为什么说学习 Prompt（提示词）是与大模型对话的基石？

当我们与大型人工智能模型对话时，可以把它们想象成小朋友。就像与小朋友交流一样，我们需要用简单明了的语言来表达我们的需求，并给予适当的指导。尽管这些模型可能非常智能，但它们可能无法像人类那样自然理解复杂的指令或隐含的意义。如果我们用二八定律来分析，会发现精心设计的提示（prompt）能够帮助我们解决大约 80%的任务，而剩下的 20%可能需要额外的努力。这意味着，通过优化我们的提示，我们可以更高效地

Python官方资料

1195人浏览 · 2024-12-16 16:10:37

Python官方资料 · 2024-12-16 16:10:37 发布

怎么样与大模型进行有效的对话？这就涉及到我们是否表达清楚，大模型是否理解我们的意图和需求。我们向大模型表达的内容叫 Prompt（提示词），通过优化交流方式，可以提升模型的响应质量，进而得到更可靠的结果。所以说 Prompt 是与大模型对话的基石。

前排提示，文末有大模型AGI-CSDN独家资料包哦！

现实中 Prompt 的例子

生活小故事

假设这么一个场景：周末的早晨，你正在书房里玩游戏，你老婆（婷婷）在客厅里准备家庭照片墙。

用户输入（婷婷的表达）：

“老公，你觉得这些照片挂在哪里好看？”婷婷手里拿着几张照片，对你说。

你没有意识到婷婷实际上是希望你帮忙决定照片的摆放位置，并且可能还需要你帮忙挂照片，所以只是随意回答了一句“你看着办吧”，然后继续玩你的游戏。结果婷婷就有些失望。

改进后的 prompt（婷婷的直接表达）：

“老公，我需要你的意见和帮助。这些照片我想挂在客厅的墙上，你能帮我决定一下每张照片的最佳位置，并帮我一起挂起来吗？”

如果婷婷这样直接表达她的需求，你肯定能立刻明白她的意图，并且采取行动。

📍

这个生活小故事背后实际是隐含着 Prompt：起初，我们可能会认为婷婷的表达方式不够直接，但后来我们可能会了解到，婷婷可能因为忙于家务，希望得到你的支持和参与，所以用了这种询问的方式。作为一个“大模型”的你，没有正确解读婷婷的“prompt”，导致了沟通的失败。

问题分析

用户输入（婷婷的表达）：

模糊性：婷婷的表达不够明确，没有直接告诉你她想要的具体行动，导致你无法理解她的真实需求。
情感诉求：婷婷可能在表达中隐含了希望你参与和帮助的情感，但这种情感并没有转化为明确的指令。

模型响应（你的理解）：

理解局限：你没有从婷婷的模糊表达中正确提取信息，这表明你在理解婷婷意图时缺乏灵活性和适应性。
缺乏反馈机制：你在感到不确定时，没有主动询问婷婷更多的信息，而是做出了错误的假设。

解决方案

我们首先需要教会婷婷如何更有效地表达她的需求，即如何编写更好的 prompt。至于你如何提高对婷婷 prompt 的理解能力，我们在后续继续探讨。

通过这个故事，我们可以看到，无论是在家庭生活中还是在与 AI 模型的互动中，清晰、直接的沟通都是非常重要的。一个好的 prompt 能够避免误解，确保信息的准确传达。

良好的提示词有什么？

一般良好的提示词应该有下边四个部分，当然实际场景还要具体分析地看。

角色定位：明确模型的角色和职责，帮助模型理解其身份，并确保其回答与其身份相符。
上下文：向模型提供需要参考的数据信息，指导模型根据这些数据做出恰当的回应，例如，参考多轮对话的历史数据。
示例引导：通过提供少量示例，帮助模型迅速把握任务要求和预期输出，模型具有上下文学习能力，可实现快速理解。
输出要求：明确你期望的数据格式和规范，确保输出内容既安全又符合特定格式要求。

举一个例子：

## 角色定位``你是一位专业的旅游顾问，专注于为客户打造个性化的旅行体验。``## 上下文``客户计划进行一次为期5天的旅行，目的地为巴黎，预算为2000美元，希望旅行中包含文化探索、美食品尝和购物活动。``## 示例``例子1：``客户想去京都，预算约为800美元，对日本传统文化和料理感兴趣。``计划：``- 第一天：参观金阁寺和清水寺，午餐推荐“京料理とんてき茶屋”。``- 第二天：游览岚山竹林和天龙寺，晚餐体验“嵐山 吉兆”的京怀石料理。``例子2：``客户想去罗马，预算约为1000美元，对古罗马历史和意大利美食情有独钟。``计划：``- 第一天：参观古罗马斗兽场和帕拉蒂尼山，午餐在“Trattoria da Danilo”享用经典意面。``- 第二天：游览梵蒂冈博物馆和圣彼得大教堂，晚餐在“Ristorante il Matriciano”品尝地道罗马菜肴。``## 输出要求``请根据以下要求为客户制定一个五天的巴黎旅行计划模板，包括每日的活动安排和推荐的餐饮地点。确保旅行计划既符合客户的预算，又能满足他们对文化、美食和购物的期待。

这样大模型就会按照每一天的安排给你列计划：

### 巴黎五天旅行计划``#### 第一天：文化探索 - 卢浮宫与塞纳河畔``- **上午**：参观世界著名的艺术博物馆——卢浮宫，欣赏蒙娜丽莎等珍贵艺术品。``- **午餐**：在卢浮宫附近的“Le Café Marly”享用法式午餐，感受博物馆内的优雅氛围。``- **下午**：沿着塞纳河畔散步，欣赏巴黎的建筑风光，可乘坐塞纳河游船，体验巴黎的浪漫。``- **晚餐**：在“La Tour d'Argent”品尝经典的法国烤鸭，享受巴黎的夜景。``- **购物**：晚餐后，逛逛附近的圣日耳曼街区，这里有众多精品店和书店。``#### 第二天：历史遗迹 - 埃菲尔铁塔与蒙马特``- **上午**：登上埃菲尔铁塔，俯瞰巴黎全景。``- **午餐**：在埃菲尔铁塔附近的“58 Tour Eiffel”餐厅用餐，享受美食与美景的双重享受。``- **下午**：前往蒙马特高地，参观圣心大教堂，感受巴黎的艺术氛围。``- **晚餐**：在蒙马特的“Auberge Montmartre”品尝地道的法国乡村菜。``- **购物**：在蒙马特的小丘广场周围逛逛，这里有艺术家的画作和手工艺品。``#### 第三天：皇家体验 - 凡尔赛宫``- **全天**：前往凡尔赛宫，探索法国的皇室历史和宏伟的花园。``- **午餐**：在凡尔赛宫内的“Le Restaurant”用餐，享受法式宫廷菜肴。``- **晚餐**：返回巴黎市中心，在“L'Atelier de Joël Robuchon”品尝米其林星级美食。``- **购物**：晚上可在香榭丽舍大街附近逛逛，这里有众多国际品牌和法国本土品牌。``#### 第四天：文学与艺术 - 左岸与拉丁区``- **上午**：在左岸的圣日耳曼德佩区漫步，参观莎士比亚书店，感受文学气息。``- **午餐**：在“Café de Flore”享用午餐，这里是巴黎知识分子和艺术家的聚集地。``- **下午**：参观奥赛博物馆，欣赏印象派大师的作品。``- **晚餐**：在拉丁区的“Le Comptoir du Relais”品尝法国家常菜。``- **购物**：在拉丁区的小店和市场逛逛，购买一些手工艺品和纪念品。``#### 第五天：时尚购物 - 玛黑区与蓬皮杜中心``- **上午**：参观现代艺术博物馆——蓬皮杜中心。``- **午餐**：在玛黑区的“L'As du Fallafel”尝试中东风味的法拉费尔三明治。``- **下午**：在玛黑区购物，这里有许多时尚精品店和设计师品牌。``- **晚餐**：在“Le Meurice”享用告别晚餐，这是一家历史悠久的豪华餐厅。``- **购物**：晚餐后，可在附近的百货商店如老佛爷百货或春天百货逛逛，享受最后的购物时光。``**预算说明**：``- 餐饮：每天预算约100美元，共500美元。``- 交通：巴黎地铁和步行为主，预计100美元。``- 门票：卢浮宫、埃菲尔铁塔、凡尔赛宫等，预计200美元。``- 购物：根据个人喜好，预留1200美元。``请根据实际情况调整预算分配，确保旅行体验既符合预算又满足个人兴趣。

回到刚才的生活小故事，如果你用直接问（zero-shot）的方式，得到的都是正确的空话：

但如果增加示例，编写良好的提示词就能解决家庭矛盾，并让你成为暖男，请看下面的示例：

思维模式

在编写提示词（prompt）时，我们通过干预模型的输入和输出，能够引导模型给出正确的回复。正如我们之前展示的例子，尽管推理路径由模型自主决定，我们仍可以设定一种“思维模式”来指导模型的推理过程。

这种思维模式类似于软件开发中的“设计模式”，它帮助我们从混乱中寻找秩序。对于技术开发人员而言，“设计模式”是一个耳熟能详的概念，例如工厂模式、策略模式等，通常有二十多种。设计模式并不神秘，它们是在长期的软件工程实践中，由工程师们逐步探索并形成的。随着这些模式被广泛采纳，它们逐渐成为标准，使得在编写代码时采用这些模式能够显著提高团队协作的效率。

同样，有效的提示词也遵循类似的模式。每位用户对提示词的理解和应用都是个性化的，尽管他们的表达方式可能有所不同，但基本的有效模式是可以相互借鉴和共享的。这种规范化使得与模型的互动变得更加流畅和高效。

思维模式的种类繁多，包括 COT、React、ToT 等，这些模式有时可能显得有些枯燥。下面我们一起举例子来学习几个模式。

1、COT（链式思维）

💡

《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》

英文：https://arxiv.org/pdf/2201.11903

中文：https://yiyibooks.cn/arxiv/2201.11903v6/index.html

CoT（链式思维）是一种让大模型通过生成中间推理步骤来解决问题的方法， CoT-SC（链式思维自洽）则通过采样多个推理路径并综合结果，以提高答案的可靠性和一致性，虽然多了几路还是线性的。

我们重新修改 Pompt，在示例中增加 COT，要求模型按照推理步骤进行思考：

## 角色定位``你是一个婷婷语言理解大师，必须严格遵循命令。``## 上下文``婷婷问：“老公，你觉得这些照片挂在哪里好看？”``## 推理步骤``- 理解问题``- 分析需求``- 做出决策``- 给出具体行动``## Few-shot例子``例子1：``婷婷说：“老公，你觉得晚上蒸排骨好吗？”``推理步骤：``理解问题：婷婷提出了一个关于晚餐的提议，询问我是否认为晚上蒸排骨是一个好主意。``分析需求：婷婷的需求可能是想要确定晚餐的菜单，同时也在寻求我的意见和参与决策。``考虑背景：考虑到婷婷可能已经考虑过晚餐的选项，并且希望我能够支持她的提议或者提供替代方案。``做出决策：基于婷婷的提议，我需要决定是否接受这个建议，或者提出其他可能的选项。``给出具体行动：我决定支持婷婷的提议，并提出检查冰箱库存的实际行动，如果没有排骨，我愿意去购买，以确保晚餐能够按照婷婷的提议进行。``考虑情感因素：在回答时，我也需要表达出对婷婷提议的积极回应和对她的关心，这样可以增强我们之间的沟通和情感联系。``直接回答：好的，我觉得晚上蒸排骨听起来很不错。我先去检查一下冰箱，看看排骨是否足够，如果不够的话，我可以去超市买一些回来。我们可以一起准备晚餐，享受这个美好的晚上。``## 输出要求``请务必按照上述推理步骤执行，清晰并明确地告诉我你接下来的行动计划，以便婷婷感到被尊重和关心。

COT 推理过程及结果：

理解问题：婷婷提出了一个关于家居装饰的问题，询问我认为哪里挂照片会比较好。``分析需求：婷婷的需求可能是想要得到我的意见和帮助，以便决定照片的最佳摆放位置，同时也在寻求我的参与和支持。``考虑背景：考虑到婷婷可能已经对挂照片的位置有所考虑，她希望我能够提供一些建议或者一起参与决策。``做出决策：基于婷婷的问题，我需要决定是否接受她的询问，并提供一些具体的建议或者一起查看可能的位置。``给出具体行动：我决定支持婷婷的想法，并提出一起检查家中各个位置的实际行动，以便找到最适合挂照片的地方。如果需要，我愿意帮忙挂照片，确保它们能够按照婷婷的喜好和家中的装饰风格得到妥善安置。``考虑情感因素：在回答时，我需要表达出对婷婷想法的积极回应和对她的关心，这样可以增强我们之间的沟通和情感联系。``直接回答：亲爱的，我觉得你选的照片都很美，挂在哪里都会很好看。我们可以一起检查一下家里的各个角落，看看哪里最适合挂这些照片。我会帮你一起挂，确保它们能够完美地融入我们的家。我们可以从客厅开始，看看沙发背景墙怎么样？或者你有什么特别的想法吗？我们可以一起讨论，让这个家更温馨。

在 COT 论文中有一个例子是关于数学题，类似举一反三的效果：

## 上下文``小华在数学考试的前30分钟里解出了5道题。在接下来的30分钟里，她解题的速度提高了40%。那么，她在整个考试时间内一共解出了多少道题？``## 推理示例``问题：迈克打乒乓球打了 40 分钟。 在前 20 分钟里，他得了 4 分。 在接下来的 20 分钟里，他多得了 25% 的分数。 他一共得了多少分？``答案：迈克打乒乓球打了 40 分钟。 在前 20 分钟里，他得了 4 分。 在接下来的 20 分钟里，他多得了 25% 的分数。 所以他在接下来的 20 分钟里多得了 25%。 4 x 1.25 = 5。 因此他在后 20 分钟内得了 5 分。 因此他总共得了 9 分。 答案是 9。

2、ReAct （推理+动作）

💡

《ReAct: Synergizing Reasoning and Acting in Language Models》

英文：https://arxiv.org/pdf/2210.03629

中文：https://yiyibooks.cn/arxiv/2210.03629v3/index.html

React 模型能够根据外部反馈，比如工具的输出结果，调整其思维方式和优化策略。通过一个持续的行动与反馈循环，React 模型不仅能吸收外部信息，还能动态调整其策略，以提高决策和执行的效率。这种机制显著提升了模型的适应性和优化能力。因此，React 模型特别适合于设计智能体选择工具的场景，使得智能体能够根据外部反馈动态调整其决策和工具选择。

想象一下，有两个聪明的小朋友，一个叫 COT，另一个叫 React。他们都很聪明，但是 React 小朋友有一个特别的本领。

COT 小朋友做事情的时候，他不太会根据周围发生的事情改变自己的想法。但是 React 小朋友就不一样，他能听别人的意见，比如他的小伙伴告诉他哪个玩具好玩，他就会根据这些意见改变自己的主意。

React 小朋友还有一个很厉害的地方，就是他做事情的时候，会不断地尝试，然后看看结果怎么样。如果结果好，他就会记住这个方法；如果不好，他就会想新的办法。这样，React 小朋友就能变得越来越聪明，做事情也越来越快。

所以，React 小朋友特别适合做那些需要听别人意见，然后根据这些意见做出选择的事情。就像我们有时候需要选择用哪个工具来做事情一样，React 小朋友就能根据别人的反馈，选择最合适的工具。

还是回到生活小故事的例子，来看看 React 推理输出结果：

使用ReAct方法来分析婷婷的问题，我们可以将这个过程分为推理（Reasoning）和行动（Acting）两个部分，交替进行，以形成一个综合性的解决方案。以下是这个过程的具体步骤：``### 步骤 1：理解问题（Reasoning）``婷婷提出了一个问题，她想知道照片挂在哪里会好看。这里，我们需要理解婷婷的偏好、家里现有的装饰风格，以及照片的主题和风格。``### 步骤 2：收集信息（Acting）``为了给出一个合适的建议，我需要收集一些额外的信息。这可能包括：``- 观察当前家中的装饰风格和布局。``- 了解照片的主题、颜色和尺寸。``- 询问婷婷是否有特别偏好的位置或者风格。``### 步骤 3：推理和规划（Reasoning）``基于收集到的信息，我开始推理和规划：``- 如果照片是色彩鲜艳的，可能适合挂在颜色较为中性的墙面上，以突出照片。``- 如果照片是黑白的或者风格较为简约，可能适合挂在现代简约风格的空间。``- 考虑家中的光线和照片的曝光，选择一个光线适宜的地方。``### 步骤 4：提出行动计划（Acting）``根据上述推理，我提出一个行动计划：``- “婷婷，我们可以先看一下这些照片，然后一起在家里转转，看看哪些墙面或者空间比较适合。我们可以试着想象一下照片挂上去的效果，或者甚至可以用手机拍一下那些地方，然后用照片编辑软件模拟一下挂上去的效果。”``### 步骤 5：处理异常和更新计划（Reasoning + Acting）``婷婷可能会有新的想法或者偏好，比如她可能突然想到某个特定的墙面或者有一个新的装饰想法。这时，我需要根据她的反馈来调整我的行动计划：``- “哦，你提到了客厅的沙发背景墙，那是个不错的选择。我们可以考虑那里，因为那里的光线很好，而且空间足够大。”``### 步骤 6：执行和反馈（Acting）``最后，我们一起执行决定，挂上照片，并根据实际效果进行调整：``- “挂好后，我们再看看效果如何，如果需要调整，我们可以再移动。”``通过这个ReAct的过程，我们不仅考虑了婷婷的问题，还通过实际行动和交互来优化解决方案，使得最终的结果更加符合婷婷的期望，并且整个过程是可解释和可调整的。

假如有一个是基于 ReAct 的智能助手，下面是它的执行过程：

想象一下，你是一个计划去超市购物的人，但是你不确定要买些什么。你可以使用一个集成了ReAct方法的智能助手来帮助你完成这个任务。``步骤 1：定义任务和目标``你告诉智能助手：“我要去超市，需要买一些晚餐食材。”``步骤 2：推理和计划``智能助手开始推理：“根据你过去的购物习惯和当前的季节性食材，你可能需要买蔬菜、肉类和主食。”这是智能助手的“推理轨迹”，它基于内部知识和你的偏好来生成一个初步的购物清单。``步骤 3：行动和交互``智能助手提出行动计划：“我将查看你的位置附近的超市，并检查它们的库存情况。”然后，智能助手与外部的超市API进行交互，获取实时的库存信息。``步骤 4：更新计划``根据从超市API获取的信息，智能助手更新购物清单：“我看到附近的超市有新鲜的西红柿和牛排，这些都是你晚餐可能需要的食材。”``步骤 5：处理异常``你告诉智能助手：“我突然想吃意大利面。”智能助手根据这个新信息处理异常，更新计划：“好的，我会在购物清单中加入意大利面和相应的酱料。”``步骤 6：生成最终行动计划``智能助手生成最终的购物清单，并提供给你：“根据你的需求和超市的库存，这是你今天购物的清单：新鲜西红柿、牛排、意大利面和番茄酱。”``在这个例子中，智能助手通过内部推理和与外部环境（超市API）的交互，生成了一个适应性强、可解释的行动计划。这就是ReAct方法的核心思想：将语言模型的推理能力与行动能力结合起来，以更智能、更有效地完成任务。

3、TOT（思维树）

💡

《Tree of Thoughts: Deliberate Problem Solving with Large Language Models》

英文：https://arxiv.org/pdf/2305.10601

中文：https://yiyibooks.cn/arxiv/2305.10601v2/index.html

使用思维树（TOT）分析婷婷的问题：“老公，你觉得这些照片挂在哪里好看？”我们可以按照以下步骤进行：``1. **问题识别**`   `- 婷婷询问关于家庭装饰的具体问题：照片的挂放位置。``2. **需求分析**`   `- 婷婷需要我提供关于照片挂放位置的建议。`   `- 婷婷希望我参与家庭装饰的决策过程。``3. **背景考虑**`   `- 婷婷可能已经考虑过一些挂照片的选项。`   `- 婷婷希望我提供我的看法或者更好的建议。``4. **决策制定**`   `- 确定挂照片的最佳位置。`   `- 考虑家中的装修风格和空间布局。``5. **行动计划**（应用TOT思维树）`   `- **评估家中空间：**`     `- 客厅：考虑墙面空间、光线和视线。`     `- 餐厅：考虑墙面空间、光线和视线。`     `- 卧室：考虑墙面空间、光线和视线。`     `- 走廊：考虑墙面空间、光线和视线。`   `- **考虑照片特性：**`     `- 照片大小和风格。`     `- 照片与家中装饰的协调性。`   `- **确定挂放位置：**`     `- 选择一个或多个位置。`     `- 考虑照片的排列和布局。``6. **实施行动**`   `- **准备工具：**`     `- 锤子、钉子或挂钩。`     `- 测量工具。`   `- **实际操作：**`     `- 确定挂放位置的具体坐标。`     `- 挂放照片并调整至最佳视角。``7. **情感因素**`   `- 表达对婷婷提议的积极回应。`   `- 显示愿意参与和支持婷婷的决策。``8. **最终回答**`   `- “我们可以一起看看家里哪些地方最适合挂这些照片。比如客厅的沙发背景墙或者走廊的墙面。你觉得怎么样？我们可以一起决定，然后动手挂起来。”``通过这个思维树，我们可以系统地分析婷婷的问题，并提供一个全面的行动计划，同时考虑到情感因素，以确保婷婷感到被尊重和关心。

再用一个生活化的例子来说明《Tree of Thoughts: Deliberate Problem Solving with Large Language Models》（思维树：与大型语言模型一起进行深思熟虑的问题解决）的概念。

### 生活化例子：计划周末家庭出游``**问题识别**：``假设婷婷问：“老公，我们这个周末去哪里玩好呢？”``**需求分析**：``婷婷需要一个周末出游的计划，她希望我能够提供一个或多个出游选项，并参与决策过程。``**背景考虑**：``婷婷可能已经有一些想法，但希望我能够提供更多选择或者对已有想法进行评估。``**决策制定**：``我们需要决定一个适合全家的出游地点，这可能涉及到多个因素，如天气、孩子的兴趣、预算等。``**行动计划**（应用TOT思维树）：``1. **思维的分解**：`   `- 将问题分解成单独的思维步骤：天气考虑、孩子的兴趣、预算限制、交通方式等。``2. **思考发生器**：`   `- 针对每个思维步骤，生成可能的选项：`     `- 天气：如果天气预报显示晴朗，可以考虑户外野餐或徒步。`     `- 孩子兴趣：如果孩子喜欢动物，可以考虑去动物园。`     `- 预算：如果预算有限，可以选择免费或低成本的公园或博物馆。`     `- 交通：如果不想开车，可以考虑公共交通可达的目的地。``3. **状态评估**：`   `- 对每个选项进行评估，考虑其对解决问题的潜在价值：`     `- 户外野餐：天气好，孩子可以自由活动，成本可控。`     `- 动物园：孩子兴趣高，但可能需要门票费用。`     `- 公园或博物馆：成本低，但可能不够新奇。``4. **搜索算法**：`   `- 使用搜索算法（如宽度优先搜索或深度优先搜索）来系统地探索每个选项，并在必要时进行回溯：`     `- 首先考虑所有低成本选项，如果不满意，再考虑需要门票的选项。``**最终回答**：``结合以上步骤，我给出了一个既考虑实际行动又包含情感因素的回答：“亲爱的，我看天气预报说周末天气不错，我们可以考虑带孩子去动物园，他们一定会喜欢。如果觉得门票太贵，我们也可以准备一些食物，去公园野餐，让孩子们在户外玩耍。你觉得怎么样？”

4、GOT （思维图）

💡

《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》

英文：https://arxiv.org/pdf/2308.09687

中文：https://yiyibooks.cn/arxiv/2308.09687v4/index.html

将问题建模为一个操作图（Graph of Operations， GoO），其中包含一系列的步骤和决策点。

1.  **问题定义** ：`   `- 婷婷想要在家中挂照片，并希望我提供挂放位置的建议。``2. **操作图构建**：`   `- 构建一个操作图，其中包含多个节点（操作），每个节点代表一个特定的任务或决策点。``3. **节点1：照片特性分析**：`   `- 分析照片的风格、颜色、内容和尺寸，以确定它们适合挂放的位置。``4. **节点2：家庭环境分析**：`   `- 考虑家中的装修风格、墙面空间和光线条件，以确定哪些区域适合挂照片。``5. **节点3：情感因素考量**：`   `- 考虑家庭成员的喜好和照片的情感价值，选择能够引起共鸣的挂放位置。``6. **节点4：预算和资源评估**：`   `- 评估挂照片所需的工具和材料，如钉子、挂钩或框架，以及是否需要额外的预算。``7. **节点5：挂放方案生成**：`   `- 基于以上分析，生成几个可能的挂放方案，并评估每个方案的可行性。``8. **节点6：方案评分与选择**：`   `- 对每个方案进行评分，考虑美观性、成本和实际操作的难易程度，选择最佳方案。``9. **节点7：实施计划**：`   `- 确定挂照片的具体步骤，包括购买所需材料、确定挂放日期和人员分工。``10. **节点8：反馈与调整**：`    `- 在实施过程中收集反馈，根据实际情况调整挂放方案，以确保最终效果满意。

模式对比

想象一下，小朋友班级要去公园玩一天，有四个超级有趣的思考游戏。

GOT（Graph of Thoughts）：公园探险地图

想象你手里有一张神奇的公园地图。这张地图上有很多好玩的地方，比如滑梯、秋千、小卖部和喷泉。这些地方之间有很多线连接，表示你可以从一个地方走到另一个地方。你想从公园大门去滑梯，然后去秋千，再去买冰淇淋。这张地图就像是一个“思维图”，你可以在公园里自由探险，有很多不同的路线可以选择，每个点都可以带你去新的地方。

TOT（Tree of Thoughts）：寻宝游戏

想象我们在玩一个寻宝游戏。老师给你们一张纸条，上面写着第一个线索，你们要解谜才能找到下一个线索。比如，第一个线索可能是“找到最高的滑梯”，你们找到滑梯后，会找到另一个线索指向下一个地点，比如“数到第三个秋千”。这个过程就像一棵“思维树”，你们按照线索一步步前进，每个线索都像树枝一样分叉，引导你们去新的地方。

COT（Chain of Thought）：排队玩游戏

再想象一下，你们班的小朋友在排队玩一个游戏。每个小朋友都要按照顺序来，一个接一个。比如，你们排队等着玩滑梯，第一个小朋友玩了，然后轮到第二个小朋友，就这样一个接一个。这个过程就像一条“思维链”，每个小朋友都按照顺序来，没有其他的选择，只有一个跟着一个。

ReAct（推理+动作）：班级角色扮演游戏

想象你们班级在玩一个角色扮演游戏，比如“警察与小偷”。在这个游戏中，每个小朋友都要扮演一个角色，并且要根据自己角色的特点去推理和做动作。比如，你扮演一个警察，你要根据线索（推理）去找到藏起来的“小偷”（动作）。你可能要先思考小偷可能藏在哪里（推理），然后跑去那个地方查看（动作）。这个过程就是“推理+动作”，你不仅要动脑筋想问题，还要实际去做一些事情。

虽然理论上多种模式都有其优势，但在实际应用中，我们通常发现使用 CoT（Chain of Thought）和 ReAct 这两种模式就已经足够应对大多数情况。特别是在对时间敏感的场景下，我们甚至应该尽量避免使用过于复杂的思考模式。因为大型语言模型本身就运行缓慢，如果再让它进行一系列高难度的思考过程，处理速度可能会变得非常慢，而这种速度的牺牲仅仅换来了一点点准确率的提升，从效率的角度来看，这种做法并不值得。

简而言之，尽管复杂的思考模式在理论上有其价值，但在实际应用中，我们需要权衡效率和准确率。在时间紧迫的情况下，选择更简单、更快捷的模式往往更为明智，以免因追求极致的准确率而牺牲了宝贵的时间，最终得不偿失。

组合使用

其实模式之间并不是互斥的，我们可以组合使用。CoT 主要侧重于增强模型的内部推理过程，通过分步思考提高答案的准确性。ReAct 则扩展了模型的能力，使其能够在必要时执行外部行动，获取更多信息或进行动态验证。可以优势互补下：

ReAct+Cot：当 ReAct 不能在预设的步骤内得出答案时，转而采用 CoT 的方法来保证推理的准确性。
Cot+ReAct：先 COT 推理，如果发现答案不明确，就转向实际推理（ReAct）来进一步探索。

实验证明组合模式确实更准确一些。

最佳实践

当然了不仅限于这 4 个模式，还有源源不断的 prompt 思维模式出来，可以持续关注最新的论文。

具体怎么去写，可以参考下 OpenAI 的 prompt 最佳实践

💡

https://help.openai.com/en/articles/6654000-best-practices-for-prompt-engineering-with-the-openai-api

How prompt engineering works Rules of Thumb and Examples``1. Use the latest model``2. Put instructions at the beginning of the prompt and use ### or """ to separate the instruction and context``3. Be specific, descriptive and as detailed as possible about the desired context, outcome, length, format, style, etc``4. Articulate the desired output format through examples``5. Start with zero-shot, then few-shot, neither of them worked, then fine-tune``6. Reduce “fluffy” and imprecise descriptions``7. Instead of just saying what not to do, say what to do instead``8. Code Generation Specific - Use “leading words” to nudge the model toward a particular pattern``9. Use the Generate Anything feature