流程
流程
1. 对一批问题做聚类或按主题分组。
2. 每组选 1 个代表问题，让模型生成带推理链的示例。
3. 检查示例（推理是否成立、格式是否统一）后组装进提示。| 动机 | 手工写推理示例费时；自动生成要配套错误过滤 |
|---|---|
| 多样性 | 按问题类型分散取样，避免示例同质 |
| 质检 | 可用“推理与结论是否一致”做初筛 |
本包目录（290 条）
提示词基础40 条
模式与框架50 条
- 思维链提示（Chain-of-Thought）
- Few-shot 少样本示例提示
- 零样本思维链（Let's think step by step）
- ReAct 推理与行动交替模式
- Zero-shot 零样本提示
- 检索增强提示写法（RAG 提示）
- 少样本思维链（示例带推理）
- 自洽性投票（Self-Consistency）
- 提示链（Prompt Chaining）
- 由易到难分解（Least-to-Most）
- 函数调用与参数 Schema
- 自我精修（Self-Refine）
- 推理与答案分区输出
- 程序化思考（Program-of-Thought / PAL）
- 工具调用提示结构（Toolformer 思路）
- 先计划再求解（Plan-and-Solve）
- 分块处理模式（Map-Reduce）
- 草稿纸模式（Scratchpad）
- 验证链（Chain-of-Verification, CoVe）
- 反思循环（Reflexion）
- 思维树（Tree of Thoughts）
- 路由分发模式（Router）
- 退一步抽象（Step-Back Prompting）
- 查询改写提示（Rewrite-Retrieve-Read）
- 自我提问（Self-Ask）
- 引用锚定（带出处作答）
- 正反例对比提示
- 前置门卫模式（输入输出检查）
- 骨架并行生成（Skeleton-of-Thought）
- 多角色评审（Role Ensemble）
- 连续分解问答（Successive Prompting）
- 按复杂度选择推理模式
- 输出预填（Prefill / Priming）
- 检索与推理交替（IRCoT）
- 多稿优选（Best-of-N）
- 指令复述（Instruction Repetition）
- 假设文档检索（HyDE 思路）
- 多智能体辩论（Multiagent Debate）
- 推理预算控制（思考长度）
- 先生成背景知识再作答
- 事前验尸（Pre-mortem）
- 动态示例选择（按相似度挑示例）
- 反方审查（Devil's Advocate）
- 类比提示（自生成类比示例）
- 元提示（Meta-Prompting）
- 自动提示生成与筛选（APE）
- 自动构造思维链示例（Auto-CoT）
- 密度链摘要（Chain of Density）
- 元提示优化（OPRO）
- 复述与作答（Rephrase and Respond）
自动构造思维链示例（Auto-CoT）
用模型自动生成“问题 + 推理链”示例并按多样性筛选，替代人工编写 CoT 示例；适合示例编写成本高的批量场景。
易错点
- 自动生成的错误示例会被当模板模仿，样例质检环节不可省
- 同质化示例（同一类问题选 5 个）收益有限；先分组再取样
数据来源与参考
- Automatic Chain of Thought Prompting in Large Language Models（Zhang et al., ICLR 2023）