以下是提示词的主要种类及其适用任务，基于大模型特性与最佳实践总结：
一、基础提示词
-
零样本提示（Zero-shot Prompting）
- 形式：直接输入任务指令，不提供示例（如“翻译以下句子：Hello world”）。
- 适用任务：简单问答、基础文本生成、通用分类任务。
-
少样本提示（Few-shot Prompting）
- 形式：提供少量示例引导模型理解任务（如“示例1: A→B；示例2: C→D；请处理X→？”）。
- 适用任务：需要上下文学习的复杂任务（如专业术语翻译、特定格式生成）。
二、结构化推理提示
-
思维链（Chain-of-Thought, CoT）
- 形式：要求模型分步骤输出推理过程（如“请逐步解答：若A=B，B=C，则A=？”）。
- 适用任务：数学计算、逻辑推理、多步问题解决（性能提升达39%）。
-
自我一致性（Self-Consistency）
- 形式：生成多个推理路径后选择最一致答案。
- 适用任务：复杂数学问题、常识推理（准确率提升3-11%）。
-
符号链（Chain-of-Symbol, CoS）
- 形式：用符号而非自然语言描述推理步骤（如用数学符号替代文字）。
- 适用任务：空间推理、符号逻辑问题（准确率提升60%）。
三、领域优化提示
-
系统提示词
- 形式：预设模型行为规则（如“你是一名医生，用专业术语回答”）。
- 适用任务：垂直领域任务（医疗咨询、法律分析、企业客服）。
-
角色扮演提示
- 形式：赋予模型特定角色（如“假设你是运维工程师，分析服务器故障”）。
- 适用任务：场景化交互（技术支持、剧本创作、客户服务）。
四、任务拆解提示
-
分步指令（Step-by-Step）
- 形式：将任务分解为子步骤（如“第一步分析数据，第二步生成图表”）。
- 适用任务：自动化脚本编写、复杂流程处理。
-
从简到繁（Least-to-Most）
- 形式：先拆分问题再依次解决（如“先解释概念，再推导公式”）。
- 适用任务：教学问答、知识科普。
五、输出控制提示
-
格式约束
- 形式：指定输出格式（如“用Markdown表格总结”）。
- 适用任务：结构化数据生成、报告撰写。
-
术语强化
- 形式：明确使用专业词汇（如“用Java内存管理术语解释”）。
- 适用任务：技术文档生成、学术写作。
选择建议
- 数学/逻辑任务：优先CoT或自我一致性。
- 垂直领域任务：系统提示词+角色扮演。
- 长文本生成：分步指令+术语强化。
