高级提示技术
复杂任务的提示词策略——从手动推理引导到原生推理调用
⚠️ 重要提示：推理模型的范式转变
在学习高级提示技术前，需要理解AI模型的"大分流"：
| 模型类型 | 代表 | CoT等技巧 | 最佳策略 |
|---|---|---|---|
| 系统1模型 | GPT-4o | ✅ 有效 | 使用CoT、ReAct等技巧引导推理 |
| 系统2模型 | o1/o3 | ❌ 反而有害 | 简洁直接的指令，信任原生推理 |
关键区别
对于GPT-4o等传统模型，CoT等技术是模拟"系统2"思考。
对于o1等推理模型，推理是原生能力，外部CoT提示会干扰其内部更优的推理过程。
🔄 ReAct（推理+行动）
概念
结合推理（Reasoning）和行动（Acting），让模型在思考和执行之间交替。
问题：苹果公司CEO是谁？他出生在哪一年？
Thought 1: 我需要先查找苹果公司的CEO
Action 1: Search("Apple Inc. current CEO")
Observation 1: Tim Cook is the CEO of Apple Inc.
Thought 2: 现在我知道CEO是Tim Cook，需要查找他的出生年份
Action 2: Search("Tim Cook birth year")
Observation 2: Tim Cook was born on November 1, 1960.
Thought 3: 我已获得所有信息
Final Answer: 苹果公司CEO是Tim Cook，他出生于1960年。ReAct实现
python
REACT_PROMPT = """
回答以下问题，使用Thought/Action/Observation格式：
可用工具：
- Search(query): 搜索信息
- Calculator(expression): 计算数学表达式
问题：{question}
Thought 1:"""
def react_loop(question: str, max_steps: int = 5):
"""ReAct推理循环"""
prompt = REACT_PROMPT.format(question=question)
for step in range(max_steps):
response = llm.generate(prompt)
if "Final Answer:" in response:
return extract_answer(response)
# 解析Action
action = parse_action(response)
# 执行Action
observation = execute_action(action)
# 更新提示
prompt += response + f"\nObservation {step+1}: {observation}\n\nThought {step+2}:"
return "无法得出结论"🌳 思维树（Tree of Thoughts）
概念
探索多个推理路径，选择最优解。
问题：24点游戏 - 用 1, 2, 3, 4 组成24
┌─ 路径1: (1+2+3)*4 = 24 ✓
│
├─ 路径2: (1+3)*(2+4) = 24 ✓
│
├─ 路径3: 1*2*3*4 = 24 ✓
│
└─ 路径4: (4-1)*(2+3+1) = ? ✗ 不对ToT实现
python
def tree_of_thoughts(problem: str, branching: int = 3, depth: int = 3):
"""思维树搜索"""
def generate_thoughts(state: str) -> list:
"""生成多个思考分支"""
prompt = f"""
问题：{problem}
当前状态：{state}
请生成{branching}个不同的下一步思考，每行一个：
"""
response = llm.generate(prompt)
return response.strip().split('\n')
def evaluate_thought(thought: str) -> float:
"""评估思考的质量"""
prompt = f"""
问题：{problem}
思考步骤：{thought}
请评估这个思考是否有助于解决问题，返回0-1之间的分数：
"""
score = float(llm.generate(prompt))
return score
# BFS搜索
queue = [("", 0)] # (state, depth)
best_solution = None
while queue:
state, d = queue.pop(0)
if d >= depth:
continue
thoughts = generate_thoughts(state)
for thought in thoughts:
score = evaluate_thought(thought)
new_state = state + "\n" + thought
if is_solution(new_state, problem):
if best_solution is None or score > best_solution[1]:
best_solution = (new_state, score)
else:
queue.append((new_state, d + 1))
return best_solution🔍 自我反思（Self-Reflection）
概念
让模型批评和改进自己的输出。
第一次回答：
Python是一种编程语言。
自我反思：
这个回答太简短了，没有提供有用的信息。应该包括：
- Python的特点
- 主要应用场景
- 学习建议
改进后的回答：
Python是一种高级、解释型编程语言，以简洁易读著称。
主要应用于Web开发、数据分析、机器学习、自动化脚本等领域。
对初学者友好，是入门编程的首选语言。实现
python
def self_reflect(question: str, max_iterations: int = 3) -> str:
"""自我反思改进"""
# 初始回答
response = llm.generate(f"请回答：{question}")
for i in range(max_iterations):
# 自我批评
critique = llm.generate(f"""
请批评以下回答的不足之处：
问题：{question}
回答：{response}
需要改进的地方：""")
# 检查是否满意
if "没有明显问题" in critique or "回答完整" in critique:
break
# 改进回答
response = llm.generate(f"""
根据批评改进回答：
问题：{question}
原回答：{response}
批评：{critique}
改进后的回答：""")
return response📊 结构化输出
JSON输出
python
STRUCTURED_PROMPT = """
请分析以下文本的情感，返回JSON格式：
文本：{text}
返回格式：
{{
"sentiment": "positive/negative/neutral",
"confidence": 0.0-1.0,
"keywords": ["关键词1", "关键词2"],
"summary": "一句话总结"
}}
"""
# 使用OpenAI的JSON模式
response = openai.chat.completions.create(
model="gpt-4-turbo",
messages=[{"role": "user", "content": prompt}],
response_format={"type": "json_object"}
)Pydantic结构化
python
from pydantic import BaseModel
from openai import OpenAI
class SentimentResult(BaseModel):
sentiment: str
confidence: float
keywords: list[str]
summary: str
client = OpenAI()
response = client.beta.chat.completions.parse(
model="gpt-4o",
messages=[{"role": "user", "content": prompt}],
response_format=SentimentResult
)
result: SentimentResult = response.choices[0].message.parsed🎭 多角色讨论
概念
模拟多个角色讨论，获得更全面的观点。
python
MULTI_ROLE_PROMPT = """
请模拟三位专家讨论以下问题：
问题：{question}
专家A（支持者）：
[阐述支持观点]
专家B（反对者）：
[阐述反对观点]
专家C（中立者）：
[综合分析，给出平衡结论]
最终结论：
[基于讨论的综合答案]
"""🧠 推理模型最佳实践
何时使用推理模型
| 场景 | 推荐模型 | 原因 |
|---|---|---|
| 数学推理 | o1/o3 | 原生强推理能力 |
| 代码调试 | o1/o3 | 多步逻辑分析 |
| 复杂规划 | o1/o3 | 分解和协调能力 |
| 聊天对话 | GPT-4o | 速度快、成本低 |
| 创意写作 | GPT-4o | 灵活性和多样性 |
| 实时交互 | GPT-4o | 低延迟要求 |
o-系列提示技巧
python
# ❌ 错误：使用CoT提示
bad_prompt = """
请一步一步思考这个问题：
1. 首先分析问题的条件
2. 然后列出可能的解决方案
3. 最后选择最优解
问题：如何设计一个分布式缓存系统？
"""
# ✅ 正确：简洁直接
good_prompt = """
设计一个分布式缓存系统。
要求：
- 支持百万级QPS
- 99.9%可用性
- 数据一致性保障
请给出详细的架构设计。
"""
# ✅ 使用developer消息（替代system消息）
messages = [
{"role": "developer", "content": "你是分布式系统架构专家"},
{"role": "user", "content": good_prompt}
]混合架构：规划者+执行者
python
class HybridReasoningSystem:
"""混合推理系统：o1规划 + GPT-4o执行"""
def __init__(self):
self.planner = "o1" # 规划者
self.executor = "gpt-4o" # 执行者
async def solve_complex_task(self, task: str):
# 1. 规划者制定计划（使用简洁提示）
plan = await self.call_model(
model=self.planner,
prompt=f"将以下任务分解为具体步骤：{task}"
)
# 2. 解析计划步骤
steps = self.parse_steps(plan)
# 3. 执行者逐步执行
results = []
for step in steps:
result = await self.call_model(
model=self.executor,
prompt=step
)
results.append(result)
# 4. 整合结果
return self.synthesize_results(results)🔗 相关阅读
相关论文：
相关文章：