上图展示了 DeepSeek 的能力分布。从图中可以看出，LLM 大语言模型已具备多种能力。作为人类，我们该如何更好地加以利用？
目前，大多数 LLM 模型主要通过对话形式提供服务，因此，如何与其高效交流成为关键。而在这一过程中，掌握“提示语”（Prompt）的艺术尤为重要。
提示语（Prompt）是用户输入给AI系统的指令或信息，用于引导AI生成特定的输出或执行特定的任务 。
在我们与 AI 进行“对话”时，所使用的语言被称为提示语（Prompt） 。它可以是一个简单直接的问题，也可以是一系列详细的指令，甚至是对复杂任务的具体描述。
在深入探讨如何更高效地使用提示语之前，让我们先了解两种主要类型的大语言模型：推理模型和非推理模型。
1 大语言模型的分类
我们可以将大语言模型简单地分为推理模型和通用模型。
- 推理模型（Reasoning Model） ：专注于逻辑推理、数学计算、代码分析等任务，强调深度思考和多步推理能力。这类模型通常用于解决复杂问题，如数学解题、法律分析或科学研究。典型代表DeepSeek-R1, GPT-o3, Kimi K1.5 长思考模型, 以及 GLM 4 Plus（智谱清言）。
- 通用模型（General Model） ：更侧重于广泛的知识覆盖和多功能应用，可用于文本生成、对话交流、内容创作等任务。这类模型通常用于客服、写作助手、翻译等日常应用场景。代表性的例子包括GPT-3、GPT-4（由OpenAI开发），BERT（来自Google），还有Kimi+ 和 GLM-4（同样出自智谱清言）。
总结来看，
| 比较维度 | 推理模型 | 通用模型 |
|---|---|---|
| 擅长任务 | 在特定领域（例如数学推理、逻辑分析、代码生成及复杂问题分解等）,因为经过了专门训练，表现优于通用模型 | 通用场景更灵活，可满足日常需要，例如文本生成、创意写作、多轮对话、开放性问答。但专项任务可能需要通过详细的提示来增强其性能。 |
| 提示语策略 | - 简洁明确，只需明确任务目标和需求（因其已内化推理逻辑） - 无需逐步指导，模型自动生成结构化推理过程（若强行拆解步骤，反而可能限制其能力） | - 需要详细引导推理步骤（例如使用CoT方法），否则可能跳过关键逻辑。 - 依赖提示语补偿能力短板（如要求分步思考、提供示例） |
我们所说的 “CoT 提示” ，实际上是 “Chain of Thought”（思维链） 的简称。它类似于我们在教小朋友解决问题时所采用的方法——一步一步地分享自己的思考过程。这种方式不仅能让别人理解答案的推导过程，还能帮助他们培养独立思考的能力。
举个例子：
“如果你有 5 块糖，并且想要把它们分给两位朋友，每位朋友各分得一块，那么最后你还剩下多少块？”
可以用 思维链 的方式这样解释：
- 起初，你手上有 5 块 糖果。
- 你先给第一个朋友 1 块糖，这时你还剩下 4 块。
- 接着，再给第二个朋友 1 块糖，这时候你就只剩下 3 块 了。
在这个过程中，每一步都清晰地表达了当前的状态和下一步的推理，让听者能够顺着思路理解问题的解决过程。
这种方法在 AI 提示工程中同样适用。通过引导 AI 按照 逐步推理 的方式作答，可以提高答案的准确性和可解释性，尤其适用于数学推理、逻辑分析和复杂任务拆解等场景。
知识点 [3]
- 模型选择：优先根据任务类型而非模型热度选择（如数学任务选推理模型，创意任务选通用模型）
- 提示语设计：
- 推理模型：简洁指令，聚焦目标，信任其内化能力。（“要什么直接说”）
- 通用模型：结构化、补偿性引导（“缺什么补什么”），一步步引导。
- 避免误区
- 不要对推理模型使用“启发式”提示（如角色扮演），可能干扰其逻辑主线。
- 不要对通用模型“过度信任”（如直接询问复杂推理问题，需分步验证结果）。
2 提示语的基本结构
提示语（Prompt） ，也称为提示词，是与 AI 交互时用于引导其生成内容的指令。一个有效的提示语通常包含以下几个关键要素：
核心要素
- 指令（Instruction） ：提示语的核心部分，明确告诉模型你需要什么样的内容。例如，一篇科技新闻、一段励志散文，或者一个创意故事。
- 上下文（Context）或背景信息：提供必要的背景信息，帮助模型更好地理解你的需求，使生成的内容更加连贯和相关。
- 期望（Expectation）或要求：明确或隐含地表达你对 AI 输出的要求，例如内容的格式、详细程度、信息来源等。
可选的扩展要素
- 角色（Role） ：可以为 AI 设定一个角色，如“资深记者”“营销专家”或“儿童故事讲述者”，让 AI 以特定身份进行回答。注意，角色不适用于推理类的模型。
- 风格与语气（Style & Tone） ：指定生成内容的风格（如正式、幽默、温馨）和语气（如积极、中立、消极），确保输出符合预期。
- 约束条件（Constraints） ：设定具体限制，如字数要求、必须包含的关键词、避免提及的内容等，以更精准地控制生成结果。
举个例子
普通提示语：
"写一篇关于人工智能发展的文章。"
优化后的提示语（包含多个要素）：
"作为一名科技专栏作家，请撰写一篇关于人工智能发展的文章，聚焦大语言模型的创新进展。文章应保持正式且专业的语气，字数在 800-1000 字之间，并包含至少两个具体的技术案例。"
通过优化提示语，我们可以更精准地引导 AI 生成符合需求的内容，从而提升交互的效率和质量。
3 一个完整的示例
题目：你是一名书法爱好者，写钢笔，现在创作一幅作品，送给朋友，作品纸有长（14）*宽（8）个格子，于是你希望用文本大模型找一首16行的七言古代诗歌（一行7个字），内容积极向上、充满乐观。尝试一下，完成这项任务。 注：书法创作一般不写标点符号，一般从右往左写
我们以智谱清言的 GLM-4 模型来演示， 首先，直接将问题丢给通用大模型，看看效果如何。
从附图中可以看出，给出的结果不是我们想要的。 接着，我们尝试按照提示语关键要素的形式将题目进行转换。
角色：你是一位书法爱好者，擅长使用钢笔进行创作。
背景：为朋友创作一幅书法作品作为礼物。
要求：
（1）作品纸张规格：长14个格子，宽8个格子。
（2）书法传统：不使用标点符号，书写顺序从右往左。
（3）诗歌必须为古代七言诗、严禁包含任何消极或悲观内容、不添加现代标点符号。
（4）输出格式：文本形式呈现诗歌内容。每行7个字，从右往左（从右边的第一个字开始写，然后依次向左书写，直到写完一行。当一行写完后，再从右边开始写下一行，依此类推），共16行。
示例（假设生成的诗歌）：
路无疑复水重山
村一又明花暗柳
舞自蜂开花暖春
疾蹄马爽气高秋
...
看看通用大模型给出的回答，
内容对了，但是格式不对，要求的是从右往左书写，但是给出的是从左往右。继续对话，
