高级提示技术

使用提示来生成或优化其他提示。核心思想：提示生成提示；元提示模式：模板生成、迭代优化、质量评估；应用场景：提示词模板生成、批量优化、自动化提示工程。

通过引导模型生成中间推理步骤来提升复杂推理能力。核心思想：让模型"一步步思考"；零样本CoT：添加"让我们一步步思考"；少样本CoT：提供带推理步骤的示例；应用场景：数学推理、逻辑推理、复杂问题求解。

将推理过程建模为树结构，支持多路径探索和回溯。核心思想：探索多条推理路径；搜索策略：BFS、DFS搜索；回溯机制：错误路径回溯；应用场景：复杂决策、多解问题、创意生成。

采样多条推理路径，通过多数投票选择最一致的答案。核心思想：多次采样求共识；采样策略：温度调节、路径多样性；投票机制：多数投票、加权投票；应用场景：数学问题、逻辑推理。

结合推理和行动，使模型能够与外部工具交互。核心思想：思考-行动-观察循环；行动类型：工具调用、API请求；观察处理：结果解析、错误处理；应用场景：信息检索、任务执行。

将思维建模为图结构，支持更复杂的推理组合和反馈循环。核心思想：图结构推理；节点类型：思考、行动、观察；边类型：依赖、反馈、分支；应用场景：复杂问题分解、多路径推理。

使用算法自动优化和生成提示词。核心方法：梯度优化、进化算法、强化学习；工具框架：DSPy、PromptSource、APE；评估指标：准确率、一致性、效率；应用场景：提示词自动生成、优化。