大语言模型提示词技术：CoT、ReAct与DSP详解

在人工智能与自然语言处理飞速发展的今天，大型语言模型（LLMs）已成为信息处理与智能交互的核心工具。然而，模型的强大能力并非与生俱来的“魔法”，其性能的发挥很大程度上取决于人类如何与之沟通——这就是提示词工程（Prompting）的核心价值。提示词不仅决定了模型对任务的理解程度，影响其推理路径，更直接关系到输出结果的实用性与可靠性。

随着模型能力的不断增强，它们能够处理的任务复杂度呈指数级提升，但前提是我们能提供精准、结构化的指令。在众多提示词技术中，思维链（Chain-of-Thought，简称CoT）、ReAct和声明式自提示（Declarative Self-Prompting，简称DSP）脱颖而出，成为解决复杂任务的三大核心框架。本文将深入解析这三种技术的原理、适用场景与实践方法，帮助读者掌握与大语言模型高效协作的关键能力。

一、思维链（Chain-of-Thought，CoT）：让模型“逐步推理”

技术本质：模拟人类的“解题过程”

思维链提示词技术的核心在于引导模型在给出最终答案前，明确展示推理步骤——就像学生在做数学题时“写出解题过程”一样。这种方式打破了传统提示词中“直接输出答案”的模式，强制模型将复杂问题拆解为一系列逻辑连贯的子步骤，从而降低推理误差。

例如，在解决“航班到达时间”这类涉及多步计算的问题时，CoT会引导模型依次处理“出发时间→第一段航程结束时间→中转停留时间→第二段航程结束时间”的逻辑链条，而非直接跳跃到结果。这种“慢思考”的模式，恰好弥补了大语言模型在复杂推理中容易“走捷径”导致错误的缺陷。

适用场景：依赖内部知识的逻辑推理任务

CoT特别适合以下几类任务：

• 逻辑谜题（如“谁是凶手”类推理题）

• 数学问题（包括代数运算、几何证明等）

• 文字应用题（如行程问题、利润计算等）

• 无需外部工具支持的一般性推理任务

以数学问题为例，当面对“一个书架有3层，每层比上一层多2本书，总共有30本书，最上层有多少本？”这类题目时，直接让模型输出答案可能会因计算步骤省略而出错，而CoT通过“设未知数→列方程→求解”的分步推理，能显著提升正确率。

实践案例：航班到达时间计算

问题：某航班上午11:50出发，中转停留1小时15分钟，第二段航程耗时3小时40分钟，最终到达时间是多少？

CoT提示词：

让我们一步步思考：
- 航班出发时间为上午11:50。
- 第一段航程结束后，到达中转机场的时间为11:50 + 1小时15分钟 = 下午1:05。
- 加上中转停留时间1小时15分钟，出发前往最终目的地的时间为1:05 + 1小时15分钟 = 下午2:20。
- 第