# 附录 F：提示词技术决策树在实际应用中，当你面对一个新任务时，可能会困惑：“我应该用什么技术？是零样本还是少样本？需要思维链吗？” 本附录提供了一个实用的决策树，帮你快速选择合适的提示词工程技术。 ## 快速参考决策树 {% @mermaid/diagram content="graph TD A\["🎯 任务开始"] --> B{"是否有明确的
正确答案?"} ``` B -->|是| C{"需要复杂
推理吗?"} B -->|否| D{"需要生成
结构化内容?"} C -->|是| E{"是否涉及
多步骤?"} C -->|否| F{"输出格式
要求高?"} E -->|是| G["✅ 思维链
+ 提示词链"] E -->|否| H["✅ 零样本
思维链"] F -->|是| I{"有参考
示例?"} F -->|否| J["✅ 零样本
提示词"] I -->|是| K["✅ 少样本
学习"] I -->|否| L["✅ 少样本
+ 格式模板"] D -->|是| M{"需要
外部知识?"} D -->|否| N["✅ 自由生成
+ 角色设定"] M -->|是| O{"是否需要
执行动作?"} M -->|否| P["✅ RAG"] O -->|是| Q["✅ ReAct
+ 工具调用"] O -->|否| R["✅ RAG
+ 验证"] style G fill:#c8e6c9 style H fill:#c8e6c9 style J fill:#c8e6c9 style K fill:#c8e6c9 style L fill:#c8e6c9 style N fill:#c8e6c9 style P fill:#c8e6c9 style Q fill:#c8e6c9 style R fill:#c8e6c9" %} ``` ## 详细决策指南 ### 层次 1：区分任务类型 **问题：这是什么类型的任务？** #### 有明确答案的任务包括分类、信息提取、事实问答、代码生成等： ``` 示例： - "这条评论的情感是正面还是负面？" - "从文本中提取人名" - "根据这份合同找出关键条款" - "将这个函数从 JavaScript 改为 Python" ``` **特点**： * 有标准答案或可验证的结果 * 可以通过自动化指标评估 * 容易定义测试用例 #### 开放式生成任务包括创意写作、头脑风暴、内容创作、对话等： ``` 示例： - "为这个产品写营销文案" - "进行头脑风暴，想出 10 个新产品概念" - "写一个关于 AI 的故事" - "和我讨论如何学习编程" ``` **特点**： * 没有唯一的“正确”答案 * 质量评估更主观 * 强调创意和多样性 ### 层次 2：复杂性评估 **问题：任务需要多复杂的推理？** #### 简单任务 → 零样本 ``` 特征： - 单步完成 - 不需要逻辑推理 - 模型能够直接理解用零样本当： - 任务清晰明确 - 模型在预训练中已充分学习 - 格式要求简单示例提示词： --- 将以下句子翻译为英文： "我喜欢这部电影" --- 成功率：90%+ （对于简单翻译） ``` #### 中等复杂度 → 少样本 + 思维链 ``` 特征： - 需要理解输入与输出的模式 - 涉及格式转换或简单推理用少样本当： - 输出格式不标准 - 需要示范模型的行为 - 模型需要"看到例子"才能理解示例提示词： --- 从文本中提取实体。使用 JSON 格式。示例：输入：张三是一个医生，住在北京输出：{"人名": "张三", "职业": "医生", "地点": "北京"} 输入：李四在上海工作，是一名律师输出：{"人名": "李四", "职业": "律师", "地点": "上海"} 输入：王五是程序员，在杭州的阿里巴巴工作输出： --- 成功率：70-85% （取决于示例质量） ``` #### 复杂任务 → 思维链 ``` 特征： - 需要多步推理 - 中间步骤对理解关键 - 答案不能直接推导用思维链当： - 任务涉及逻辑推理 - 需要打破问题为子步骤 - 准确性要求高示例提示词： --- 一个火车以 60 km/h 的速度运行。另一个火车以 40 km/h 的速度从相反方向运行。两列火车之间的距离是 100 km。一只鸟以 120 km/h 的速度在两列火车之间飞行，直到它们碰撞。鸟飞行了多远？请逐步思考： 1. 首先，计算两列火车相对速度 2. 然后，计算碰撞所需的时间 3. 最后，根据时间和鸟的速度计算距离答案： --- 成功率：85-95% （相比直接问增加 20-30%） ``` ### 层次 3：外部知识需求 **问题：任务是否需要超出模型训练数据的信息？** #### 不需要外部知识 → 纯提示词 ``` 使用纯提示词当： - 答案在模型的一般知识范围内 - 不需要最新信息 - 不需要特定的专有知识库例子： - 解释哲学概念 - 编写代码示例 - 进行语言转换 - 回答通用知识问题 ``` #### 需要外部知识 → RAG（检索增强生成） ``` 使用 RAG 当： - 需要最新的信息（新闻、股票价格） - 需要专有知识库（公司文档、产品说明） - 需要精确的引用来源 - 需要减少幻觉示例流程： 1. 用户问："我们最新的产品政策是什么？" 2. 系统从知识库检索相关文档 3. 将文档作为上下文传递给模型 4. 模型在上下文中生成答案改进：准确率从 60% 提升到 95%+ ``` ### 层次 4：交互与行动 **问题：模型是否需要执行实际的操作或调用外部系统？** #### 纯信息生成 → 标准提示词 ``` 场景： - 信息问答 - 内容生成 - 分析与解释不需要工具调用的提示词： --- 分析这份财务报表，总结关键发现。 --- ``` #### 需要执行操作 → ReAct + 工具调用 ``` 场景： - 调用 API 查询数据 - 执行计算 - 访问系统 - 多步工作流 ReAct 框架提示词： --- 你是一个助手，可以使用以下工具： - search_api(query): 搜索网络 - calculator(expression): 计算数学表达式 - get_weather(city): 获取天气任务：告诉我北京明天的天气，并建议我应该穿什么流程：思考：我需要获取北京的天气预报行动：get_weather("北京") 观察：[工具返回的结果] 思考：根据天气条件建议穿着行动：无需调用工具，直接生成建议 --- 关键点： - 明确列出可用工具 - 使用"思考-行动-观察"循环 - 让模型自己决定何时调用工具 ``` ## 常见场景决策表 ### 分类任务 ``` ✓ 情感分析（Sentiment Analysis） - 零样本：✓ 简单情感（正/负/中立） - 少样本：✓ 复杂情感（混合、讽刺） - 思维链：✗ 通常不需要推荐：零样本起步，如果准确率 < 70% 加少样本示例： --- 将以下评论分类为：正面、负面、中立评论："这部电影很无聊，浪费了我的时间。" 分类： --- ``` ### 信息抽取 ``` ✓ 实体识别（Named Entity Recognition） - 零样本：△ 只适合明显的实体 - 少样本：✓ 推荐，用示例定义实体类型 - 思维链：△ 当实体间有复杂关系时推荐：少样本，配合 JSON 格式示例： --- 从文本中提取人物、地点、组织机构。示例：文本："马斯克是特斯拉的CEO，公司总部在美国加州。" 结果：{"人物": "马斯克", "组织": "特斯拉", "地点": "美国加州"} 文本："李娜是中国网球运动员，曾效力于国家队。" 结果： --- ``` ### 问答系统 ``` ✓ 事实问答（Factual QA） - 零样本：△ 常见问题可以 - 少样本：✓ 格式一致性 - RAG：✓✓✓ 强烈推荐，确保准确性推荐：RAG + 思维链示例： --- [检索的上下文文档] 问题：产品保修期是多长？基于上述文档，回答问题。如果文档中没有相关信息，说明"文档中未提及"。 --- ✓ 开放式问答（Open-ended QA） - 零样本：✓ 通用知识可以 - 少样本：△ 有益但非必需 - 思维链：✓ 建议使用推荐：思维链 ``` ### 代码生成 ``` ✓ 程序补全（Code Completion） - 零样本：✓ 简单场景 - 少样本：✓✓ 推荐，用示例展示风格 - 特殊：考虑代码特定的微调模型示例： --- 用 Python 写一个函数。要求： - 输入：列表 - 输出：排序后的列表 - 方法：快速排序示例函数风格： def bubble_sort(arr): for i in range(len(arr)): for j in range(len(arr)-1-i): if arr[j] > arr[j+1]: arr[j], arr[j+1] = arr[j+1], arr[j] return arr 请写快速排序函数： --- 推荐：少样本 + 代码格式模板 ``` ### 内容生成 ``` ✓ 营销文案（Marketing Copy） - 零样本：△ 可以，但可能不符合风格 - 少样本：✓✓ 推荐，定义风格和语调 - 角色设定：✓ 非常有用示例： --- 你是一个经验丰富的市场营销专家，专门写电商产品描述。语调：热情、专业、简洁长度：100-150 字示例：产品：无线耳机描述："解放你的双手！这款无线耳机采用最新的主动降噪技术，让你在任何环境中享受清晰的音质。续航达 12 小时，快速充电仅需 15 分钟。适合工作、运动、旅行。" 产品：智能手表描述： --- 推荐：角色设定 + 少样本示例 ``` ### 数据转换 ``` ✓ 格式转换（Format Conversion） - 零样本：△ 简单格式 - 少样本：✓✓✓ 强烈推荐示例： --- 将自然语言转换为 SQL 查询。示例：输入："找出 2024 年销售超过 10 万的产品" 输出：SELECT * FROM products WHERE sales > 100000 AND year = 2024; 输入："统计每个城市的订单数" 输出：SELECT city, COUNT(*) as order_count FROM orders GROUP BY city; 输入："列出今年评分最高的 5 个产品" 输出： --- 关键：提供 2-3 个高质量示例 ``` ## 性能优化决策 ### 当准确率不达标时 ``` 现象：准确率 60-70%，不符合要求决策流程： 1. 是格式问题？→ 加少样本 + 格式模板 2. 是理解问题？→ 加思维链 3. 是知识不足？→ 加 RAG 4. 是极难的任务？→ 考虑微调或更强的模型对应改进方案： ┌─────────────┬──────────────┬─────────────────┐ │ 问题类型 │ 具体表现 │ 推荐方案 │ ├─────────────┼──────────────┼─────────────────┤ │ 格式错误 │ 格式不规范 │ 少样本 + 模板 │ │ 逻辑错误 │ 推理偏离 │ 思维链 + CoT │ │ 知识错误 │ 答案错误/幻觉 │ RAG + 验证 │ │ 风格不符 │ 语气不对 │ 角色设定 + 示例 │ └─────────────┴──────────────┴─────────────────┘ ``` ### 当成本过高时 ``` 现象：Token 使用过多，成本高决策流程： 1. 是上下文太长？→ 精简或摘要 2. 是多次调用？→ 合并为一次 3. 是模型太强？→ 尝试更弱的模型 4. 是重复计算？→ 缓存结果对应优化方案： - 删除不必要的示例（保留 2-3 个高质量示例） - 简化提示词措辞 - 减少上下文信息（检索相关信息，舍弃无关部分） - 使用 prompt caching 缓存系统提示词 - 对小任务考虑使用轻量模型（如 Claude Haiku、GPT-5.4 mini）而非旗舰模型 ``` ### 当延迟过高时 ``` 现象：响应时间 > 2 秒决策流程： 1. 是模型推理慢？→ 尝试更小的模型或流式输出 2. 是数据检索慢？→ 优化 RAG 的检索性能 3. 是工具调用多？→ 合并或并行调用 4. 是生成内容长？→ 分页或流式返回对应优化方案： - 使用 stream API 流式返回 - 优化向量数据库查询（使用索引、缓存） - 并行调用多个 API 而非串联 - 预计算常见问题的答案 ``` ## 技术组合矩阵 ``` 零样本少样本思维链 RAG ReAct 分类 ✓ ✓✓ △ - - 抽取 △ ✓✓✓ △ △ - 问答 ✓ ✓ ✓✓ ✓✓✓ - 生成 ✓✓ ✓ - - - 推理 △ ✓ ✓✓✓ △ - 决策 - △ ✓✓ - ✓✓✓ 工作流 - - △ △ ✓✓✓ 图例： ✓ 可用 ✓✓ 推荐 ✓✓✓ 强烈推荐 △ 在特定情况下有用 - 不适用 ``` ## 实践建议 ### 快速迭代策略 ``` 第 1 步：选择基础方案（5 分钟） - 根据决策树选择初始技术 - 撰写最小化提示词 - 测试能否工作第 2 步：评估效果（10 分钟） - 在 5-10 个测试用例上运行 - 计算成功率 - 识别主要失败模式第 3 步：有针对性改进（20 分钟） - 根据失败模式选择优化策略 - 添加示例或思维链 - 再次测试第 4 步：边界测试（10 分钟） - 测试边界情况 - 检查特殊输入 - 评估稳定性总时间：45 分钟内从 0 到可用的方案 ``` ### 避免的陷阱 ``` ❌ 陷阱 1：一开始就用最复杂的技术 → 从零样本开始，逐步升级 ❌ 陷阱 2：添加过多的示例 → 2-3 个高质量示例通常足够，更多反而会混淆 ❌ 陷阱 3：忽视输入质量 → 好的 RAG 检索 > 完美的提示词 ❌ 陷阱 4：一成不变地使用一种技术 → 定期重新评估，根据实际结果调整 ❌ 陷阱 5：没有建立评估指标 → 无法判断改进是否有效 ``` ## 总结 * **简单任务** → 零样本 + 清晰指令 * **格式问题** → 少样本 + 示例 * **推理问题** → 思维链 * **知识问题** → RAG * **执行问题** → ReAct * **准确率低** → 添加示例或思维链 * **成本高** → 精简上下文 * **延迟高** → 流式输出或更小的模型 --- # Agent Instructions: Querying This Documentation If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question. Perform an HTTP GET request on the current page URL with the `ask` query parameter: ``` GET https://yeasy.gitbook.io/prompt_engineering_guide/fu-lu/f_decision_tree.md?ask= ``` The question should be specific, self-contained, and written in natural language. The response will contain a direct answer to the question and relevant excerpts and sources from the documentation. Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.