五大核心提示技巧

Sander 强调：最好的学习方式是 trial and error（试错的收获超过任何课程/资料）。但如果只推荐可落地的技术，按顺序是：

1. Few-shot prompting（给例子）——回报最高、最简单。给 AI 几个"好长什么样"的示例，比用语言描述风格有效得多。可以只给输出示例（如 10 个好标题），也可给"输入→输出"配对。术语：zero-shot=0 例，one-shot=1 例，few-shot=多例。
2. Decomposition（分解）。让模型先别答，先列出"要先解决哪些子问题（subproblems）"，再逐个解决、最后汇总。推荐用语就是 "What are the subproblems that need to be solved first?"。与 chain-of-thought 不同：分解出的子问题可以分发给不同的 tool-calling agent（例：汽车退货政策查询——先查是否客户、车型、购买日期、保险，再综合判断）。
3. Self-criticism（自我批评）。让模型先解答 → 再让它 "check your response / criticize it" → 再让它 "implement that" 重写。近乎"免费的性能提升"。作者一般最多迭代 3 次，再多模型会"发疯"。
4. Additional information / context（补充信息）。把与任务相关的一切背景塞进去（写邮件就给工作履历+个人简介；做公司数据分析就给公司画像）。作者建议放在 prompt 开头：一是可被 provider 缓存、降低后续调用成本；二是放结尾且过长时模型可能忘记原任务、误抓补充信息里的问题来答。对话场景可以"能塞就塞"；产品场景要权衡 token 成本与延迟。
5. Ensembling（集成）——进阶。同一个问题用多个 prompt/角色/模型分别解答，取"出现最频繁的答案"（多数投票）。经典例子 mixture-of-reasoning-experts：让不同"专家"（英语教授、足球史学家、联网检索）各答一遍再取多数。类比经典 ML 的 random forest。主要用于可程序化评估准确率的任务（数学/推理）。

关于 chain-of-thought（"think step by step"）：归为 thought generation。推理模型（如 o3）默认已做，无需再加；但用 GPT-4/4o 这类非推理模型、且跑大规模输入时，仍值得显式加"写出你的推理"——因为约 1/100 的情况它会跳过推理直接给答案，显式提示能保证鲁棒性。

关于格式：few-shot 用"LLM 熟悉的常见格式"最好（XML、或 Q:/A: 这种 NLP 经典格式均可）——实证显示训练数据里最常见的问法格式，就是 prompt 时最有效的格式。补充信息本身通常不需要结构化标签，直接塞即可。