提示词工程（Prompt Engineering）中的核心要素，也就是如何向大语言模型提问，才能得到高质量的回答。
1.指示（Instruction）
它是什么：你想要模型具体执行什么任务。 例子：“翻译这段文字”、“总结这篇文章”、“写一封邮件”、“生成一段Python代码”。
2.上下文（Context）
它是什么：与任务相关的背景信息。 作用：给模型设定范围，让模型知道你处于什么场景。 例子：“我正在申请一份数据分析师的工作”、“这是我公司的产品说明书”、“假设你是一位专业的心理咨询师”。
3.例子（Examples）
它是什么：提供输入和输出的示范（Fewshot）。 作用：模型非常擅长“照猫画虎”。给出例子可以明确地规范格式、语气和思考逻辑，比单纯用语言描述更直观。 例子：输入：苹果，输出：水果
| 类型 | 提供的信息 | 适用场景 |
|---|---|---|
| 零样本 (Zero-shot) | 任务描述 (指令) | 简单、通用的任务 |
| 单样本 (One-shot) | 1个完整的例子 | 快速启动，格式引导 |
| 少样本 (Few-shot) | 多个完整的例子 | 需要遵循特定格式或复杂模式 |
| 负样本 (Negative Sampling) | 例子 + 禁忌/错误情况 | 内容安全、精细区分 |
| 思维链 (Chain-of-Thought, CoT) | 例子 + 推理步骤 | 数学、逻辑推理 |
| 自我一致性 Self-Consistency | 多个推理路径 + 投票聚合 | 提高复杂推理的准确性和鲁棒性 |
| 思维树 (Tree of Thoughts, ToT) | 分支探索 + 自我评估 + 回溯 | 需要规划、搜索或探索多种可能性的复杂任务 |
4.输入（Input）
它是什么：需要模型处理的具体信息。 作用：这是真正的“问题”或“数据”，是模型需要操作的对象。 例子：待翻译的句子“今天天气真好”、需要总结的那篇长文章的具体内容。
5.输出格式（OutputFormat）
它是什么：指定回答的结构和样式。 作用：确保模型的输出可以直接被程序读取或方便人类阅读。对于需要自动化处理的流程来说尤其关键。 例子：“以JSON格式返回”、“返回Markdown表格”、“用50字以内概括”、“返回列表”。
