一、提示词工程概述

1.1 为什么需要高级提示词技术

基础提示词的问题：
- 单次输出质量不稳定
- 复杂任务分解能力差
- 无法自我纠错
- 缺乏系统性

1.2 技术演进路线

Basic → Few-Shot → CoT → ToT → ReAct → DSPy
        简单问答   思维链  思维树  推理执行  编程框架

二、Chain of Thought (CoT)

2.1 原理

通过让模型"展示思考过程"提升推理能力。

CoT Prompt：

问：小明有5个苹果，小红给了他3个，小明现在有多少苹果？
答：小明原来有5个苹果。
     小红又给了他3个苹果。
     5 + 3 = 8
     所以小明现在有8个苹果。

三、Tree of Thoughts (ToT)

3.1 原理

ToT将问题分解为多步探索，每步可以有多条路径，最终选择最优解。

for step in range(self.num_steps):
    thoughts = self.generate_thoughts(problem, candidates)
    evaluated = [self.evaluate(t) for t in thoughts]
    candidates = top_n(evaluated, self.num_thoughts)

四、ReAct框架

4.1 原理

ReAct = Reasoning + Acting，结合推理和工具调用。

Thought → Action → Observation → Thought → ...
推理     执行      观察结果     继续推理

五、DSPy框架

5.1 什么是DSPy

DSPy是斯坦福推出的声明式编程框架，用Python代码表达AI pipeline。

import dspy
cot = dspy.ChainOfThought(GenerateAnswer)
result = cot(question="什么是量子计算?")

六、对比总结

七、实战建议

1. 简单任务：Few-Shot即可

2. 推理任务：CoT

3. 复杂规划：ToT

4. 工具调用：ReAct

5. 生产系统：DSPy