附录 D：提示词技术分类索引

附录 D：提示词技术分类索引

提示词工程经过数年的快速发展，已经演变出多种多样的技术和方法。为了更好地理解和应用这些技术，我们需要建立一个清晰的分类体系。本节基于最新的综述研究 Mizrahi et al. (2024)，介绍大语言模型提示词技术的系统化分类。

D.1 为什么需要分类体系

随着 CoT、ReAct、RAG 等技术层出不穷，初学者容易感到混乱。分类体系可以帮助我们：

1. 建立全局认知：了解不同技术之间的关系和区别。

2. 指导技术选型：根据任务需求选择合适的技术类别。

3. 系统化学习：按图索骥，有条不紊地掌握各项技能。

D.2 提示词技术分类图谱

我们可以从 交互范式和应用策略 两个主要维度对提示词技术进行分类：

图 D-1：提示词工程技术分类图谱

D.3 核心类别详解

D.3.1 基础交互范式

这是提示词最基本的形态，决定了模型如何通过示例进行学习。

范式	定义	典型场景	优势	局限
Zero-Shot	不给示例，直接提问	通用问答、翻译、摘要	简单快捷，Token 成本低	复杂任务效果不稳定
One-Shot	提供单个示例	格式转换、简单分类	平衡效果与成本	示例选择影响大
Few-Shot	提供2-6个示例	复杂分类、信息提取	效果可控，格式一致	占用上下文空间

选择策略：当任务足够标准化时（如翻译），优先尝试零样本；当需要特定输出格式或边界处理时，逐步增加示例数量。详见第5章。

D.3.2 推理增强策略

针对需要逻辑推理的复杂任务，引导模型展示思考过程。

策略	核心机制	最佳场景	示例触发语
Chain-of-Thought	显式展示中间步骤	数学计算、逻辑推理	“让我们一步步思考”
Tree-of-Thought	探索多条推理路径	创意问题、规划任务	“列出3种可能的方案”
Decomposition	将大问题拆分为子问题	复杂工作流、多步骤任务	“首先...然后...最后...”

这些策略的共同点是：将隐式的思考过程显式化。研究表明，在大模型（>50B 参数）上，思维链可将推理准确率提升 20-50%。详见第6、7章。

D.3.3 外部能力增强

弥补模型自身知识和能力的边界，使其能够访问实时信息和执行具体操作。

技术	解决的问题	工作原理	典型工具
RAG	知识截止、私有数据	检索相关文档注入上下文	向量数据库、嵌入模型
Tool Use	无法计算、无法操作	调用外部API执行任务	搜索引擎、计算器、代码解释器
Code Execution	复杂计算、数据处理	生成并执行代码	Python 沙盒、Jupyter

选择策略：

• 需要最新信息或私有知识 → RAG（第9章）

• 需要精确计算或外部操作 → Tool Use（第8章）

• 需要复杂数据处理 → Code Execution（第8章）

D.3.4 可靠性集成策略

通过多路径验证和自我审视机制，提升输出的稳定性和准确性。

策略	核心思想	适用场景	成本考量
Self-Consistency	多次采样+多数投票	数学题、逻辑推理	需多次API调用
Self-Correction	生成后自我检查和修正	代码生成、事实核查	增加一轮对话
Verification Chain	独立验证步骤	关键业务决策	需设计验证逻辑

这些策略的共同点是：不信任单次输出，通过冗余机制提升可靠性。详见第6、7章。

D.4 技术选型决策流程

面对一个具体任务，可以按以下流程选择技术：

图 D-2：提示词技术选型决策流程

D.5 本书结构与分类体系的对应

本书的章节编排大体遵循了从基础到高级的进阶路线：

• 基础篇 (第3-4章)：涵盖基础交互范式和设计原则。

• 技术篇 (第5-7章)：深入讲解少样本、思维链等推理增强策略。

• 应用篇 (第8-10章)：探讨工具使用、RAG和多模态等外部增强技术。

• 进阶篇 (第11-14章)：关注安全性、自动化及未来集成策略。

讨论

1. 参考上面的技术分类体系，分析你最近遇到的一个 AI 应用需求——最终应该选择哪条技术路线？

2. 如果预算有限只能深入学习一个技术类别，你会优先选“推理增强”还是“外部能力增强”？为什么？