进阶 python.useinstructor.com 2026-11-15 16:34:59 · 11 阅读

第6章 提示工程

高级提示技术¶

基础方法 零样本与少样本技术,用于立即提升效果 零样本 · 少样本

推理方法 提升模型推理与问题解决能力的技术 思维生成 · 分解

验证方法 用于自我评估与修正 自我批评

协作方法 聚合多个模型输出的集成技术 集成

本指南介绍了 58 种有研究支持的提示技术,并映射到 Instructor 的实现中。内容基于 Learn Prompting 发布的《提示报告》,该报告分析了 1,500 多篇关于提示工程的学术论文。

提示技术地图¶

以下流程图展示了不同提示技术之间的关系及其适用场景:

```mermaid flowchart TD A[选择提示技术] --> B{有示例吗?}

B -->|否| C[零样本技术] B -->|是| D[少样本技术]

C --> C1[角色扮演] C --> C2[情感语言] C --> C3[风格定义] C --> C4[后续生成]

D --> D1[示例排序] D --> D2[示例选择] D --> D3[示例生成]

A --> E{需要推理吗?}

E -->|是| F[思维生成] F --> F1[思维链] F --> F2[后退提示] F --> F3[思维线程]

A --> G{复杂问题吗?}

G -->|是| H[分解] H --> H1[由易到难] H --> H2[思维树] H --> H3[规划与求解]

A --> I{需要验证吗?}

I -->|是| J[自我批评] J --> J1[自我验证] J --> J2[验证链] J --> J3[自我精炼]

A --> K{需要多视角吗?}

K -->|是| L[集成] L --> L1[自一致性] L --> L2[Meta-CoT] L --> L3[专业专家]

classDef category fill:#e2f0fb,stroke:#b8daff,color:#004085; classDef technique fill:#d4edda,stroke:#c3e6cb,color:#155724; classDef decision fill:#fff3cd,stroke:#ffeeba,color:#856404;

class A,C,D,F,H,J,L category class C1,C2,C3,C4,D1,D2,D3,F1,F2,F3,H1,H2,H3,J1,J2,J3,L1,L2,L3 technique class B,E,G,I,K decision ```

各技术的适用时机¶

| 目标 | 推荐技术 | | :--- | :--- | | 提高准确性 | 思维链 (Chain of Thought)、自我验证、自一致性 | | 处理复杂问题 | 分解、思维树、由易到难 | | 生成创意内容 | 角色扮演、情感语言、风格定义 | | 验证事实正确性 | 验证链、自我校准 | | 使用少量示例优化 | KNN 示例选择、主动提示 | | 处理不确定性 | 不确定性路由 CoT、自一致性 |

零样本¶

这些技术无需示例即可提升模型性能:

| 技术 | 描述 | 用例 | | :--- | :--- | :--- | | 情感语言 | 在提示中添加情感基调 | 创意写作,共情回复 | | 角色分配 | 赋予模型特定角色 | 专业知识,专业视角 | | 风格定义 | 指定写作风格 | 具有特定语气或格式的内容 | | 提示精炼 | 自动优化提示 | 结果的迭代改进 | | 视角模拟 | 让模型采纳不同观点 | 多利益相关者分析 | | 歧义澄清 | 识别并解决不清楚的方面 | 提高回复的精确度 | | 查询重复 | 让模型重述任务 | 更好地理解任务 | | 后续生成 | 生成澄清性问题 | 深入探索主题 |

少样本¶

在提示中有效使用示例的技术:

| 技术 | 描述 | 用例 | | :--- | :--- | :--- | | 示例生成 | 自动创建示例 | 示例数据有限的领域 | | 示例排序 | 示例的最佳序列 | 改进模式识别 | | KNN 示例选择 | 选择与查询相似的示例 | 领域特定准确性 | | Vote-K 选择 | 基于相似度的高级选择 | 复杂模式匹配 |

思维生成¶

鼓励模型进行类人推理的方法:

零样本推理¶

| 技术 | 描述 | 用例 | | :--- | :--- | :--- | | 类比 CoT | 使用类比生成推理 | 复杂问题解决 | | 后退提示 | 先考虑更高层的问题 | 科学和抽象推理 | | 思维线程 | 鼓励逐步分析 | 详细解释生成 | | 表格 CoT | 以表格形式结构化推理 | 多因素分析 |

少样本推理¶

| 技术 | 描述 | 用例 | | :--- | :--- | :--- | | 主动提示 | 标注不确定的示例 | 提高边缘情况的准确性 | | Auto-CoT | 选择多样化的示例 | 广泛的领域覆盖 | | 复杂度 CoT | 使用复杂示例 | 具有挑战性的问题类型 | | 对比 CoT | 包含正确和错误的案例 | 错误检测和避免 | | 思维记忆 | 使用高确定性示例 | 关键应用中的可靠性 | | 不确定性路由 CoT | 选择最确定的推理路径 | 不确定性下的决策 | | 提示挖掘 | 生成模板化提示 | 高效的提示工程 |

集成¶

组合多个提示或响应的技术:

| 技术 | 描述 | 用例 | | :--- | :--- | :--- | | 一致、多样集合 | 构建一致的示例集合 | 稳定的性能 | | 批量上下文示例 | 高效的示例批处理 | 性能优化 | | 步骤验证 | 验证单个步骤 | 复杂工作流 | | 最大化互信息 | 信息论优化 | 信息密集的输出 | | Meta-CoT | 合并多个推理链 | 复杂问题解决 | | 专业专家 | 使用不同的“专家”提示 | 多领域任务 | | 自一致性 | 选择最一致的推理 | 逻辑准确性 | | 通用自一致性 | 领域无关的一致性 | 通用知识任务 | | 任务特定选择 | 按任务选择示例 | 专业化领域任务 | | 提示复述 | 使用同一提示的变体 | 鲁棒的输出 |

自我批评¶

模型验证或改进自身响应的方法:

| 技术 | 描述 | 用例 | | :--- | :--- | :--- | | 验证链 | 生成验证性问题 | 事实核查,准确性 | | 自我校准 | 询问答案是否正确 | 置信度估计 | | 自我精炼 | 自动生成反馈并改进 | 迭代改进 | | 自我验证 | 对多个解决方案评分 | 质量评估 | | 反向 CoT | 重建问题 | 复杂推理验证 | | 累积推理 | 生成可能的步骤 | 彻底的分析 |

分解¶

拆解复杂问题的技术:

| 技术 | 描述 | 用例 | | :--- | :--- | :--- | | 功能分解 | 将子问题实现为函数 | 模块化问题解决 | | 忠实 CoT | 使用自然语言和符号语言 | 数学推理 | | 由易到难 | 解决逐渐复杂的子问题 | 教育应用 | | 规划与求解 | 生成结构化计划 | 项目规划 | | 思维程序 | 使用代码进行推理 | 算法问题 | | 递归思维 | 递归解决子问题 | 层次化问题 | | 思维骨架 | 生成大纲结构 | 写作,规划 | | 思维树 | 搜索可能路径 | 决策树,探索 |

使用 Instructor 实现¶

所有这些提示技术都可以通过以下方式在 Instructor 中实现: * 定义捕获预期结构的适当 Pydantic 模型 * 在模型的 docstring 或字段描述中融入提示技术 * 使用修补过的 LLM 客户端及其响应模型

```python import instructor from pydantic import BaseModel, Field

# 示例:通过字段实现思维链 class ReasonedAnswer(BaseModel): """回答以下问题并提供详细推理。"""

chain_of_thought: str = Field( description="解决该问题的逐步推理过程" ) final_answer: str = Field( description="推理后的最终结论" )

client = instructor.from_provider("openai/gpt-5-nano")

response = client.create( model="gpt-5.4-mini", response_model=ReasonedAnswer, messages=[ {"role": "user", "content": "27 的立方根是多少?"} ] )

print(f"推理过程: {response.chain_of_thought}") print(f"答案: {response.final_answer}") ```

## 参考文献¶ * 基于《提示报告:提示技术的系统性综述》

评论 (0)