1. 基础提示范式

涵盖零样本、少样本及单样本提示策略，是大模型交互的底层逻辑。通过不同的样本输入方式，为模型提供必要的上下文参考，从而确定初始响应的边界与方向。

• 1.1零样本提示
• 1.2少样本提示
• 1.3单样本提示

不再赘述，基本就是字面意思：是否有样本提示。

2. 逻辑推理类技术

核心包含思维链、零样本思维链与自洽思维链。引导模型像人类一样分步拆解复杂问题，通过中间推理步骤的显性化，显著提升对数学、逻辑等复杂任务的解答准确性。

2.1 思维链提示

2.2零样本思维链

2.3自洽思维链

3. 结构化可控生成

利用角色提示、格式强制与约束提示手段，对模型输出进行精准管控。确保生成内容严格遵循预设的格式规范、角色身份与业务规则，让AI输出结果可被直接应用。

3.1角色提示

3.2格式强制提示

3.3约束提示

4. 自我修正与增强类技术

引入自我修正、复述确认与多轮拆解机制，构建闭环优化流程。模型通过生成、检查、反馈、再生成的迭代循环，自动发现并修正初始回答中的错误与偏差，大幅提升内容的严谨性与可靠性，适用于对准确性要求极高的任务场景。

4.1 自我修正

4.2复述确认

4.3多轮拆解

5. 高阶推理技术

融合树状思考、图思考与检索增强生成(RAG)等前沿方法。突破基础推理的局限性，结合外部知识库与复杂的结构性分析，解决高难度、多约束的实际业务问题。这类技术让模型具备更深度的问题解构能力，是处理复杂决策与专业咨询任务的关键。

5.1树状思考

5.2 思考图

5.3 检索增强生成（RAG-Prompting）

• 核心思想：检索先行，生成在后
• 核心价值：企业级落地的关键解方

6. 提示词自动化

•