（2）大模型的提示词工程实践技巧---七大提示技巧

零样本提示（zero-shot）

零样本提示是最简单也是最直观的提示方式：你只需向AI模型描述任务，无需提供任何示例。

实战案例：电影评论分类

让我们通过一个具体例子来理解零样本提示的工作原理。假设我们想用AI对电影评论进行情感分析：

任务设计框架

• 目标：将电影评论分类为正面、中性或负面
• 模型：gemini-pro
• 温度设置：0.1（保持输出的一致性）
• 输出限制：5个token

提示格式

将电影评论分类为正面、中性或负面。

评论："她"是一项令人不安的研究，揭示了如果允许人工智能不受约束地持续进化，人类将走向何方。我希望有更多像这部杰作一样的电影。

情绪：

关键点在于，我们并没有告诉AI如何判断正面或负面评论，也没有提供任何示例。我们只是给出了分类的范围（正面、中性、负面），然后让AI自己判断这段评论属于哪一类。

模型输出

POSITIVE

单样本与少样本（One-shot & few-shot)

与零样本提示不同，单样本(One-shot)和少样本(Few-shot)提示通过提供具体示例来引导AI模型：

• 单样本提示：提供一个示例，展示期望的输出格式或结构
• 少样本提示：提供多个示例（通常3-5个），帮助模型更好地理解模式

实战案例：披萨订单的JSON解析

让我们看一个将披萨订单解析为JSON格式的实际例子：

提示格式：

将披萨订单解析为有效的JSON格式。

示例1：
输入："我想要一个大号披萨，配料有番茄酱、罗勒和马苏里拉奶酪"
输出：{
  "size": "large",
  "ingredients": ["tomato sauce", "basil", "mozzarella cheese"]
}

示例2：
输入："我想要一个大号披萨，一半是奶酪，一半是番茄酱、火腿加菠萝"
输出：{
  "size": "large",
  "half1": {
    "ingredients": ["cheese"]
  },
  "half2": {
    "ingredients": ["tomato sauce", "ham", "pineapple"]
  }
}

现在解析：
输入："我想要两个中号披萨，一个是蘑菇和青椒，另一个是意大利香肠和橄榄"

思维链（Chain-of-Thought, CoT）

思维链提示是一种引导AI模型生成中间推理步骤的技术，通过让AI"说出"其思考过程，来提高回答的准确性。
该提示框架可以做到不用微调模型就可以做到让模型深度思考。

CoT与今天的模型深度思考过程是非常类似的，比如deepseek的深度思考过程

实战案例：伴侣多少岁了

反面案例：没有思维链的提示

问题：当我3岁时，我的伴侣是我年龄的3倍。现在，我20岁了。我的伴侣多大了？

AI回答