最终给出具体可执行的建议
输出格式：
Branch 1: ...
评价：...
Branch 2: ...
评价：...
Branch 3: ...
评价：...选定方向：...
深入方案：...
预期输出结构示例
Branch 1: 优化落地页加载速度和移动端体验
评价：可行性高，成本中等，见效快Branch 2: 增加社交证明和用户评价展示
评价：可行性高，成本低，对信任转化效果好Branch 3: 引入AI个性化推荐
评价：效果潜在高，但开发和数据成本较高选定方向：Branch 1 + Branch 2
深入方案：
压缩图片与启用CDN，目标加载时间<2秒
在商品页显著位置展示真实用户评价和销量
A/B测试不同评价展示方式
监控转化率变化并持续优化
4. 提示词分层与优先级
原理 把系统指令、任务要求、用户输入、输出格式清晰分层，避免指令互相冲突，提升模型对核心规则的遵循度。
完整提示词模板
# 系统角色（最高优先级）
你是一个专业的法律顾问，回答必须严谨、客观，不提供法律意见之外的建议。任务指令
请根据用户提供的案情，分析可能涉及的法律问题，并给出分析思路。
输出格式要求
请严格使用以下结构：
【案情摘要】
【可能涉及的法律条文】
【分析思路】
【风险提示】用户输入
（此处放入用户的具体问题）
分层说明
- 系统角色：最高优先级，定义身份与底线行为
- 任务指令：明确当前要完成的具体工作
- 输出格式：强制结构，方便后续处理
- 用户输入：放在最后，避免污染上层指令
效果：模型会优先遵守最上层的角色和格式约束，大幅减少跑题和格式混乱。
5. 迭代优化方法论（实操流程）
原理 提示词很少一次完美，需要通过「测试 → 发现问题 → 针对性优化」的循环持续改进。
实战案例：简历信息抽取
第一版（简单版）
请从简历中提取姓名、电话、邮箱、工作经历，输出JSON。
测试后常见问题：
- 有时会多输出解释文字
- 工作经历格式不统一
- 电话和邮箱偶尔识别错误
第二版（增加约束 + 格式）
你是一个简历解析专家。请从以下简历文本中提取信息，严格输出JSON，不要任何其他内容。输出格式：
{
"name": "",
"phone": "",
"email": "",
"work_experience": [
{
"company": "",
"title": "",
"duration": ""
}
]
}注意事项：
- 如果某字段无法提取，填null
- 工作经历按时间倒序排列
- 只输出JSON
简历内容：
{{resume_text}}
第三版（针对失败 case 继续细化）
- 加入 1~2 个完整 Few-shot 示例
- 增加细规则：「电话必须是11位数字，否则填 null」
- 要求模型先判断文本是否为简历，再决定是否提取
- 对工作经历增加「开始时间-结束时间」标准化格式要求
核心原则：每次只针对真实失败案例优化，避免过度设计。建立小测试集，量化每次改动的效果。
浙公网安备 33010602011771号