1. 六要素结构
角色、指示、上下文、例子、输入、输出。角色=最匹配任务身份；指示=任务描述；上下文=背景；例子=Few-Shot；输入=明确标识；输出=风格/格式（JSON/XML 便于解析）。
2. 优化方向 & 写作技巧
优化：① 指示限制补充 ② Few-Shot 鲜明例子 ③ 思维链 CoT（一步步思考）④ 选推理模型。
技巧：角色设定 · Few-shot（2-3 高质量示例比长指令有效）· CoT（Let's think step by step）· 结构化（Markdown 标题/分隔符/XML 标签明确边界）· 限定输出（别废话、直接 JSON）。
3. 字数分配
过长导致 Lost in the Middle + 增成本。
- Task/Role：约 200 字，明确身份（"资深高考数学命题专家"）。
- Constraints 负向约束：约 300 字，极重要（"严禁超纲""严禁输出 JSON 外任何解释"）。
- Few-Shot：占大头 1000-2000 字，2-3 正例 + 1 典型反例（说明为什么错）。
4. Lost in the Middle
模型对 Prompt 开头和结尾最敏感，中间最易忽略（U 型曲线）。策略：重要指令/变量放开头或结尾；长上下文检索把最相关片段放两端。
5. Prompt Caching
对长且重复前缀（长系统指令/长 RAG 上下文/长代码库）缓存 KV Cache。价值：降本（缓存部分约 1/10 费用）+ 增效（降 TTFT）。注意 Anthropic 服务端缓存约 5 分钟失效。
6. 结构化输出
三方式：① JSON Mode 强制 JSON ② Function Calling/Tool Use 输出符合 Schema 参数 ③ JSON Schema（OpenAI 最新，保证 100% 符合结构）。
少括号/多符号解析报错闭环：① 前置硬约束（Structured Outputs/JSON Mode + Pydantic Schema）② Prompt 防御（禁 Markdown 代码块包裹、长文本字段禁未转义换行、统一各学科 JSON 规范）③ 后置容错（json_repair 库自动修复缺括号/漏逗号）。
7. 防泄答 / 控制输出（苏格拉底场景）
Few-shot 注入正反例明确禁止输出 Answer + System Prompt 角色隔离 + 状态机控制（把题目拆固定步骤，每次只针对当前步骤提问，后端校验通过才推进）。Prompt 和代码双层锁死答案。
8. 超长提示词处理
① 文档分块（段落/章节/语义单元，滑动窗口保连续）② 关键信息提取（TF-IDF/TextRank）③ 摘要压缩 ④ 用长窗口模型（Gemini 1.5 Pro 1M）。
9. CoT 变体全谱系
CoT（思维链）之外还有一整套变体，面试问"了解哪些提示技巧"时能展开就是加分：
- Zero-shot-CoT：问题结尾加"Let's think step by step"即触发推理链，无需示例。
- Few-shot-CoT：示例里同时给答案 + 推导过程；缺点是结果易受示例波动不稳定。
- Self-Consistency 自洽：同一问题多次采样多条推理路径，对最终答案投票取多数，比单条 CoT 更稳（也是幻觉缓解手段）。
- Least-to-Most（LtM）：先把问题分解成子问题序列，再逐个求解且前一答案喂给后一子问题。
- ToT 思维树 / GoT 思维图 / AoT 思维算法：把单链推理扩展成树/图/搜索（详见 03-Agent §4b）。
- 共同局限：都需人工写 instruction 和 in-context example，属 prompt 工程——自动化 prompt 是未来方向。
评论