1. 基礎策略：利用上下文學習 (In-Context Learning)

提示工程是一種設計和優化輸入指令（Prompt）的藝術與科學。它是 LLM 時代的新編程方式，目的在於不改變模型權重（不微調）的前提下，最大化地激發模型的潛能。以下兩種策略是利用 LLM 上下文學習能力的基礎，決定了模型對任務格式和要求的適應程度。

🔹 Zero-shot Prompting (零樣本提示)

• 定義：只提供任務指令或問題，不提供任何範例。模型完全依賴其在預訓練階段學到的廣泛知識來完成任務。
• 應用：適合簡單、直接、常見的任務，或當您手邊沒有任何範例資料時。
• 範例：

  「請將以下句子翻譯成英文：『我今天心情很好。』」

🔹 Few-shot Prompting (少樣本提示)

• 定義：在提示中提供數個高品質的輸入與輸出的範例，幫助模型學習任務的輸入與輸出的模式、格式或特定規則。
• 優點：能顯著提升模型在特定任務上的準確率，讓模型在沒有微調的情況下，快速適應特定的格式和細微規則。
• 範例：

  中文：我今天心情很好。
  英文：I am in a good mood today.

  中文：明天可能會下雨。
  英文：It might rain tomorrow.

  中文：我想去看電影。
  英文：

2. 進階策略：解鎖複雜推理能力

當任務涉及多步驟推理、邏輯判斷或複雜計算時，我們需要引導模型**「思考」**。

🔹 Chain-of-Thought (CoT) / 思維鏈

CoT 是目前解鎖 LLM 複雜推理能力的最重要技術。

• 定義：明確要求模型在給出最終答案之前，先寫出它的思考步驟和中間推理過程。
• 作用：這個逐步推理的過程，為模型提供了一條清晰的推理路徑，能夠有效克服 LLM 在數學、邏輯推理等複雜任務上的盲點。
• 範例 (零樣本 CoT)：

  Prompt： 「如果小明有 5 個蘋果，他拿走 2 個，又從媽媽那裡得到 3 個。他現在有幾個蘋果？請逐步推理。」

  • 模型輸出：籃子原本有 5 個蘋果。拿走 2 個，剩下 5-2=3 個。又得到 3 個，所以 3+3=6 個。答案：6

🔹 Self-Consistency (自洽性)

Self-Consistency 是一種提高 CoT 答案可靠性的解碼與投票策略。

• 定義：不只執行一次推理，而是讓模型產生多個不同的 CoT 推理路徑（即多個潛在答案），然後將這些路徑的最終答案進行投票或取眾數。
• 優勢：能克服單一 CoT 路徑可能出現的偶然錯誤，顯著提高複雜推理任務的準確性和魯棒性。
• 流程：
  1. 給予問題並要求 CoT 推理。
  2. 讓模型生成N個獨立的推理結果。
  3. 從N個結果中，選出投票數最高的答案作為最終輸出。

總結