用ChatGPT加速前端开发：高级思维链提示全解析

在本系列中，我们将分15期带你探索如何用 ChatGPT 驱动开发工作，包括： 高级思维链提示（本期内容） 面试备战策略 通过反馈迭代改进代码 渐进式 API 设计 Git 工作流优化 高级调试技巧 架构决策方法 今天，我们先从【高级思维链提示】开始，掌握如何用结构化提示方式解决复杂的开发问题。 引言 很多前端工程师习惯于用 ChatGPT 简单提问，如写一个函数或查找错误。 今天介绍的高级思维链提示技巧，就能帮助你更有效地引导 ChatGPT 深入思考，从而获得精准、全面的解决方案。 什么是「高级思维链提示」？ 的具体提示词 复制以下提示词，逐步引导 ChatGPT： 使用 IDEAL 问题解决框架帮我解决以下问题： 1. 总结 通过本期的学习，我们掌握了如何使用高级的 IDEAL 提示框架系统化地指导 ChatGPT 解决前端复杂问题。

提示词的高阶用法：思维链

Kimi的翻译效果如下： 不用任何提示词技巧，它也能达到我们的目的，通过翻译后的中文，我们是可以准确知道这段英文表达的意思的。 什么是提示词公式？ 我今天要给大家分享一个高阶使用技巧，这也是很多优秀的GPTs里可以看到的一种提示技巧，那就是思维链。 什么是思维链？ 思维链就是逻辑思考过程，就是一步一步把一个大问题拆解成各个小问题的过程。 而这个过程，在学术界的专业名词就叫思维链（Chain of Thought）。 在谷歌和OpenAI的一系列论文中已经验证，当你把一个问题，按照思维链的方式，一步步Prompt大型语言模型时，往往能够得到正确的答案。 而用思维链的话，我们可以发现，其实翻译也可以多个角色共同合作。我给大家看个实例，是网上很有名的宝玉老师做的翻译提示词，如下： 现在你要帮忙解释一篇专业的技术文章成简体中文给大学生阅读。

怎么构造思维链数据？思维链提示工程的五大原则

我来为您翻译这篇关于思维链提示工程的文章，采用通俗易懂的中文表达： 思维链(CoT)提示工程是生成式AI(GenAI)中一种强大的方法，它能让模型通过逐步推理来解决复杂任务。 通过构建引导模型思考过程的提示，思维链能提高输出的准确性、连贯性和可靠性。本白皮书探讨了思维链提示工程的核心设计原则，提供实用案例，并概述了在各种应用中有效实施思维链的策略。 传统的提示方法往往导致输出缺乏深度或无法满足任务的复杂性。思维链提示工程通过让AI系统模拟逐步推理来解决这一问题，从而产生更有结构性和可靠性的输出。 思维链提示工程在制造业、教育、金融和医疗保健等多个领域都有应用。这种方法利用模型的固有能力来逻辑地处理和排序信息，使响应与用户目标保持一致。 思维链提示工程的关键原则 1. 思维链提示工程的应用 1. 制造业和自动化 场景：优化生产流程。 例子：一家制造厂由于装配线上的设备瓶颈而经常出现生产延迟。使用思维链提示工程，AI的引导如下： 第1步：识别瓶颈。

思维链是仅仅通过提示词实现的吗

思维链是仅仅通过提示词实现的吗 思维链并不单纯只是提示词的不断输入，虽然提示词在引导思维链过程中起到关键作用 思维链内涵 思维链是一种推理方式或思考路径，旨在让模型将复杂问题分解为多个中间步骤，逐步推导得出最终答案 在思维链场景中，提示词用于告知模型采用思维链推理方式，如“请分步骤解答”“请按以下步骤思考”等，或提供少量示例引导模型模仿推理，但这只是触发和引导思维链的手段。 两者关系 提示词是触发和构建思维链的重要工具，但思维链一旦构建起来，是模型基于自身参数和训练知识，按照设定的推理逻辑进行运算和推导的过程，并非简单持续输入提示词。 例如在零样本思维链中，仅通过在初始提示中加入引导指令，模型后续就能自主生成推理步骤和答案，过程中不需要不断输入新提示词 ；少样本思维链也是借助少量示例提示引导后，模型自主进行推理。 思维链是一种内在推理机制，提示词是外在引导手段，思维链的运行是模型复杂的计算和推理过程，远超提示词简单输入的范畴。

【AI 大模型】提示工程 ① ( 通用人工智能 和 专用人工智能 | 掌握 提示工程 的优势 | 提示工程目的 | 提示词组成、迭代、调优及示例 | 思维链 | 启用思维链的指令 | 思维链原理 )

第一轮的 提示词中 , 也可以在输出结果完成后 , 在后续交互中 追加约束 ; 追加约束提示词 : 回答更加简短一些 三、思维链 Chain of Thought 1、思维链简介 思维链 ( CoT ; 大模型 会自动将 复杂问题 拆解成多个步骤 , 逐步解决每个步骤的子问题 , 并明确地展示如何解决中间步骤的问题 , 最终得到准确的输出结果 ; 2、思维链推理过程 思维链推理过程 : 拆解问题 , 将 思考过程 完整的 展示出来 , 可以使用户了解问题的解决步骤 , 如果输出的结果不满意 , 可以针对有问题的步骤进行干预约束 ; 3、启用思维链的提示词指令 在提示词的末尾 , 追加 analyze the task step by step 或 中文 逐步分析任务 可以 激活思维链 , GPT 会给出思维过程 , 如何拆解问题 , 以及每个问题如何解决的 ; 4、思维链原理 使用了 思维链 指令后 ; GPT 模型 生成的内容越多 , 得到的结果越准确 ; 5、思维链示例 计算一个算术运算题 , 在 ChatGPT 中输入如下提示词 : 计算 24÷3+5×2 的值 得到下面的结果 : 这个数学表达式可以按照先乘除后加减的原则来计算

【AIGC】ChatGPT提示词Prompt高效编写模式：思维链、Self-Consistency CoT与Zero-Shot CoT

思维链（CoT）作为一种强大的提示方法，通过逐步推理的方式，引导AI逻辑清晰地分析问题并得出答案。此类方法不仅能够增强模型的可解释性，还能提高处理复杂问题的能力。 本篇将深入探讨思维链及其变体一致性思维链与零样本思维链的应用方法与优势，为读者提供实用的提示词编写技巧，使AI生成内容更加精确和可靠。 如何为GPT-4编写有效Prompt​ Prompt工程相关文档​ 思维链 (Chain of Thought, CoT) 思维链 (Chain of Thought，简称CoT) 是一种提示方法 小结 通过对思维链（CoT）、一致性思维链和零样本思维链的深入分析，可以更加清楚地理解如何有效利用这些方法提升AI模型的推理和问题解决能力。 展望ChatGPT的未来，随着思维链（CoT）、一致性思维链和零样本思维链等技术的不断发展和完善，AI在处理复杂问题、推理透明性和输出一致性方面将迎来显著的突破。

【AI 大模型】提示工程 ② ( 语言选择 - 英文更准确 | 自洽性 | 思维树 | 提示词正常输出 -＞ 思维链 -＞ 自洽性 -＞ 思维树 进化过程 | 提示词使用技巧 )

让用户或评估者对每个生成的文本结果进行评分或投票 , 或者让 大模型 自己投票 选择最好的一个 ; 三、思维树 在 思维链 的基础上 , 在特定的结点上 , 加入不同的分支 , 这样就得到了一颗 " 思维树 " ; " 思维链 " 参考 【AI 大模型】提示工程 ① ( 通用人工智能 和 专用人工智能 | 掌握 提示工程 的优势 | 提示工程目的 | 提示词组成、迭代、调优及示例 | 思维链 | 启用思维链的指令 , 是 使用相同的提示词 , 得到不同的输出结果 ; 思维树 , 是 在每个分支使用不同的提示词进行微调 , 得到不同的输出结果 ; 四、提示词正常输出 -> 思维链 -> 自洽性 -> 思维树 进化过程 " , 输出结果中会给出一步一步的逻辑推理过程 , 这是 提示词 思维链 的用法 ; 使用 相同的提示词 , 输出多个结果 , 然后在多个结果中进行投票 , 获得最佳结果 , 这是 提示词 自洽性 用法 , 将例子放在提示词中 ; 针对逻辑问题 和 计算问题 , 可以 启用思维链 , 将每一步的推理逻辑都展示出来 ; 如果中文不能得到满意的结果 , 可以 尝试使用英文 , ChatGPT 大模型是这样的

Auto-CoT：自动构建大模型的思维链提示

手动链式思维（Manual-CoT）：包含一个问题和对应的推理思维链。这是思维链是由一系列中间推理步骤（即理由）和预期答案组成。 这篇文章提出了自动思维链（Auto-CoT），先将问题聚类，每一类中抽出一个具有代表性的问题，利用零样本思维链为每个问题生成推理链。 例如：一共有K个聚类，会抽取K个问题，用提示词“让我们一步一步地思考”，生成K套思维链步骤。当向大模型提出一个新问题后，系统将K套思维链步骤作为提示词和新问题一并输入大模型，并完成作答。 自动思维链（Auto-CoT）的优势在于，不需要手工分解解题步骤，不需要编写思维链提示词。这是一个很大的进步。 但是，这种技术的也有一个明显的局限：需要对问题集划分成几个聚类，对每个聚类都要生成一组思维链提示词，并且这些提示词还要一并输入到大模型里。聚类太少，思维链的多样性不够；聚类太多，提示词太长，效率太低。

ChatGPT - 提示词

PromptBase Prompt 提示词网站 - PromptBase https://promptbase.com/ 支持的提示词有 ---- chatgpt 提示词 https://promptbase.com /chatgpt ---- 开源项目 awesome-chatgpt-prompts 官网： https://prompts.chat/ https://github.com/f/awesome-chatgpt-prompts 可以看这个CSV文件 ---- https://huggingface.co/datasets/fka/awesome-chatgpt-prompts

从提示词到精准生成：解密提示工程背后的思维链与微调秘诀

#从提示词到精准生成：解密提示工程背后的思维链与微调秘诀摘要在大语言模型(LLM)应用爆发式增长的今天，如何从简单提示词实现精准内容生成已成为开发者面临的核心挑战。 通过理论分析与实战代码，揭示提示词设计、思维链构建与模型微调的内在关联，提供可落地的优化策略。 3.思维链(ChainofThought)原理与应用3.1技术本质与工作机制思维链(ChainofThought,CoT)是提示工程中的革命性技术，其核心是引导模型展示推理过程而非直接输出结果。 关键创新在于提示引擎动态生成思维链模板，并与微调模型协同工作，确保输出既专业又合规。 7.总结与展望本文系统解密了从提示词到精准生成的技术路径，揭示了提示工程、思维链与微调技术的内在关联。

思维链CoT进化成思维图GoT，比思维树更优秀的提示工程技术诞生了

要让大型语言模型（LLM）充分发挥其能力，有效的 prompt 设计方案是必不可少的，为此甚至出现了 prompt engineering（提示工程）这一新兴领域。 在进行思考时，人类不会像 CoT 那样仅遵循一条思维链，也不是像 ToT 那样尝试多种不同途径，而是会形成一个更加复杂的思维网。 举个例子，一个人可能会先探索一条思维链，然后回溯再探索另一条，然后可能会意识到之前那条链的某个想法可以和当前链结合起来，取长补短，得到一个新的解决方案。 使用图模型，可以轻松实现聚合变换：通过添加来自建模了几条链中最后思维的顶点 v_1, ..., v_k 的传出边，使之指向组合这些链的单个思维 v^+。 研究者假设输出单个思维的成本为 O (1)，并将每个提示方案的总成本固定为 Θ(n)。 各种方案的结构如下。CoT-SC 由源自单个起始思维的 k 条独立链构成。ToT 是一条完全 k 叉树。

基于大模型思维链（Chain-of-Thought）技术的定制化思维链提示和定向刺激提示的心理咨询场景定向ai智能应用

了 解大模型思维链（Chain-of-Thought）技术 解释大模型思维链技术的基本概念和原理 大模型思维链技术是一种基于人工智能的方法，旨在模拟人类思维的连贯性和逻辑性。 提示工程在基于大模型思维链技术的定向AI智能应用中扮演着重要的角色。它涉及将抽象的概念转化为具体的提示，以引导和启发用户的思考过程。 介绍如何使用大模型思维链技术生成定制化思维链提示，以帮助ai心理咨询师启发思考 数据收集和分析：收集咨询对象的个人信息、问题描述、目标设定等数据，并进行分析和理解。 这些数据可以作为生成定制化思维链提示的基础。 模型训练和调优：使用大模型思维链技术，基于已有的心理学知识和咨询经验，训练一个模型。 引导和启发：将生成的定制化思维链提示提供给AI心理咨询师，作为引导和启发咨询对象思考的工具。

《花雕学AI》26：多维度了解ChatGPT思维链提示的原理、方法、使用和发展的22个问题

这里尝试连环提问的穷追猛打的暴力套路，呵呵，不到黄河不死心，我的22个问题是： 1、什么是ChatGPT的思维链提示？请给我一个思维链提示的例子 2、ChatGPT思维链提示的原理和方法？ 3、ChatGPT思维链提示的结构和风格 4、ChatGPT的思维链的优点与局限性？ 5、请给我一个思维链提示的例子。 6、思维链提示适用于哪些领域？ 7、能用思维链提示解决数学问题吗？ 19、ChatGPT除了思维链提示，还有什么其他的提示技巧吗？ 20、如何掌握使用ChatGPT思维链提示的相关技巧？ 21、你认为思维链提示还有什么可以改进的地方吗？ 22、你觉得思维链提示对ChatGPT的发展有什么影响？ 图片 好在现在的AI大语言模型相当给力，一会就有答案了，具体如下： 1、什么是ChatGPT的思维链提示？ 3、ChatGPT思维链提示的结构和风格 ChatGPT的思维链提示是一种利用自然语言编程的技巧，可以提高ChatGPT在复杂推理问题上的准确率。

ChatGPT提示工程艺术

思维导图 语言模型 ChatGPT 只是近年来开发的多个大型语言模型（LLMs）之一。 特别是对于更复杂或开放式的提示，ChatGPT可能会给出完全出乎意料的响应。 为了处理更大的输出，您需要有策略地制作提示。 提供满意度保证或免费试用以增加购买的可能性】 【感谢收件人考虑产品或服务，并表达对结果的信心】 【鼓励回复并表示赞赏的结束语】 诚挚问候， [您的姓名或公司名称] 串联提示 将问题分解为更小、更容易处理的步骤 编写具有良好SEO性能的博客文章的10步链式提示的示例： ChatGPT，请提供与[主题]相关的常见问题列表。

ChatGPT秘密提示策略

思维导图 勾勒期望输出 我希望你扮演 当使用ChatGPT时，以“我希望你扮演……”的方式开始提示很重要，这种技巧为模型提供了『关键的上下文』，帮助引导它的响应，并确保它们是准确和相关的。 将任务融入提示中是从ChatGPT获取最佳结果的关键。 你会 当以『你会』开始提示时，用户本质上正在『勾勒期望输出』。这使 ChatGPT 对最终目标和期望有清晰的了解 。以获得更准确和相关回答。 我希望您扮演…… 我会给你…… 您将（会）…… 变成对话 要简洁明了、具体 将销售语言缩短至200字以下，而不是说缩短长度 在活动口号和关键信息添加幽默感，而不是增加趣味性 提高精度 提供具体的示例以指导ChatGPT 的输出 无论是保持响应一致性还是澄清您的期望，将例子纳入提示中都是一个强大的工具 不要仅仅说『我希望您担任财务』，您可以说『我希望您担任财务顾问。 这是我感举的投资策略类型示例：[此处插入示例]』 秘密提示 让它填空 联网

ChatGPT 提示词大师

原文：ChatGPT Prompts Mastering 译者：飞龙 协议：CC BY-NC-SA 4.0 前言 欢迎来到《ChatGPT 提示大师：精通有效提示指南》！ 克里斯蒂安·布朗 CHATGPT 提示掌握： 有效提示掌握指南 介绍 这本详尽的指南将教会您关于创建简洁有效的 ChatGPT 提示的一切，从而引发有趣和教育性的对话。 提示在 ChatGPT 对话中的作用 正如我们之前提到的，ChatGPT 对话中使用的提示的质量可以显著影响对话的成功。 有效和无效 ChatGPT 提示的例子 为了更好地理解制作有效的 ChatGPT 提示的原则，让我们看一些有效和无效提示的例子。 使用 ChatGPT 的高级技巧 构建有效的提示 制作有效 ChatGPT 提示的步骤 现在我们已经探讨了制作清晰简洁的 ChatGPT 提示的原则以及避免术语和歧义的重要性，让我们深入研究制作有效提示的具体过程

ChatGPT - 在ChatGPT中设置通用提示模板

使用思维链（Chain-of-thoughts）提示在大型语言模型中引出推理

这就引出了“思维链提示”的方法，通过生成一系列中间推理步骤或思维链来提高法LLM 的复杂推理能力。 在分离提示时，提示的中间步骤是有用的。 回答后的思维链:这种变化测试思维链是否只是让模型访问预训练知识。 稳健性研究 评估从GSM8K训练集到LaMDA 137B的不同注释和示例给出的思维链提示的稳健性时，所有这些思维链提示的变体都大大优于标准提示。 论文地址：https://arxiv.org/pdf/2201.11903.pdf 介绍这篇论文的另外一个原因是可以使用思维链提高ChatGPT的结果，因为思维链是一种逐步分解问题、逐步推理的思考方法， 通过使用思维链的方法，可以帮助ChatGPT更好地理解问题，提高其推理、预测、分类和判断能力。

精通ChatGPT对话提示引擎

思维导图 常见场景 领域 场景 客户服务 客户支持，响应式聊天，预约安排 内容和翻译 内容生成，个性化建议，翻译 人力资源 招聘自动化，培训和入职 数据和分析 数据解读，风险评估，预测分析，客户洞察 研发和产品 研发，产品研发 市场和销售 市场营销，对话式商务 法律和财务 法律协助，财务指导 运营管理 供应链管理，诈骗检测 限制 质量和准确性 训练数据依赖 上下文理解的挑战 推理的限制 内在偏见 微调ChatGPT 数据集准备 安装必要工具（python、pytorch、transformers库） ChatGPT模型 定义微调任务 对模型进行微调 评估微调模型 使用微调模型 有效的策略 类别 内容 信息获取与处理 具体提示：有助于收集信息、评估提示：对信息进行批判性评估、填写提示：收集我的宝信息或鼓励全面回答 对话管理 无限制提示：鼓励创新、方向性提示：引导对话、澄清提示：需要更多细节 对比与分析 对比提示：了解概念相似和不同之处、回顾提示：分析过去事件、预测提示：预测未来趋势 创新与实用性 创意提示：激发想象、实用提示：应用于生活情境、探究提示：探讨最新研究

ChatGPT-4提示工程

思维导图 介绍 GPT、ChatGPT区别 特色 GPT ChatGPT 模型目的 根据提示或上下文生成内容文本 专为对话交互设计/专为人类对话设计 训练数据 大量多样化文本源的语料库（例如，书籍、文章 ） 大量多样化文本源的语料库 提示特性 使用提示来指导GPT 使用对话历史来维持ChatGPT的上下文 交互反馈 没有交互反馈机制/主要是单向交互（输入 -> 输出） 支持具有交互反馈的多轮对话/适合以对话方式进行双向交互 -4区别 特性 ChatGPT-4 GPT-4 目的 主要用于在对话中生成类似人类的文本、回答问题和提供解释。 使用步骤 确定目标 明确要求 提供背景信息 提示工程是一种设计有效提示或指令的艺术，以从AI模型（如ChatGPT-4）获取期望的输出。 情感连接：情感映射（不同情感回应列表）、共情、迭代 个性化：理解受众的兴趣、行为和需求 温度调节：0.2：专注和确定；0.8：更多样性和随机 令牌设置：回复信息的长短 提示链 组装提示细化过程 自然语言处理任务