提示工程高级技巧
964 字
5 分钟
提示工程高级技巧
一、零样本与少样本提示
1-1 Zero-Shot(零样本)
模型直接根据指令执行任务,无需任何示例。适用于指令遵循能力强的预训练模型,输出稳定性高度依赖温度设置。
- 0.0-0.2 事实类/推理类:高稳定性,输出稳定
- 0.3-0.7 通用任务:兼顾准确度与表达多样性
- 0.8-1.0 创意任务:强随机性,激发模型联想力
1-2 Few-Shot(少样本)
通过提供1-10个”输入-输出“示例,激活模型的上下文学习(In-context Learning)机制,使其学习特定的模式。
- 规范格式:强制模型学习特定的JSON或文件输出结构。
- 对齐风格:模仿特定的语气、术语习惯或翻译风格。
- 示例数量:1个示例是起步,复杂任务建议3-5个示例。
1-3 代码示例
1-3-1 零样本情感分类代码示例
import osfrom openai import OpenAIfrom dotenv import load_dotenv# 加载.env文件的 DEEPSEEK_API_KEY="你申请的sk-xxx"load_dotenv()
deepseek_api_key = os.getenv('DEEPSEEK_API_KEY')# os.getenv 从当前项目的.env文件中获取API keyclient = OpenAI( api_key=deepseek_api_key, base_url="https://api.deepseek.com",)
# 零样本情感分类prompt = """将文本分类为中性、负面或正面。文本:我认为这次假期人太多。情感:"""
# 打印提示词# print(prompt)
def get_completion(prompt, model="deepseek-v4-pro"): messages=[{"role": "user", "content": prompt}] response = client.chat.completions.create( model=model, messages=messages, temperature=0, # 模型输出的随机性,0表示随机性最小 ) # 打印返回值 # print(response) return response.choices[0].message.content# 打印最终输出结果print(get_completion(prompt))控制台输出结果

1-3-2 少样本代码示例
将提示词改为
# 少样本prompt = """1.视频:这是一段对于视频的描述。2.音频:这是一段对于音频的描述。3.文本:这是一段对于文本的描述。4.图片:这是一段对于图片的描述。
请把上面4段话各自的开头几个词,翻译成英文,并按序号输出。"""控制台输出的结果带:

想要去掉:,在提示词中加上”例如,第一段话的开头是”视频”,那么就输出”Video”“这段话即可
# 少样本prompt = """1.视频:这是一段对于视频的描述。2.音频:这是一段对于音频的描述。3.文本:这是一段对于文本的描述。4.图片:这是一段对于图片的描述。
请把上面4段话各自的开头几个词,翻译成英文,并按序号输出。例如,第一段话的开头是"视频",那么就输出"Video""""
二、思维链(CoT)
思维链 Chain of Tought
通过中间推理步骤引导模型,将复杂问题拆解为线性逻辑序列,显著提升逻辑、数学与常识推理能力。
- 显示推理:将求解过程展示给模型,启用上下文学习(Few-shot CoT)。
- 零样本引导:利用”让我们逐步思考“激发模型原生推理潜力(Zero-shot CoT)。
- 适用场景:需要中间计算或多环节判断的确定性任务。
2-1 示例
修改提示词
# 零样本COT提示prompt = """我去市场买了8个香蕉,我给了邻居2个香蕉,又给了妹妹2个香蕉。然后我自己吃了一个香蕉又去买了3个香蕉。我还剩下几个香蕉?让我们逐步思考"""控制台输出结果

将”让我们逐步思考”这句话去掉后
# 零样本COT提示prompt = """我去市场买了8个香蕉,我给了邻居2个香蕉,又给了妹妹2个香蕉。然后我自己吃了一个香蕉又去买了3个香蕉。我还剩下几个香蕉?"""控制台输出结果

支持与分享
如果这篇文章对你有帮助,欢迎分享给更多人或打赏支持!












