高级提示技巧
高级提示技巧是 LLM 提示工程领域 2022-2023 年间由学术论文确立的推理增强型提示范式与提示安全两大方向的总称，覆盖六项互补而非替代的技术：ReAct（Reasoning + Acting，推理与行动协同）、Self-Consistency（自洽性解码）、Tree of Thoughts / ToT（思维树搜索）、Prompt Chaining（提示链）、Directional Stimulus Prompting / DSP（方向性刺激提示）、Prompt Injection 攻击与防御（OWASP LLM01:2025 #1 风险）。前三项（ReAct / Self-Consistency / ToT）解决「单次贪婪解码 + 纯文本推理」在复杂任务上的不足——通过外部工具协同、多路径投票、树搜索三种思路提升推理可靠性；Prompt Chaining 是工程范式而非推理范式，解决单 prompt 难以胜任的流水线任务；DSP 解决不动 LLM 参数也能定向引导黑盒模型；Prompt Injection 则是前 5 项落地后必须面对的安全边界。ReAct 论文（Yao et al., ICLR 2023）引用量级约 13000、ToT（NeurIPS 2023）约 8000、Self-Consistency（ICLR 2023）约 5000，至今仍是工业实践与后续研究的事实标准基线；OWASP LLM01:2025 Prompt Injection 是 OWASP Gen AI Security Project 2025 版的 #1 风险条目，已与 MITRE ATLAS（AML.T0051.000/.001 直接/间接注入、AML.T0054 越狱）对齐。
评价
优点
- 学术奠基性强：6 项技术均来自 NeurIPS / ICLR 顶会论文或 OWASP 权威标准，引用量级数千至万级，至今仍是后续研究与工业实践的事实标准基线
- 互补而非替代：ReAct（推理+工具协同）、Self-Consistency（多路径投票）、ToT（搜索回溯）覆盖了不同复杂度的推理任务，按需选用
- 工程化路径清晰：Prompt Chaining 用结构化中间标签串联子任务，把单点 LLM 调用升级为可追踪、可调试的流水线
- 黑盒友好：DSP 用小 Policy LM 生成 hint，绕开 LLM 微调的成本 / 权限 / 版本漂移，MultiWOZ 上 80 条对话让 ChatGPT +41.4%
- 安全标准对齐：OWASP LLM01:2025 + MITRE ATLAS 映射，给出官方认可的七项缓解策略，是合规审查的事实依据
- 范式已被现代模型原生支持：ReAct 的 Thought/Act/Observation 范式被 Claude tool use、OpenAI function calling 等原生吸收，实现层在演进但提示范式未变
缺点
- 认知门槛高：6 项技术各有适用边界（Self-Consistency 仅限离散可验证答案、ToT 仅在需探索+回溯任务上划算），错用反而放大错误或浪费成本
- 成本陡增：ToT 每步多候选 × 多评估采样（×3），Self-Consistency 需采样 5-10 条路径，Prompt Chaining 每节点都是一次 LLM 调用，延迟与 token 消耗随复杂度线性甚至指数增长
- 依赖外部工具与工程基建：ReAct 需可靠的检索 / 工具调用层、Prompt Chaining 需编排框架（LangChain / LangGraph）、DSP 需训练 Policy LM，落地的工程门槛高于「写一个好 prompt」
- Prompt Injection 无 fool-proof 防御：OWASP 明确「生成式 AI 的随机性本质决定了没有 fool-proof 方法」，RAG 与微调都不能完全缓解，必须纵深防御并假设模型会被攻破
- 论文与生产环境的差距：ReAct 原始实验基于 text-davinci-003 等旧模型，新模型（Claude / GPT-4）已原生支持工具调用，直接照搬论文模板未必最优
- DSP 训练数据易过拟合：Policy LM 训练数据若与评测数据混用，会在分布外输入上误导 LLM，需严格区分训练 / 验证集并监控下游真实指标
文档地址
- ReAct: Synergizing Reasoning and Acting in Language Models (Yao et al., 2022)
- ReAct 官方项目页
- Self-Consistency Improves Chain of Thought Reasoning (Wang et al., 2022)
- Tree of Thoughts (Yao et al., 2023)
- Directional Stimulus Prompting (Li et al., 2023)
- OWASP LLM01:2025 Prompt Injection
- Prompting Guide AI 工程综述
GitHub地址
ysymyth/ReAct · princeton-nlp/tree-of-thought-llm · Leezekun/Directional-Stimulus-Prompting