少样本与思维链

Zero-shot 让模型”裸考”，Few-shot 给它”参考答案”，CoT 让它”写出解题过程”，ToT 让它”探索多条路”。每种技术都解决不同的问题——知道何时用哪个，才是提示工程的核心能力。

类型： 构建 语言： Python 前置条件： Phase 11 Lesson 01（提示工程） 预计时间： ~60 分钟

学习目标

• 理解 Zero-shot、Few-shot、CoT、ToT 的区别和适用场景
• 实现 Self-Consistency 和 ReAct 模式
• 掌握结构化提示和提示链的设计
• 理解各种技术的性能权衡

提示技术对比

Few-Shot 提示

FEW_SHOT_PROMPT = """将电影评论分类为正面或负面：

评论: "这部电影太精彩了，演员演技出色"
情感: 正面

评论: "浪费时间和金钱，剧情无聊"
情感: 负面

评论: "特效不错但故事薄弱"
情感: 负面

评论: "{user_review}"
情感:"""

Few-shot 的关键：示例的顺序、数量和多样性都会影响结果。3-5 个示例通常是最佳范围。

Chain-of-Thought（思维链）

CoT 让模型逐步推理，显著提升数学和逻辑任务的准确率。

标准提示:
Q: 餐厅有 23 个苹果。如果他们用 20 个做午餐，又买了 6 个，他们有多少个苹果？
A: 9

CoT 提示:
Q: 餐厅有 23 个苹果。如果他们用 20 个做午餐，又买了 6 个，他们有多少个苹果？
A: 餐厅原来有 23 个苹果。他们用了 20 个做午餐，所以剩下 23 - 20 = 3 个。
   然后他们又买了 6 个，所以现在有 3 + 6 = 9 个苹果。
   答案是 9。

Zero-shot CoT： 不需要示例，只需在提示末尾加上”让我们一步一步思考”。

Self-Consistency

多次采样 CoT 推理，取多数投票结果：

import asyncio


async def self_consistency(model, prompt, n_samples=5, temperature=0.7):
    """Self-Consistency 推理"""
    tasks = []
    for _ in range(n_samples):
        response = await model.generate(
            prompt + "\n让我们一步一步思考。",
            temperature=temperature,
        )
        tasks.append(response)

    results = await asyncio.gather(*tasks)

    # 提取最终答案
    answers = [extract_final_answer(r) for r in results]

    # 多数投票
    from collections import Counter
    answer_counts = Counter(answers)
    best_answer = answer_counts.most_common(1)[0][0]

    return best_answer, answer_counts

Tree-of-Thought（思维树）

ToT 让模型探索多条推理路径，评估每条路径，选择最优解：

class TreeOfThought:
    """简化的思维树"""

    def __init__(self, model, n_branches=3, max_depth=3):
        self.model = model
        self.n_branches = n_branches
        self.max_depth = max_depth

    async def solve(self, problem):
        """求解问题"""
        return await self._search(problem, "", 0)

    async def _search(self, problem, current_thought, depth):
        if depth >= self.max_depth:
            score = await self._evaluate(problem, current_thought)
            return current_thought, score

        # 生成多个候选思路
        thoughts = await self._generate_thoughts(
            problem, current_thought, self.n_branches)

        # 评估每个思路
        scored_thoughts = []
        for thought in thoughts:
            full_thought = f"{current_thought}\n{thought}" if current_thought else thought
            result, score = await self._search(problem, full_thought, depth + 1)
            scored_thoughts.append((result, score))

        # 选择最高分的路径
        return max(scored_thoughts, key=lambda x: x[1])

    async def _generate_thoughts(self, problem, current, n):
        prompt = f"问题：{problem}\n当前思路：{current}\n生成 {n} 个不同的下一步思路："
        response = await self.model.generate(prompt)
        return response.strip().split('\n')[:n]

    async def _evaluate(self, problem, thought):
        prompt = f"问题：{problem}\n完整思路：{thought}\n这个思路的质量评分（0-10）："
        response = await self.model.generate(prompt, temperature=0)
        try:
            return float(response.strip())
        except ValueError:
            return 0.0

ReAct（推理+行动）

ReAct 交错推理和工具调用：

问题: 2024年奥斯卡最佳影片的导演是谁？

思考: 我需要查找2024年奥斯卡最佳影片的信息。
行动: search("2024 Oscar Best Picture winner")
观察: 《奥本海默》获得2024年奥斯卡最佳影片

思考: 现在我需要查找《奥本海默》的导演。
行动: search("Oppenheimer movie director")
观察: 克里斯托弗·诺兰

思考: 我已经找到了答案。
回答: 2024年奥斯卡最佳影片《奥本海默》的导演是克里斯托弗·诺兰。

提示链

将复杂任务分解为多个子任务的串行提示：

async def prompt_chain(model, user_input):
    """提示链示例：文章写作流程"""

    # Step 1: 生成大纲
    outline = await model.generate(
        f"为以下主题生成文章大纲：{user_input}"
    )

    # Step 2: 扩展每个章节
    sections = []
    for section_title in parse_outline(outline):
        section = await model.generate(
            f"根据大纲，详细撰写以下章节：\n{section_title}\n大纲：{outline}"
        )
        sections.append(section)

    # Step 3: 润色全文
    full_text = "\n\n".join(sections)
    polished = await model.generate(
        f"润色以下文章，确保风格一致、过渡自然：\n{full_text}"
    )

    return polished

关键术语

延伸阅读

• Wei et al., 2022 — “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models” — CoT 原始论文
• Yao et al., 2023 — “Tree of Thoughts: Deliberate Problem Solving with Large Language Models” — ToT 论文
• Yao et al., 2023 — “ReAct: Synergizing Reasoning and Acting in Language Models” — ReAct 论文
• Wang et al., 2022 — “Self-Consistency Improves Chain of Thought Reasoning in Language Models” — Self-Consistency 论文