进阶提示词分步纠错法

Advanced Prompt Tactics Task Splitting · advanced-prompt-tactics-task-splitting--mike-taylor

解决什么问题

基础 prompt 技巧解决不了复杂任务——AI 常见的错误需要靠"把任务拆成多步、搭一套纠错系统"来弥补,而不是在一个 prompt 里指望它一次性做对。这三个技巧比五个基础技巧更费时间、更难实现(尤其不会写代码时),但在 AI 频繁出错的场景下能带来质的差别。

核心内容

Chain-of-thought(思维链):引导 AI 把复杂问题拆成一步步来"想",获得更有逻辑、更透明、更准确的结果,还能让你看到推理过程、定位逻辑错误。模板:"Think this through step-by-step: [describe problem]。"作者习惯把"做计划"单独拆成一步,先审阅计划再决定怎么继续——即使模型(如 o1-preview)已经内置了推理能力,单独拆出规划步骤依然有价值,因为你可以在执行前否决或修改计划。
Retrieval-augmented generation(RAG,检索增强生成):先检索相关文档(或文档片段),再把它们连同问题一起放进 prompt,让 AI 的回答基于你提供的具体资料而非仅靠训练知识作答。模板:"Based on [relevant document(s)], answer this question: [question]。"尤其适合处理专业主题、小众事件或模型训练数据里未充分覆盖的具体数据集。生产系统中通常靠向量搜索只检索最相关的片段,而不是塞入整份文档。
LLM-as-a-judge(用 AI 当裁判):人工反馈昂贵且慢,于是用一个 AI 模型来评估、打分自己或其他来源产出的内容质量,适合内容审核、质量控制、或从多个 AI 生成结果里选出最好的一个。两步模板:①"Generate [task]。"②"Please rate the output on a scale of 1 to 5 based on [criteria]: [output]. For each rating, provide a brief explanation of the score。"须记住 AI 的判断基于其训练数据,不一定和人类评估完全一致。

适用边界

这三招的共同前提是"把一次性提问变成多步系统",因此更耗时、对不会写代码的人更难落地;但当 AI 在某个任务上持续出错时,这是比"死磕单个完美 prompt"更有效的解法——用结构化交互扬长(生成、检索)避短(单次幻觉、评判偏差)。

关键引述 · 原话

Mike Taylor: "Rather than trying to do it all in one prompt, most professionals in the AI space build a system that corrects for the errors AI models commonly make."

— Mike Taylor

关联卡片

提示工程五核心战术非编码者原型脱困四法 LLM 裁判置信度验证法

- 基础技巧见 `prompt-engineering-five-core-tactics--mike-taylor`。 - Chain-of-thought 中"先出计划再执行"的思路与 `prototyping-unstuck-four-tactics--colin-matthews` 中的 Reflection 策略同源(强制 AI 先给计划、不直接写代码)。 - LLM-as-a-judge 的严谨版本见 `llm-judge-validation-tpr-tnr--husain-shankar`(该卡片提供了如何验证裁判可信度的完整流程,而这里只是基础技巧介绍)。

出处：Mike Taylor (专业 prompt engineer,《Prompt Engineering for Generative AI》作者, Brightpool 创始人) · 02-newsletters/five-proven-prompt-engineering-techniques-and-a-few-more-advanced-tactics.md
提炼自 Lenny Rachitsky 的 Lenny’s Newsletter & Podcast（2019–2026）。本站为个人学习用途的二次创作，与 Lenny’s Newsletter 无官方关联。
provenance · 已核验 · glm-5.2