一、推理模型
推理模型： 推理大模型是指能够在传统的大语言模型基础上，强化推理、逻辑分析和决策能力的模型。它们通常具备额外的技术，比如强化学习、神经符号推理、元学习等，来增强其推理和问题解决能力。
- 例如：DeepSeek-R1，GPT-o3在逻辑推理、数学推理和实时问题解决方面表现突出。
通用模型： 适用于大多数任务，非推理大模型一般侧重于语言生成、上下文理解和自然语言处理，而不强调深度推理能力。此类模型通常通过对大量文本数据的训练，掌握语言规律并能够生成合适的内容，但缺乏像推理模型那样复杂的推理和决策能力。
- 例如：GPT-3、GPT-4（OpenAI），BERT（Google），主要用于语言生成、语言理解、文本分类、翻译等任务。
| 维度 | 推理模型 | 通用模型 |
|---|---|---|
| 优势领域 | 数学推导、逻辑分析、代码生成、复杂问题拆解 | 文本生成、创意写作、多轮对话、开放性问答 |
| 劣势领域 | 发散性任务（如诗歌创作） | 需要严格逻辑链的任务（如数学证明） |
| 性能本质 | 专精于逻辑密度高的任务 | 擅长多样性高的任务 |
| 强弱判断 | 并非全面更强，仅在其训练目标领域显著优于通用模型 | 通用场景更灵活，但专项任务需依赖提示语补偿能力 |
二、快思慢想
CoT链式思维的出现将大模型分为了两类：“概率预测（快速反应）”模型和“链式推理（慢速思考）”模型。前者适合快速反馈，处理即时任务；后者通过推理解决复杂问题。了解它们的差异有助于根据任务需求选择合适的模型，实现最佳效果。
三、提示语策略
四、关键原则
五、任务需求与提示语策略
六、从“下达指令”到“表达需求”
| 策略类型 | 定义与目标 | 适用场景 | 示例（推理模型适用） | 优势与风险 |
|---|---|---|---|---|
| 指令驱动 | 直接给出明确步骤或格式要求 | 简单任务、需快速执行 | “用Python编写快速排序函数，输出需包含注释。” | ✅ 结果精准高效 ❌ 限制模型自主优化空间 |
| 需求导向 | 描述问题背景与目标，由模型规划解决路径 | 复杂问题、需模型自主推理 | “我需要优化用户登录流程，请分析当前瓶颈并提出3种方案。” | ✅ 激发模型深层推理 ❌ 需清晰定义需求边界 |
| 混合模式 | 结合需求描述与关键约束条件 | 平衡灵活性与可控性 | “设计一个杭州三日游计划，要求包含西湖和灵隐寺，且预算控制在2000元内。” | ✅ 兼顾目标与细节 ❌ 需避免过度约束 |
| 启发式提问 | 通过提问引导模型主动思考（如“为什么”“如何”） | 探索性问题、需模型解释逻辑 | “为什么选择梯度下降法解决此优化问题？请对比其他算法。” | ✅ 触发模型自解释能力 ❌ 可能偏离核心目标 |
七、如何向AI表达需求
| 需求类型 | 特点 | 需求表达公式 | 推理模型适配策略 | 通用模型适配策略 |
|---|---|---|---|---|
| 决策需求 | 需权衡选项、评估风险、选择最优解 | 目标 + 选项 + 评估标准 | 要求逻辑推演和量化分析 | 直接建议，依赖模型经验归纳 |
| 分析需求 | 需深度理解数据/信息、发现模式或因果关系 | 问题 + 数据/信息 + 分析方法 | 触发因果链推导与假设验证 | 表层总结或分类 |
| 创造性需求 | 需生成新颖内容（文本/设计/方案） | 主题 + 风格/约束 + 创新方向 | 结合逻辑框架生成结构化创意 | 自由发散，依赖示例引导 |
| 验证需求 | 需检查逻辑自洽性、数据可靠性或方案可行性 | 结论/方案 + 验证方法 + 风险点 | 自主设计验证路径并排查矛盾 | 简单确认，缺乏深度推演 |
| 执行需求 | 需完成具体操作（代码/计算/流程） | 任务 + 步骤约束 + 输出格式 | 自主优化步骤，兼顾效率与正确性 | 严格按指令执行，无自主优化 |
提示语示例
- 决策需求
"为降低物流成本，现有两种方案： ①自建区域仓库（初期投入高，长期成本低） ②与第三方合作（按需付费，灵活性高） 请根据ROI计算模型，对比5年内的总成本并推荐最优解。"
- 分析需求
"分析近三年新能源汽车销量数据（附CSV），说明： ① 增长趋势与政策关联性； ②预测2025年市占率，需使用ARIMA模型并解释参数选择依据。"
- 创造性需求
"设计一款智能家居产品，要求： ① 解决独居老人安全问题； ② 结合传感器网络和AI预警； ③ 提供三种不同技术路线的原型草图说明。"
- 验证性需求
"以下是某论文结论：'神经网络模型A优于传统方法B'。 请验证： ① 实验数据是否支持该结论； ② 检查对照组设置是否存在偏差； ③ 重新计算p值并判断显著性。"
- 执行需求
"将以下C语言代码转换为Python，要求： ① 保持时间复杂度不变； ② 使用numpy优化数组操作； ③ 输出带时间测试案例的完整代码。"
