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)，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：

建立全局认知：了解不同技术之间的关系和区别。
指导技术选型：根据任务需求选择合适的技术类别。
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：

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	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	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。

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	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	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、7 章。

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	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	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）
需要精确计算或外部操作 → Tool Use（第 8 章）
需要复杂数据处理 → Code Execution（第 8 章）

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	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、7 章。

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：

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¶

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？
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？