提示词工程有哪些常用的提示词类型？

1. 零样本提示（Zero-Shot Prompting）

直接通过自然语言指令描述任务目标，无需提供任何示例。用于验证大语言模型（LLM）的泛化能力和基础语义理解水平。例如："将以下中文合同条款翻译成西班牙语：'买方应在货物交付后30天内完成付款'"。

2. 少样本提示（Few-Shot Prompting）

提供1-5个示例样本，引导模型学习特定格式、风格或逻辑范式。用于提升特定任务的准确性，尤其是在需要特定输出格式或模仿某种模式时。例如：提供2-3个输入-输出对，让模型学习期望的模式。

3. 思维链提示（Chain-of-Thought Prompting）

要求模型在给出答案前，先逐步推理一遍。在数学和逻辑任务上带来显著提升。例如：在提示词末尾加一句"请逐步推理"、"Let's think step by step"。

4. 思维树提示（Tree-of-Thought Prompting）

让模型同时探索多条推理路径并打分，选择最佳路径。适用于硬组合任务（调度、游戏类谜题、多约束写作）。但成本较高——需要为多个并行补全付费。

5. ReAct（Reasoning + Acting）

将推理步骤（模型思考）与行动步骤（模型调用工具或检索信息）交替进行。是大多数现代智能体框架的基础，用于需要外部数据（搜索、数据库查询、API调用）的任务。

6. 角色提示（Role Prompting）

指定LLM扮演一个特定的角色或人物，影响模型的语气、词汇、风格和思考角度。例如："你是一位资深的数据分析师..."

7. 自我一致性提示（Self-Consistency Prompting）

让AI生成多条推理路径，然后选最一致的那个答案。根据行业实践，准确率能提升20-30%（估算，基于多次推理取多数票的机制）。