AI 学习笔记

思维链（Chain of Thought, CoT）

思维链（Chain of Thought）是一种通过引导LLM逐步推理来提升复杂问题回答质量的提示技术。核心思想是：让模型"展示思考过程"，而不是直接给出答案。

CoT效果流程

CoT的典型应用

• 数学问题：分步计算，减少计算错误
• 逻辑推理：逐步分析条件，避免跳跃性错误
• 多步决策：分解复杂决策为多个判断步骤
• 代码生成：先分析需求，再设计逻辑，最后编写代码
• 文本分析：逐步提取关键信息，综合得出结论

Zero-shot vs Few-shot

何时使用Few-shot？

ReAct提示

ReAct提示是将推理（Reasoning）和行动（Acting）结合的提示模式，让LLM在思考过程中交替进行推理和工具调用。

更多Prompt技巧

1. 角色设定（Role Prompting）

通过给LLM设定特定角色，可以显著提升回答的专业性和针对性。

# 角色设定示例
prompt = """
你是一位有20年经验的资深Python开发者和技术导师。
你的教学风格是：用简单的比喻解释复杂概念，提供可运行的代码示例，
并指出初学者常见的陷阱。
请解释什么是装饰器（Decorator）。
"""

2. 输出格式约束

明确指定输出格式，确保LLM返回符合预期的结构化结果。

# 格式约束示例
prompt = """
请分析以下文本的情感，并以JSON格式返回结果：
{
    "sentiment": "正面/负面/中性",
    "confidence": 0.0-1.0,
    "keywords": ["关键词1", "关键词2"],
    "reason": "判断理由"
}
文本：这款手机的拍照效果非常出色，电池续航也很给力！
"""

3. 分解任务（Task Decomposition）

将复杂任务分解为多个简单子任务，逐步完成。

# 任务分解示例
prompt = """
请按以下步骤完成任务：
步骤1：从文本中提取所有人名
步骤2：分析每个人物的关系
步骤3：生成人物关系图描述
步骤4：总结主要人物和核心冲突

文本：...
"""

4. 提供上下文（Context Provision）

在提示中提供充分的背景信息，帮助LLM给出更准确的回答。

# 提供上下文示例
prompt = """
背景信息：我们是一家电商公司，主要销售3C数码产品。
目标用户：18-35岁的年轻消费者。
当前问题：最近一个月，网站流量增长了30%，但转化率下降了15%。

请基于以上背景信息，分析可能的原因并给出改进建议。
"""

Prompt评估方法

评估Prompt质量需要从多个维度考量：