Prompt 进阶技巧
Few-Shot / CoT / 约束条件 / 任务拆解，好坏对比交互演示
本页解决的问题
先给结论「Prompt 进阶技巧」要解决的关键问题是什么？
Few-Shot / CoT / 约束条件 / 任务拆解，好坏对比交互演示
让这个结论先证明自己值得留下。 把这一页当成决策工具，而不是需要背下来的定义。把概念连到一个真实任务、一个可观察结果，以及一个能改变你判断的失败上。
写下一个问题：试完这个方法后，你能用什么证据回答它？
结论听起来很完整，却没有检查最关键的假设。
缺少任何一项，质量就会打折扣。把 Prompt 当代码写：加约束、加示例、加测试用例。
「四个进阶技巧」怎样变成可执行的指令
「缺少任何一项，质量就会打折扣。把 Prompt 当代码写：加约束、加示例、加测试用例」强调的不是某句神奇咒语，而是信息是否足够让模型判断“为谁做、要完成什么、什么结果算合格”。
背景决定方向，限制决定边界
从「缺少任何一项，质量就会打折扣。把 Prompt 当代码写：加约束、加示例、加测试用例」可以看出，一个有效请求至少要把任务、受众、输入材料、输出形式和限制条件分开。少了背景，模型只能猜；少了验收标准，即使文字流畅也无法判断是否完成任务。
继续加字不一定继续变好
把「缺少任何一项，质量就会打折扣。把 Prompt 当代码写：加约束、加示例、加测试用例」变成一个小练习：只改背景、要求、限制中的一项，保留其他内容不动，观察哪一层真正改变了结果。
从「四个进阶技巧」走到「实时对比演示」
「四个进阶技巧」先把问题落在「01 少样本示例（Few-Shot） 给几个例子，模型就懂格式和标准 02 思维链（Chain of Thought） 让模型逐步推理，准确率大幅提升 03 约束条件（Constraints） 字数、语气、格式、禁用词… 04 分而治之（Task Decomposition） 复杂任务拆步骤，每步单独优化」上；到了「实时对比演示」，讨论继续推进到「01 · 少样本示例（Few-Shot）— 实时对比演示 ❌ 差 Prompt（不加示例） ✅ 好 Prompt（加示例） ▶ 开始对比演示 重置」。两段连起来，重点就不只是记住一个结论，而是看清它成立所依赖的条件。
把这条判断带到下一个场景
写请求时也应逐层补齐：先说任务和受众，再给材料和输出要求，最后加上限制与验收方式；一次只改变一层，才能知道哪项信息起了作用。
- 「四个进阶技巧」：01 少样本示例（Few-Shot） 给几个例子，模型就懂格式和标准 02 思维链（Chain of Thought） 让模型逐步推理，准确率大幅提升 03 约束条件（Constraints） 字数、语气、格式、禁用词… 04 分而治之（Task Decomposition） 复杂任务拆步骤，每步单独优化
- 「实时对比演示」：01 · 少样本示例（Few-Shot）— 实时对比演示 ❌ 差 Prompt（不加示例） ✅ 好 Prompt（加示例） ▶ 开始对比演示 重置
- 「万能公式」：缺少任何一项，质量就会打折扣。把 Prompt 当代码写：加约束、加示例、加测试用例
最后的「万能公式」把讨论落到「缺少任何一项，质量就会打折扣。把 Prompt 当代码写：加约束、加示例、加测试用例」。回看这条线索时，最值得保留的是：当输入、规模或风险改变，哪些判断需要重新做一遍。
我把这篇文章里的一个判断改写成了今天可以验证的小实验。比记住结论更有用的是，知道下一步要观察什么。
读完以后我先回头找它成立的条件，而不是直接把方法搬进项目。这个顺序让后面的取舍清楚很多。
如果把这个判断放到真实工作里，最先需要补的约束是什么？我想知道从阅读到第一次实践之间，哪一步最值得先做。
还没有这篇文章的讨论。