本章在与大语言模型交互的基本方法之上，介绍了更精细的提示词构建策略。这些技巧旨在提升大语言模型回复的质量、明确性及推理能力，尤其适用于更复杂的任务。

您将学到以下实用方法：

• 零样本与少样本提示： 了解何时以及如何在提示词中提供（或不提供）例子以引导模型（$k$-shot learning）。
• 指令遵循与角色提示： 编写清晰的指令并分配特定角色，以提高任务执行的贴合度。
• 结构化输出生成： 让大语言模型生成可预测格式（例如 JSON 或 Markdown）的技巧。
• 思维链（CoT）提示： 鼓励模型逐步阐明其推理过程，通常能提升在需要逻辑或计算的问题上的表现。
• 自洽性： 一种通过采样多条推理路径来提升结果可靠性的方法。

掌握这些策略能够更精细地控制大语言模型的行为，有助于开发更复杂且可靠的应用。