在 Prompt Engineering（提示词工程）中，少样本提示、思维链提示、回退提示是三类针对不同场景的核心提示策略，分别解决 “样本不足”、“复杂推理”、“模型失效” 的问题：
少样本提示（Few-Shot Prompting）
核心定义
少样本提示是指在提示词中提供少量（通常 2-5 个）示例，让模型通过学习示例的逻辑和模式，完成同类任务的提示方法，无需大规模微调模型，适配样本稀缺的场景。
核心原理
利用大模型的 ** 上下文学习（In-Context Learning）** 能力，让模型从示例中归纳任务规则（如分类标准、生成格式、映射关系），进而输出符合要求的结果。
典型场景与示例
文本分类任务
判断用户评论的情感倾向（正面 / 负面）提示词示例：
请判断以下用户评论的情感倾向，仅输出“正面”或“负面”。 示例1：这款手机续航超强，用了一天还有50%电 → 正面 示例2：快递太慢了，一周才到，包装还破损了 → 负面 待判断：新出的耳机音质很清晰，降噪效果超出预期模型会基于两个示例的逻辑，输出 “正面”。
格式转换任务
将自然语言转为 SQL 语句提示词示例：
请将自然语言查询转为SQL语句，数据库表名为user，包含字段id、name、age、city。 示例1：查询所有北京的用户 → SELECT * FROM user WHERE city='北京' 示例2：查询年龄大于25的用户姓名 → SELECT name FROM user WHERE age>25 待转换：查询id为100的用户的城市关键要点
示例需典型且统一：避免示例逻辑矛盾，格式保持一致
数量适中：通常 2-8 个示例即可，过多会占用上下文窗口，且可能降低效率
思维链提示（Chain-of-Thought, CoT）
核心定义
思维链提示是通过在提示词中引导模型分步推理，先输出中间思考过程，再得到最终答案的提示方法，专门解决复杂逻辑问题（如数学计算、多步推理、因果分析）。
核心原理
模拟人类的思考路径，让模型 “先拆解问题→逐步推导→验证逻辑→得出结论”，避免直接跳跃式回答导致的错误，提升复杂任务的准确率。
典型场景与示例
数学应用题任务
计算实际问题提示词示例：
请解决以下数学题，先写出解题步骤，再给出最终答案。 示例：小明有10个苹果，给了小红3个，又买了5个，现在有多少个？ 步骤1：小明原本有10个，给小红3个后，剩余10-3=7个 步骤2：又买了5个，现在有7+5=12个 答案：12个 题目：一个车间每天生产200个零件，生产了5天后，因设备升级每天多生产50个，又生产了3天，总共生产多少个零件？模型会先分步计算，再输出最终结果
多条件推理任务：
根据多个条件判断结论提示词示例：
请根据以下条件判断人物身份，先梳理条件关系，再得出结论。 条件1：A是30岁，在医院工作 条件2：在医院工作且年龄大于25岁的人，要么是医生，要么是护士 条件3：A会做手术，只有医生会做手术 请分步推理并给出A的身份。关键要点
明确要求“分步思考”：在提示词中加入 “先写步骤”“分步推理” 等指令
复杂任务可结合少样本：提供带思维链的示例，让模型更易掌握推理逻辑
回退提示（Fallback Prompting）
核心定义
回退提示是一种容错型提示策略，当模型无法直接回答问题（如知识盲区、格式不匹配、输入异常）时，引导模型触发预设的 “回退逻辑”，避免输出无效或错误内容。
还有一种情况是面对复杂问题时，先回退抽象一个通用框架，然后基于框架对原问题进行推理和求解
比如回答xx酒驾案例，模型先抽象化问题（比如通用做法：责任人怎么判定？需要考虑哪些因素），再基于抽象的框架解答问题（xx做了什么事，违反了yy法等）
核心原理
通过在提示词中定义“异常场景” 和 “应对方案”，让模型在检测到自身能力不足时，执行回退操作（如拒绝回答、调用工具、转向基础回答），保证输出的可靠性。
典型场景与示例
知识盲区回退任务
回答专业问题，若不了解则说明提示词示例：
请回答以下物理问题，若你不确定答案或不了解相关知识，直接回复“我暂未掌握该领域知识，无法准确回答”，不要编造答案。 问题：量子纠缠的具体实验验证方法有哪些？若模型对该知识不熟悉，会触发回退语句，避免错误输出。
格式异常回退任务
处理结构化输入，若格式错误则提示修正提示词示例：
请解析以下用户输入的“姓名-年龄-城市”信息，输出JSON格式。若输入格式不符合“姓名-年龄-城市”，回复“输入格式错误，请按‘姓名-年龄-城市’的格式重新提供信息”。 输入：张三,25,上海模型检测到输入用逗号分隔而非横线，会触发格式错误的回退提示。
工具调用回退任务
需要实时数据时调用工具，工具不可用时回退提示词示例：
请回答当前某股票的价格，优先调用股票查询工具获取实时数据；若工具调用失败，回复“无法获取实时数据，建议通过正规金融平台查询”。关键要点
明确回退触发条件：在提示词中清晰定义 “哪些情况需要回退”
回退逻辑需简洁明确：避免模型对回退指令产生歧义，确保执行一致性
