CONTENT

Step1：搜集信息_Input提示词工程项目大厂的使用手册网络资料Step2：处理信息_Learn简介基础概念通用原则提示技术零样本，少样本（zero shot，few shot）*链式思考（CoT）自我一致性（Meta）生成知识提示链式提示（Prompt Chaining）*思维树（ToT）*检索增强生成（RAG）自动推理并使用工具 （ART）自动提示工程师（APE）Active Prompt方向性刺激提示程序辅助语言模型*ReAct框架*Reflexion多模态思维链基于图Graph的提示Step3：成果产出_OutputCited

Step1：搜集信息_Input

提示词工程项目

提示词工程指南（T0）

提示工程指南 – Nextra

提示工程指南 – Nextra

A Comprehensive Overview of Prompt Engineering

Prompt-Engineering-Guide

dair-ai • Updated Jan 13, 2026

cookbook项目

OpenAI Cookbook

OpenAI Cookbook

Open-source examples and guides for building with the OpenAI API. Browse a collection of snippets, advanced techniques and walkthroughs. Share your own examples and guides.

openai-cookbook

openai • Updated Jan 13, 2026

大厂的使用手册

Anthropic文档

Anthropic提示工程概述 - Anthropic

提示工程概述 - Anthropic

Anthropic

OpenAI文档

OpenAI Platform

OpenAI Platform

Explore developer resources, tutorials, API docs, and dynamic examples to get the most out of OpenAI's platform.

tffyvtlai4.feishu.cn

tffyvtlai4.feishu.cn

（第三方翻译版）

1. 给出清晰的指令。

2. 提供相关的例子或引用材料。

3. 任务拆解。

4. 要给模型思考的时间。

5. 提供额外的工具来补齐大模型的短板。

6. 进行系统性的测试。

阿里百炼文档

Prompt, Prompt Engineering, 提示工程, 提示词_大模型服务平台百炼(Model Studio)-阿里云帮助中心

Prompt, Prompt Engineering, 提示工程, 提示词_大模型服务平台百炼(Model Studio)-阿里云帮助中心

提示（Prompt）是您输入给大模型（LLM）的文本信息，用于明确地告诉模型您想要解决的问题或完成的任务，也是大语言模型理解用户需求并生成相关、准确回答或内容的基础。 为了帮助您更高效地使用 LLM ，本教程为您提供一系列实用的技巧，帮助您设计和优化 Prompt。

网络资料

Gemini_资料

Gemini_prompt_writing_translated_dual_compressed.pdf

2.8 MB

鹅厂架构师_知乎

zhuanlan.zhihu.com

zhuanlan.zhihu.com

提示词框架	BROKE	ICIO	CRISPE
框架解释	Background (背景）：描述背景，提供充足的上下文信息。Role (角色)：限定角色，明确大模型扮演的角色。Objectives (目标/任务)：你想要大模型完成的具体任务。Key Result (关键结果)：指定模型的输出风格、格式和内容等。Evolve (改进)：在模型回答之后，提供改进的方法来优化效果。	Instruction (任务)：你想要大模型完成的具体任务。 Context (背景)：提供给大模型的背景上下文信息。 Input Data (输入数据)：需要处理的具体数据。 Output Indicator (输出格式)：指定模型的输出格式和风格。	Capacity and Role （角色）：限定角色，明确大模型扮演的角色。Insight (背景)：描述背景，提供充足的上下文信息。Statement (任务)：你想要大模型完成的具体任务。Personality (格式)：指定模型的输出格式和风格。Experiment (实验)：需要的时候可以要求模型提供多个示例让用户选择。

Step2：处理信息_Learn

提示工程指南-Prompt Engineering Guide

提示工程指南 – Nextra

提示工程指南 – Nextra

A Comprehensive Overview of Prompt Engineering

简介

基础概念

1. LLM参数
1. temperature:自由度，创造性，随机性
2. length：长度限制
3. stop sequence：停止序列，终止回答的按钮，人为预测并设置，LLM触发后停止输出
4. Top_P:功能上接近temperature；温度基于随机概率，Top_p基于累计概率。
Top_P与Temperature的详细区别
简单来说，Top-p 决定了模型在生成下一个词时，会考虑哪些词语。它不是像 Temperature 那样基于概率随机选择，而是基于累积概率来筛选词语。
具体来说，Top-p 会根据你设定的一个概率值 p （例如 0.9），从所有可能的下一个词语中，从概率最高的词开始，按顺序累加它们的概率。当累加的概率总和达到或超过 p 时，它就会停止筛选。之后，模型只会在这个被筛选出的“核心”词汇集合中进行选择。
举例：
假设模型在生成完句子“天空是蓝色的，因为它…”之后，它预测下一个词的概率如下：
• “散射”：0.5
• “反射”：0.2
• “折射”：0.1
• “很”：0.08
• “美丽”：0.05
• “云”：0.03
• ...其他词语的概率都非常低
现在，我们设置 Top-p 为 0.8。模型会这样做：
1. “散射” 的概率是 0.5。累积概率为 0.5。
2. “反射” 的概率是 0.2。累积概率为 0.5 + 0.2 = 0.7。
3. “折射” 的概率是 0.1。累积概率为 0.7 + 0.1 = 0.8。
这时，累积概率达到了我们设定的 0.8。所以，模型会停止筛选。它只会从 {“散射”, “反射”, “折射”} 这三个词中选择一个作为下一个词。像“很”或“美丽”这些概率较低的词语，即使在现实中也可能合理，但因为它们不属于这个“核心”集合，所以模型根本不会考虑。
 
5. penalty：
Frequency 与 Presence
ㅤ	Frequency Penalty（频率惩罚）	Presence Penalty（存在惩罚）
惩罚机制	基于频率：一个词出现的次数越多，惩罚越重。	基于存在：一个词只要出现过，就会受到惩罚。
主要效果	避免重复词语，使文本更自然流畅。	鼓励使用新词，使文本更具多样性和创新性。
举例	惩罚“猫”出现的第三次和第四次。	惩罚“猫”出现的第一次和第二次。
 
ref

2. 三个角色
1. system
2. user 
3. assistant

3. 样本：shot，零样本 zero shot，少样本 few shot

4. 任务/问答类交互要素
1. 指令
2. 上下文
3. 任务内容
4. 输出格式

5. 一个模板
参考训练数据集中的文本样本，许多都是问答型，所以要理解下面的模板

通用原则

1. 保持简洁

2. 迭代是必要步骤

3. 拆分任务——保持简洁的一个技巧

4. 避免不明确——陷入过度冗余描述提示中，可能适得其反，得到并不明确的描述

5. 指示LLM做什么比指示 LLM不做什么更有效，即todo > not todo；|存疑

提示技术

零样本，少样本（zero shot，few shot）

*链式思考（CoT）

Chain-of-Thought

1. 初始提出
给一个同类型问题的推理步骤，让LLM去模仿推理步骤
ref



arXiv.orgChain-of-Thought Prompting Elicits Reasoning in Large Language Models

Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
We explore how generating a chain of thought -- a series of intermediate reasoning steps -- significantly improves the ability of large language models to perform complex reasoning. In particular,...
arXiv.org

2. 零样本CoT
零样本+一句话：逐步思考；Let‘s think step by step
ref

3. 自动思维链Auto_CoT
• 阶段1：问题聚类：将给定问题划分为几个聚类
• 阶段2：演示抽样：从每组数组中选择一个具有代表性的问题，并使用带有简单启发式的 Zero-Shot-CoT 生成其推理链
ref

自我一致性（Meta）

多个推理答案，取一个大多数答案

生成知识提示

链式提示（Prompt Chaining）

*思维树（ToT）

对比IO,CoT,CoT-SC,ToT

ToT 维护着一棵思维树，思维由连贯的语言序列表示，这个序列就是解决问题的中间步骤。使用这种方法，LLM 能够在系统性探索思维的时候向前验证和回溯。

1. 传统搜索树：arXiv.orgTree of Thoughts: Deliberate Problem Solving with Large Language Models
   

   Tree of Thoughts: Deliberate Problem Solving with Large Language Models

   Language models are increasingly being deployed for general problem solving across a wide range of tasks, but are still confined to token-level, left-to-right decision-making processes during...

   arXiv.org
深度优先（DFS）/广度优先（BFS）/集束（beam）搜索

2. 强化学习训练控制器搜索树：arXiv.orgTree of Thoughts: Deliberate Problem Solving with Large Language Models
   

   Tree of Thoughts: Deliberate Problem Solving with Large Language Models

   Language models are increasingly being deployed for general problem solving across a wide range of tasks, but are still confined to token-level, left-to-right decision-making processes during...

   arXiv.org
由强化学习（Reinforcement Learning）训练出的 “ToT 控制器”（ToT Controller）来驱动树的搜索策略

3. 思维树的概括提示词
prompt

4. PannelGPT：（英文版里尾部添加的一行），多个LLM对话互相充当上下文context

*检索增强生成（RAG）

1. 把一个信息检索组件和文本生成模型结合在一起

2. 微调RAG比微调LLM更省力，更高效，能弥补LLM静态知识库的不足

overview

1. 之前的学习储备：
1. 
   RAGJun 27, 2025 15:25
2. 
   Knowledge GraphJun 27, 2025 16:59

自动推理并使用工具 （ART）

1. 工作原理
1. 接到一个新任务的时候，从任务库中选择多步推理和使用工具的示范。
2. 在测试中，调用外部工具时，先暂停生成，将工具输出整合后继续接着生成。
overview

2. 笼统解释：
1. 一个轻量级的LLM或组件负责设计出推理步骤，一个冻结的LLM（已预训练完成、且参数不再更新的LLM）负责执行这些推理步骤。
2. 步骤中包含一些外部工具的调用，这些调用的第三方动态信息会作为context上下文添加进输入内容，成为输入的一部分
3. 不断中断，调用工具，补充输入，继续输出，直到最终结果

自动提示工程师（APE）

Active Prompt

1. 工作原理
使用或不使用少量 CoT 示例查询 LLM。对一组训练问题生成 k 个可能的答案。基于 k 个答案计算不确定度度量（使用不一致性）。选择最不确定的问题由人类进行注释。然后使用新的注释范例来推断每个问题。

2. 目的：适应 LLMs 到不同的任务特定示例提示（用人类设计的 CoT 推理进行注释）

3. 笼统解释：生成多个LLM的答案，人工标注最差的答案，交给LLM反推

overview

方向性刺激提示

1. 定位：一种新方法

2. 笼统解释：训练了一个可调节的策略 LM 来生成刺激/提示。越来越多地使用RL来优化 LLM

3. 论文：arXiv.orgGuiding Large Language Models via Directional Stimulus Prompting
   

   Guiding Large Language Models via Directional Stimulus Prompting

   We introduce Directional Stimulus Prompting, a novel framework for guiding black-box large language models (LLMs) toward specific desired outputs. Instead of directly adjusting LLMs, our method...

   arXiv.org

程序辅助语言模型

1. 工作原理：使用 LLMs 读取自然语言问题并生成程序作为中间推理步骤的方法

2. 笼统解释：将CoT的自然语言式推理改为编程语言运行，比如一些数学运算，如：
e.g.

*ReAct框架

1. 工作原理： 
1. LLMs 以交错的方式生成 推理轨迹 和 任务特定操作 
2. ReAct 框架允许 LLMs 与外部工具交互来获取额外信息，从而给出更可靠和实际的回应

结合并支持在 ReAct 和链式思考+自我一致性之间切换的提示方法通常优于所有其他提示方法

*Reflexion

1. 工作原理：
1. 一个通过语言反馈来强化基于语言的智能体的框架
2. 关键步骤是a)定义任务，b)生成轨迹，c)评估，d)执行自我反思，e)生成下一条轨迹

2. 笼统解释：在之前的ReAct等框架中加入一个自我反思的步骤

overview

1. 具体构成：
1. 参与者（Actor）：根据状态观测量生成文本和动作。CoT或ReAct+记忆组件。
2. 评估者（Evaluator）：对参与者的输出进行评价。LLM根据奖励函数输出奖励分数。
3. 自我反思（Self-Reflection）：LLM生成语言强化线索来帮助参与者实现自我完善。

多模态思维链

基于图Graph的提示

1. 论文：arXiv.orgGraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph...
   

   GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph...

   Graphs can model complex relationships between objects, enabling a myriad of Web applications such as online page/article classification and social recommendation. While graph neural...

   arXiv.org

Step3：成果产出_Output

Cited

1. 
   RAGJun 27, 2025 15:25

2. 
   Knowledge GraphJun 27, 2025 16:59

3. 🗨️
   提示词优化器