大模型提示工程（Prompt Engineering）：链式思考、零样本思维链、自动思维链、CBR模式

最新推荐文章于 2025-03-01 18:02:29 发布

AI Agent开发

最新推荐文章于 2025-03-01 18:02:29 发布

阅读量1.1k

点赞数 25

文章标签： prompt 人工智能大模型 AI大模型提示工程学习

本文链接：https://blog.csdn.net/m0_56255097/article/details/141385558

版权

提示工程（Prompt Engineering）

提示工程不仅仅是关于设计和研发提示词，还包含了与大语言模型交互和研发的各种技能和技术。提示工程在实现和大语言模型交互、对接，以及理解大语言模型能力方面都起着重要作用。提示工程可以赋能大语言模型，比如借助专业领域知识和外部工具来增强大语言模型能力（例如RAG）。

一、链式思考（CoT）

链式思考是提示通过中间推理步骤来实现复杂的推理能力，以获得更好的更正确的推理结果。

思维链的主要思想是通过向大语言模型展示一些少量的 examples，在样例中解释推理过程，大语言模型在回答提示时也会显示推理过程。这种推理的解释往往会引导出更准确的结果。

论文地址：https://arxiv.org/pdf/2005.14165

二、零样本思维链（Zero-shot-CoT）

在问题的结尾附加“Let’s think step by step”这几个词，大语言模型能够生成一个回答问题的思维链。

Zero-shot-CoT 是一个 pipeline。也就是说“Let’s think step by step”这句话，只是通过这个 prompt 让LLM 尽可能生成一些思考过程，然后再将生成的 rationale（理由）和 question 拼在一起，重新配合一个answer 指向的 prompt 如“The answer is ”来激励模型生成答案。

三、自动思维链（Auto-CoT）

Auto-CoT 主要由两个阶段组成：

• 阶段1：问题聚类：将给定问题划分为几个聚类
• 阶段2：演示抽样：从每组数组中选择一个具有代表性的问题，并使用带有简单启发式的 Zero-Shot-CoT 生成其推理链

四、CBR模式（Case-Base Reasoning）提升任务成功率

核心思想：他山之石，可以攻玉。利用以往解决类似问题的经验来解决新问题。

• 首先检索出与任务相关的人类专家知识，并获取对应详细的案例。
• 根据详细案例，进行新的任务推理。

基本结构

[任务]
{}
[解决方案]
{}
现在请根据上述文本洞察解决以下任务。
[任务]
{}

role:你是一个客户端高级测试工程师，能够对客户端UI界面的各种问题进行判断，这里是一些发生过问题页面的例子，能够帮你完成页面显示问题的分析任务：

[任务]
你是一个客户端高级测试工程师，下面是之前发生过UI问题的例子描述，请按图片顺序进行分析。
内容要求：
1.分析传入的图片，识别出页面中所有的控件和文本，忽略顶部系统通知栏和底部菜单栏。
2.对每一个控件元素和文本元素都进行判断(顶部的通知栏和底部的菜单栏不需要参与分析)，分析元素本身的问题，一般存在的问题是缺失、不完整、展示不全、颜色过浅、没有单位、小数点错乱等，
3.基于整个UI界面的布局进行分析，一般存在的问题是按钮未对齐高度不一致、元素位置错乱、元素之间遮挡、整体布局错乱等
4.按顺序分析每张图片，后一张图片的分析需要借助之前的图片分析结果，很有可能出现类似的问题，保证你的判断结果准确，并且给出对应的判断理由，当判断为符合时，需要说明符合的校验条件是什么，当判断为不符合时，需要说明不符合的校验条件是什么。如果无法从给定的图片中判断出结果，判断结果为不符合
5.你需要在判断结果中，输出以下信息：
a.判断结果：
b.判断理由：

格式要求：
请按照如下json格式输出，reason使用中文，不要输出其他无关内容：
{
"result":"pass/fail/error",
"reason":"...."
}

如果没有问题，result=pass,有问题result=fail，如果无法进行准确判断或者依据不足，则result=error
6.请分步骤思考这个问题
7.你要对输出结果认真检查，对你的答案负责，其中大概率不会发生UI问题，所以一定要仔细判断，给出足够可信赖的判断依据，如果如法判断,就将结果置为error,只需要输出一条结果


[解决方案]
第一张图片分析后组合成JSON结果输出
{
"result":"fail",
"reason":"识别到右下角两个蓝色按钮，都存在问题，第一个按钮的红色标签没有显示完全，第二个按钮的文本存在缺失问题，没有下发券后价"
}

现在请根据上述文本洞察解决以下UI问题分析任务。
[任务]你需要分析的图片是输入图片的最后一张，需要借助之前的图片分析结果，很有可能出现类似的问题，保证你的判断结果准确，并且给出对应的判断理由，只需要给出最后一张图片的分析结果，
格式要求：
请按照如下json格式输出，reason使用中文，不要输出其他无关内容：
{
"result":"pass/fail/error",
"reason":"...."
}

如果没有问题，result=pass,有问题result=fail，如果无法进行准确判断或者依据不足，则result=error