> For the complete documentation index, see [llms.txt](https://yeasy.gitbook.io/prompt_engineering_guide/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://yeasy.gitbook.io/prompt_engineering_guide/fu-lu/d_taxonomy_index.md).

# 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 [Sahoo et al. (2024)](https://arxiv.org/abs/2402.07927)，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：

```mermaid
mindmap
  root((提示词技术<br/>分类体系))
    交互范式
      零样本 Zero-Shot
      少样本 Few-Shot
      思维链 Chain-of-Thought
    应用策略
      分解 Decomposition
        任务分解
        逐步推理
      集成 Ensemble
        自一致性 Self-Consistency
        多路投票
      增强 Augmentation
        检索增强 RAG
        工具使用 Tool Use
    执行机制
      代码生成 PAL
      自我修正 Self-Correction
```

*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**](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/05_few_shot/5.1_zero_shot_few_shot.md) | 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**](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/05_few_shot/5.1_zero_shot_few_shot.md)  | 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](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/05_few_shot.md)。

### 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**](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/06_chain_of_thought/6.1_cot_principles.md) | 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**](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/06_chain_of_thought/6.4_tree_of_thought.md) | 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](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/06_chain_of_thought.md)、[7章](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/07_prompt_chaining.md)。

### 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**](/prompt_engineering_guide/di-san-bu-fen-gao-ji-ying-yong-pian/09_rag/9.1_rag_principles.md) | 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**](/prompt_engineering_guide/di-san-bu-fen-gao-ji-ying-yong-pian/08_react_tools.md)       | 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](/prompt_engineering_guide/di-san-bu-fen-gao-ji-ying-yong-pian/09_rag.md)）
* 需要精确计算或外部操作 → Tool Use（[第8章](/prompt_engineering_guide/di-san-bu-fen-gao-ji-ying-yong-pian/08_react_tools.md)）
* 需要复杂数据处理 → Code Execution（[第8章](/prompt_engineering_guide/di-san-bu-fen-gao-ji-ying-yong-pian/08_react_tools.md)）

### 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**](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/06_chain_of_thought/6.3_self_consistency.md) | 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](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/06_chain_of_thought.md)、[7章](/prompt_engineering_guide/di-er-bu-fen-he-xin-ji-shu-pian/07_prompt_chaining.md)。

## 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：

```mermaid
flowchart TD
    Start["开始任务分析"] --> Q1{"需要最新或私有知识?"}
    Q1 -->|是| RAG["使用 RAG"]
    Q1 -->|否| Q2{"需要执行具体操作?"}
    Q2 -->|是| Tool["使用 Tool Use"]
    Q2 -->|否| Q3{"需要多步骤推理?"}
    Q3 -->|是| CoT["使用思维链"]
    Q3 -->|否| Q4{"对输出格式要求严格?"}
    Q4 -->|是| FewShot["使用少样本"]
    Q4 -->|否| ZeroShot["使用零样本"]

    RAG --> Q5{"需要高可靠性?"}
    Tool --> Q5
    CoT --> Q5
    FewShot --> Q5
    ZeroShot --> Q5

    Q5 -->|是| Ensemble["添加一致性验证"]
    Q5 -->|否| Done["完成设计"]
    Ensemble --> Done
```

*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1-4章)**：涵盖提示词工程的定位、模型基础、基本结构和设计原则。
* **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8-11章)**：探讨工具使用、RAG、多模态等外部增强技术，以及安全与可靠性。
* **进阶篇 (第12-14章)**：关注自动化、平台差异及未来集成策略。

### 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？