选优策略（由简到繁）
选优策略（由简到繁）
1. 规则过滤：schema 校验、必含字段、字数合规
2. 校验器打分：测试通过数、词表匹配、正则匹配
3. 成对比较：让模型对通过过滤的候选两两比较选优
（能规则化就规则化，模型评判放最后）| 原理 | 并行候选里“至少一个好”的概率随 N 上升 |
|---|---|
| 适用 | 代码生成、结构化抽取、文案初稿 |
| 成本 | 近似 N 倍成本；N 常取 3-8，先做规则过滤 |
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）
多稿优选（Best-of-N）
同一提示采样 N 次得到多个候选，再用规则、评分或校验器选出一份；比单次生成多花算力，换取更高合格率。
易错点
- 没有校验器时“优选”只能靠模型自评，容易被篇幅长、语气自信的候选骗过
- N 增大但过滤规则太宽，成本上升而合格率不涨；先看过滤通过率调参
数据来源与参考
- Competition-Level Code Generation with AlphaCode（Li et al., Science 2022）大规模采样与筛选思路