第三章 Prompt进阶技巧：从“问对问题”到“引导思考”

各位同学，欢迎来到Prompt进阶技巧这一章。说实话，很多人在学会基础Prompt之后，就卡在了“能跑通但效果不稳定”的阶段。我当年刚接触大模型时也踩过这个坑——明明指令写得很清楚，模型却总给我一些“看似正确但逻辑不通”的回答。后来我才意识到，问题不在于模型笨，而在于我们没教会它“如何思考”。

这一章，我会带你掌握四个核心进阶技巧：Few-shot提示、Chain-of-Thought提示、思维树提示和结构化提示。这些技巧不是花架子，而是我反复验证过的“提效利器”。准备好了吗？我们直接开干。

3.1 Few-shot提示：给模型“打个样”

先问大家一个问题：如果你想让一个实习生学会写周报，你会怎么做？是直接扔一句“写周报”，还是先给他看三份优秀范例？答案显然是后者。Few-shot提示的核心逻辑就是这个——通过提供少量示例，让模型理解你的“潜规则”。

我自己的经验是，Few-shot提示特别适合处理“格式敏感”或“风格统一”的任务。比如生成产品描述、翻译特定领域的术语、或者写固定格式的邮件。你给模型2-3个例子，它就能快速抓住你的偏好。

来看一个实际案例。假设你要让模型帮你写“电商产品卖点提炼”，直接问可能得到一堆废话。但如果你这样写：

# 示例1
产品：无线蓝牙耳机
卖点：续航40小时、IPX5防水、触控操作
输出：40小时超长续航，运动出汗也不怕，指尖轻触就能切歌——这才是真无线耳机该有的样子。

# 示例2
产品：智能扫地机器人
卖点：激光导航、自动集尘、APP远程控制
输出：激光导航不迷路，自动集尘一个月倒一次垃圾，手机远程控制让你回家即享洁净。

# 现在请为以下产品写卖点：
产品：便携式咖啡机
卖点：15Bar高压萃取、30秒预热、Type-C充电
输出：

你看，模型看到前两个例子后，会自动模仿那种“短句+卖点串联”的风格。我管这叫“用例子说话”，比你在Prompt里写一百字“请用口语化、有冲击力的语言”要管用得多。

3.2 Chain-of-Thought提示：让模型“边想边写”

Chain-of-Thought（CoT）提示，翻译过来就是“思维链”。这个技巧是我在解决数学推理和逻辑分析问题时最常用的。它的原理很简单：不要只让模型输出答案，而是让它把推理过程一步步写出来。

为什么有效？因为大模型本质上是一个“概率预测器”，它直接输出答案时，很容易跳过关键推理步骤，导致结果看似合理但经不起推敲。而CoT强制模型“慢下来”，把每一步思考都显式化。

我举个例子。假设你要模型解决一个逻辑题：

题目：小明比小红大3岁，小红比小刚大2岁，三人年龄之和是35岁。问小明多少岁？

普通Prompt：
输出：小明13岁。

CoT Prompt：
让我们一步步思考：
1. 设小刚年龄为x，则小红年龄为x+2，小明年龄为(x+2)+3 = x+5。
2. 三人年龄之和：x + (x+2) + (x+5) = 3x + 7 = 35。
3. 解方程：3x = 28，x = 28/3 ≈ 9.33。
4. 小明年龄：x+5 = 14.33岁。
5. 由于年龄通常为整数，检查是否有误... 实际上，如果年龄是整数，28不能被3整除，说明题目可能有误或需要取整。但按计算，小明约14.33岁。

输出：小明约14.33岁。

看到区别了吗？普通Prompt直接给了一个错误答案（13岁），而CoT Prompt不仅给出了正确计算，还指出了题目可能的矛盾点。这就是“思考过程”的价值。

在实际项目中，我经常把CoT和Few-shot结合使用。比如先给一个“推理示例”，再让模型按同样方式处理新问题。这种组合拳的效果，往往比单独使用任何一种都要好。

3.3 思维树提示：探索多条路径

思维树（Tree-of-Thoughts，ToT）是CoT的升级版。如果说CoT是让模型“走一条路并记录脚印”，那ToT就是让模型“同时探索多条路，然后选最优的那条”。

这个技巧特别适合解决“开放性问题”或“需要创造性方案”的任务。比如产品命名、营销策略、代码架构设计等。我曾在一次“为新产品想10个名字”的任务中，用ToT提示让模型生成了3组不同风格的名字，然后让模型自己评估每组优劣，最终选出的名字客户非常满意。

ToT的实现方式有很多种，这里我分享一个我常用的“简化版”模板：

任务：为一家主打“健康零食”的品牌想5个名字。

第一步：列出3种不同的命名策略。
策略A：强调“天然/无添加”（如：纯然、原野）
策略B：强调“功能/能量”（如：活力棒、能量站）
策略C：强调“趣味/年轻”（如：咔嚓、轻食光）

第二步：对每种策略，生成2-3个候选名字。
策略A候选：纯然、原野、本味
策略B候选：活力棒、能量站、燃力
策略C候选：咔嚓、轻食光、乐享

第三步：评估每个候选名字的优缺点。
- 纯然：优点是好记，缺点是太普通。
- 活力棒：优点是直接传达功能，缺点是有点老气。
- 咔嚓：优点是生动有趣，缺点是可能让人联想到薯片。

第四步：综合推荐最优方案。
推荐：轻食光。理由：既有“轻食”的健康暗示，又有“时光”的文艺感，适合年轻白领群体。

你看，ToT的本质是“分而治之+自我评估”。它让模型先发散（生成多条路径），再收敛（评估并选择）。这种结构化的思考方式，能极大提升复杂任务的输出质量。

3.4 结构化提示：用“模板”管理复杂性

最后这个技巧，是我认为最实用但最容易被忽视的——结构化提示。简单说，就是给Prompt设计一个清晰的“骨架”，让模型知道每个部分该填什么内容。

我最早用结构化提示，是因为发现模型经常“跑题”。比如我问“分析一下这个产品的市场前景”，它可能先扯了一堆行业背景，然后才回到产品本身。后来我设计了一个固定模板，效果立竿见影。

一个典型的结构化提示模板如下：

# 任务描述
请对以下产品进行市场前景分析。

# 输入信息
产品名称：智能健身镜
目标用户：25-40岁都市白领
核心功能：AI动作指导、直播课程、社交排名

# 输出要求
请按以下结构输出：
1. 市场规模（当前规模+增长率）
2. 竞争格局（主要竞品+差异化优势）
3. 潜在风险（技术/市场/政策风险）
4. 发展建议（短期+长期策略）

# 格式要求
- 每个部分用标题分隔
- 数据需标注来源（如：据XX报告显示）
- 总字数控制在500字以内

这个模板的好处是：输入明确、输出可控、格式统一。我把它叫做“Prompt的脚手架”——你不需要每次重新设计，只需要替换输入信息即可。

在实际工作中，我甚至会把结构化提示做成“可复用的函数”。比如写一个“竞品分析”模板，每次调用时只需传入产品名称和竞品列表，模型就会自动按固定格式输出。这大大减少了重复劳动，也保证了输出质量的一致性。

3.5 四种技巧的对比与选择

学完这四种技巧，你可能会问：我到底该用哪个？别急，我帮你总结了一个选择指南：

技巧	适用场景	Token消耗	效果提升	我的推荐指数
Few-shot提示	格式统一、风格固定的任务	低（增加示例）	中	⭐⭐⭐⭐
Chain-of-Thought	逻辑推理、数学计算、复杂分析	中（增加推理步骤）	高	⭐⭐⭐⭐⭐
思维树提示	开放性问题、创意生成、方案设计	高（多分支探索）	极高	⭐⭐⭐⭐
结构化提示	所有需要固定输出格式的任务	低（增加模板）	中高	⭐⭐⭐⭐⭐

我的建议是：结构化提示作为“基础框架”，Few-shot作为“风格校准”，CoT和ToT作为“深度思考工具”。在实际项目中，我经常把结构化提示和CoT结合使用——先用结构化模板框定输出范围，再用CoT让模型展示推理过程。这种组合方式，几乎能应对90%以上的复杂任务。

好了，这一章的内容就到这里。四种技巧，每一种都是我亲手验证过的“实战利器”。下一章，我们会进入更高级的Prompt工程——如何通过“角色扮演”和“上下文管理”来进一步控制模型行为。如果你在练习中遇到问题，欢迎随时交流。记住：Prompt不是玄学，是工程。多练、多试、多总结，你也能成为Prompt高手。