你的专属 AI FDE。全球最新 AI我替你读完告诉你能不能用、怎么用。LLMs8 种让 LLM 输出更稳的 prompting 技巧对大多数人来说zero-shot prompting 就是默认用法直接丢一个问题过去不额外加结构。但输出质量最常见的抱怨往往也都出在这里格式不稳定、推理太浅、约束漏掉、结果不够多样。这些失效模式基本都能对应到一种专门的 prompting 技巧。有些方法已经用了几年比如 few-shot、CoT有些是 2025 年的新研究比如 ARQ 的 instruction adherence 做到 90.2%直接 prompting 只有 81.5%Verbalized Sampling 则把输出多样性提高了 1.6-2.1x。下面把这 8 种方法逐个过一遍看看它们怎么工作分别适合什么场景。Few-shot prompting与其描述你想要什么不如直接在 prompt 里给 LLM 看几个 input-output 示例。模型会先抓住模式再把它套到新的输入上。通常给 3 到 5 个示例就够了。任务只要有明确格式比如 natural language to SQL、自定义分类或者任何“演示比解释更省事”的转换few-shot 都很合适。Chain-of-ThoughtCoTpromptingCoT 会先让模型按步骤推理再输出最终答案。在 prompt 里加上 “Let’s think step by step”PaLM 540B 在 GSM8K 数学基准上的准确率从 17.7% 提高到了 78.7%。它之所以有效是因为它把复杂推理拆成一串更小、也更容易核对的步骤而不是逼模型一次性给出答案。数学、逻辑、代码调试以及任何依赖中间结论链条的任务都特别适合。Prompt hierarchyLLM API 通常会暴露多层指令system prompt、developer prompt、user prompt。system prompt 负责行为约束developer prompt 负责任务逻辑user prompt 才是实际提问。当不同层级的指令冲突时模型会优先服从更高层。把规则拆层之后你就能把不能改的约束放进 system prompt这样用户输入就没法覆盖这些核心边界。Role-specific prompting给模型指定一个 persona比如 “You are a financial advisor” 或 “You are a security researcher”会把回答往对应的专业画像上拉。模型会调动训练数据里不同的知识分布于是词汇、表述框架和判断标准都会跟着变。你也可以把同一个问题交给多个 persona再横向比较输出看看同一件事在不同视角下会得出什么结论。Negative prompting除了告诉 LLM 要做什么也可以明确告诉它不要做什么比如 “do not use marketing language”、“avoid bullet points”、“do not mention pricing unless asked”。模型会把这些当成硬约束来执行。这招尤其适合内容生成类任务用来压住特定失效模式比如术语堆砌、幻觉引用或者没必要的保守提醒。JSON prompting你可以直接在 prompt 里定义一个 JSON schema再要求 LLM 按这个结构返回结果。比如放进这样一段{task: summarize, input: ..., output_format: {sentiment: , summary: }}模型就会按字段把值补齐。和 API 层的 structured outputs比如 OpenAI 的response_format、Anthropic 的 tool-use 不同JSON prompting 把约束直接写在 prompt 里所以任何模型、任何界面都能用。在能力足够的模型上你通常能拿到大约 90% 的 schema compliance而且不需要额外接 API 专属能力。Attentive reasoning queriesARQARQ 不再用自由展开的 CoT而是把一组有针对性、和领域相关的问题组织进一个预定义的 JSON schema。你不再只说 “think step by step”而是给模型一份必须逐项回答的结构化检查清单。在 Parlant framework 的 87 个场景测试里ARQ 的成功率是 90.2%CoT 是 86.1%直接 prompting 是 81.5%。CoT 给了模型太多自由它完全可能在推理时把关键约束抛在脑后。ARQ 则把这些约束重新插回真正发生推理的那一刻利用 recency effect 让规则始终留在活跃上下文里。Verbalized Samplingpost-training alignment比如 RLHF、DPO会让 LLM 的输出收缩到一小撮“安全答案”附近。Verbalized Sampling 只改一句 prompt 就能处理这个问题。你不再只要一个答案而是要求模型 “generate 5 responses with their corresponding probabilities”。这样一来LLM 就得把内部的分布说出来而不是直接坍缩到单一 mode。按论文里的实验结果它比直接 prompting 的输出多样性高 1.6-2.1x人类评测分数也提高了 25.7%。这套方法和 temperature 是正交的所以可以叠加使用。这些技巧并不互斥。Few-shot CoT 是常见组合JSON prompting negative prompting 可以同时拿到结构化输出和明确约束ARQ 则可以看成专门为多轮 agent 对话设计的结构化 CoT。具体该选哪一种取决于你眼前的失效模式是什么格式不稳定用 JSON prompting推理太浅用 CoT 或 ARQ多样性不够用 Verbalized Sampling输出夹带不想要的内容用 Negative prompting领域味道不够就上 role-specific prompting。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】 8 种让 LLM 输出更稳的 prompting 技巧
你的专属 AI FDE。全球最新 AI我替你读完告诉你能不能用、怎么用。LLMs8 种让 LLM 输出更稳的 prompting 技巧对大多数人来说zero-shot prompting 就是默认用法直接丢一个问题过去不额外加结构。但输出质量最常见的抱怨往往也都出在这里格式不稳定、推理太浅、约束漏掉、结果不够多样。这些失效模式基本都能对应到一种专门的 prompting 技巧。有些方法已经用了几年比如 few-shot、CoT有些是 2025 年的新研究比如 ARQ 的 instruction adherence 做到 90.2%直接 prompting 只有 81.5%Verbalized Sampling 则把输出多样性提高了 1.6-2.1x。下面把这 8 种方法逐个过一遍看看它们怎么工作分别适合什么场景。Few-shot prompting与其描述你想要什么不如直接在 prompt 里给 LLM 看几个 input-output 示例。模型会先抓住模式再把它套到新的输入上。通常给 3 到 5 个示例就够了。任务只要有明确格式比如 natural language to SQL、自定义分类或者任何“演示比解释更省事”的转换few-shot 都很合适。Chain-of-ThoughtCoTpromptingCoT 会先让模型按步骤推理再输出最终答案。在 prompt 里加上 “Let’s think step by step”PaLM 540B 在 GSM8K 数学基准上的准确率从 17.7% 提高到了 78.7%。它之所以有效是因为它把复杂推理拆成一串更小、也更容易核对的步骤而不是逼模型一次性给出答案。数学、逻辑、代码调试以及任何依赖中间结论链条的任务都特别适合。Prompt hierarchyLLM API 通常会暴露多层指令system prompt、developer prompt、user prompt。system prompt 负责行为约束developer prompt 负责任务逻辑user prompt 才是实际提问。当不同层级的指令冲突时模型会优先服从更高层。把规则拆层之后你就能把不能改的约束放进 system prompt这样用户输入就没法覆盖这些核心边界。Role-specific prompting给模型指定一个 persona比如 “You are a financial advisor” 或 “You are a security researcher”会把回答往对应的专业画像上拉。模型会调动训练数据里不同的知识分布于是词汇、表述框架和判断标准都会跟着变。你也可以把同一个问题交给多个 persona再横向比较输出看看同一件事在不同视角下会得出什么结论。Negative prompting除了告诉 LLM 要做什么也可以明确告诉它不要做什么比如 “do not use marketing language”、“avoid bullet points”、“do not mention pricing unless asked”。模型会把这些当成硬约束来执行。这招尤其适合内容生成类任务用来压住特定失效模式比如术语堆砌、幻觉引用或者没必要的保守提醒。JSON prompting你可以直接在 prompt 里定义一个 JSON schema再要求 LLM 按这个结构返回结果。比如放进这样一段{task: summarize, input: ..., output_format: {sentiment: , summary: }}模型就会按字段把值补齐。和 API 层的 structured outputs比如 OpenAI 的response_format、Anthropic 的 tool-use 不同JSON prompting 把约束直接写在 prompt 里所以任何模型、任何界面都能用。在能力足够的模型上你通常能拿到大约 90% 的 schema compliance而且不需要额外接 API 专属能力。Attentive reasoning queriesARQARQ 不再用自由展开的 CoT而是把一组有针对性、和领域相关的问题组织进一个预定义的 JSON schema。你不再只说 “think step by step”而是给模型一份必须逐项回答的结构化检查清单。在 Parlant framework 的 87 个场景测试里ARQ 的成功率是 90.2%CoT 是 86.1%直接 prompting 是 81.5%。CoT 给了模型太多自由它完全可能在推理时把关键约束抛在脑后。ARQ 则把这些约束重新插回真正发生推理的那一刻利用 recency effect 让规则始终留在活跃上下文里。Verbalized Samplingpost-training alignment比如 RLHF、DPO会让 LLM 的输出收缩到一小撮“安全答案”附近。Verbalized Sampling 只改一句 prompt 就能处理这个问题。你不再只要一个答案而是要求模型 “generate 5 responses with their corresponding probabilities”。这样一来LLM 就得把内部的分布说出来而不是直接坍缩到单一 mode。按论文里的实验结果它比直接 prompting 的输出多样性高 1.6-2.1x人类评测分数也提高了 25.7%。这套方法和 temperature 是正交的所以可以叠加使用。这些技巧并不互斥。Few-shot CoT 是常见组合JSON prompting negative prompting 可以同时拿到结构化输出和明确约束ARQ 则可以看成专门为多轮 agent 对话设计的结构化 CoT。具体该选哪一种取决于你眼前的失效模式是什么格式不稳定用 JSON prompting推理太浅用 CoT 或 ARQ多样性不够用 Verbalized Sampling输出夹带不想要的内容用 Negative prompting领域味道不够就上 role-specific prompting。学AI大模型的正确顺序千万不要搞错了2026年AI风口已来各行各业的AI渗透肉眼可见超多公司要么转型做AI相关产品要么高薪挖AI技术人才机遇直接摆在眼前有往AI方向发展或者本身有后端编程基础的朋友直接冲AI大模型应用开发转岗超合适就算暂时不打算转岗了解大模型、RAG、Prompt、Agent这些热门概念能上手做简单项目也绝对是求职加分王给大家整理了超全最新的AI大模型应用开发学习清单和资料手把手帮你快速入门学习路线:✅大模型基础认知—大模型核心原理、发展历程、主流模型GPT、文心一言等特点解析✅核心技术模块—RAG检索增强生成、Prompt工程实战、Agent智能体开发逻辑✅开发基础能力—Python进阶、API接口调用、大模型开发框架LangChain等实操✅应用场景开发—智能问答系统、企业知识库、AIGC内容生成工具、行业定制化大模型应用✅项目落地流程—需求拆解、技术选型、模型调优、测试上线、运维迭代✅面试求职冲刺—岗位JD解析、简历AI项目包装、高频面试题汇总、模拟面经以上6大模块看似清晰好上手实则每个部分都有扎实的核心内容需要吃透我把大模型的学习全流程已经整理好了抓住AI时代风口轻松解锁职业新可能希望大家都能把握机遇实现薪资/职业跃迁这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】