什么是提示技術？
? ? ? ? 提示技術是實現提示工程目標的具體技術手段，是提示工程中的“工具庫”。
什么又是提示工程？
????????提示工程是指通過設計、優化和迭代輸入到大語言模型（LLM）的提示（Prompt），系統性提升模型輸出質量（如相關性、準確性、可控性）的實踐領域。它是一個覆蓋全流程的方法論，包括：
- 明確目標任務（如生成教學內容、問答、翻譯）；
- 設計提示結構（如指令、上下文、示例）；
- 選擇模型與參數（如溫度、top_p）；
- 驗證與迭代（根據輸出調整提示）。
其核心是“通過工程化方法控制大語言模型（LLM）的行為”。
概念
? ? ? ? ReAct（Reasoning + Acting）是一種結合推理與行動的提示技術框架，旨在讓大語言模型在復雜任務中，同時具備邏輯推理能力和外部工具/環境交互的能力。它通過動態生成推理鏈和行動指令，模擬人類的“思考-行動”循環，從而提升模型在多步驟任務重的表現。
核心思想：
- 推理（Reasoning）：模型生成中間推理步驟，解釋當前狀態、目標及下一步行動的依據。
- 行動（Acting）：模型調用外部工具（如搜索引擎、計算器、API）或執行特定操作（如提問、驗證假設）以獲取信息。
- 迭代循環：推理與行動交替進行，逐步逼近任務目標。
ReAct，類似于人類解決復雜問題時的“先思考再行動”模式。例如，在規劃旅游時，你會先分析預算、時間（推理），然后查詢機票、酒店價格（行動），再根據結果調整計劃（推理），如此循環，直到結果滿足需求。
概念圖解
應用場景
- 復雜任務規劃：如規劃為期五天的云南旅行等；
- 財務分析：如分析公司年度財報等；
- 科學研究助手：如論文研究、驗證實驗設計等；
- 交互式系統：如聊天機器人、智能助手等；
- 教育領域應用：如數學解題輔導，科學實驗設計，編程教學等；
- ……
案例實操
使用工具：扣子
實現方式：扣子智能體
完整智能體如下：
測試輸入：
規劃一次 5 天的云南旅行，預算 12000 元，出發地：廣州，明天 2025 年 7 月 4 日出發
運行結果：
大家若有編程基礎的話，可以參考下面的代碼案例來實現與體驗不同場景下使用 ReAct 提示。
代碼實現ReAct提示
技術棧：Python；LangChain
代碼引用包導入：
pip install langchain_community==0.3.26;
pip install langchain==0.3.26;
具體代碼：
import os
import random
from typing import Dictfrom dotenv import load_dotenv
from langchain.agents import initialize_agent, Tool
from langchain.prompts import PromptTemplate
from langchain_community.chat_models import ChatZhipuAIdef weather_api(input_str: str) -> Dict[str, str]:"""處理天氣查詢"""location = input_str.strip("'\" ") # 去除引號和空格weathers = ["晴朗", "多云", "小雨", "陣雨"]return {"weather": random.choice(weathers),"temperature": f"{random.randint(10, 25)}℃","location": location}def flight_api(input_str: str) -> dict[str, int | str] | dict[str, str]:"""處理機票查詢"""try:from_city, to_city = [c.strip("'\" ") for c in input_str.split(",")]return {"price": random.randint(800, 3000),"from": from_city,"to": to_city}except Exception as e:return {"error": f"輸入格式錯誤: {str(e)}"}# 工具注冊
tools = [Tool(name="weather",description="查詢城市天氣（輸入格式：'城市名'；輸出：天氣和溫度）",func=weather_api,),Tool(name="flight",description="查詢機票價格（輸入格式：'出發地,目的地'；輸出：價格）",func=flight_api),
]# 初始化 LLM
load_dotenv()llm = ChatZhipuAI(model="glm-4",api_key=os.getenv("ZHIPUAI_API_KEY")
)react_prefix = """你是一個智能旅行規劃助手，可以調用以下工具：
{tools}任務：{input}請遵循以下格式進行推理和行動：
思考：首先需要做什么？
行動：調用工具名稱（如 weather、flight）
觀察：工具返回的結果
...（重復思考-行動-觀察步驟）
最終答案：完整的旅行規劃"""react_prompt = PromptTemplate(template=react_prefix,input_variables=["input", "tools"],
)from langchain.agents import AgentTypeagent = initialize_agent(tools=tools,llm=llm,agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION,prompt=react_prompt,verbose=True, # 打印中間步驟max_iterations=20, # 限制最大推理步驟
)user_input = "規劃一次5天的云南旅行，預算12000元，從廣州出發"
print("正在規劃旅行，請稍候...")
response = agent.run(user_input)
print("最終規劃結果：\n", response)
代碼運行輸出的中間結果，看起來就像我們在做這個任務的思考與行動過程，挺有意思的。
總結與思考
? ? ? ? ReAct 提示與自動推理并使用工具（ART）提示，都有著讓 LLM 自動規劃任務，推理并使用工具的含義，那么不免產生對比的好奇。
| 維度 | ReAct | 自動推理并使用工具（ART） |
| 核心思想 | 通過交替進行“推理（Reasoning）”和“行動（Action）”，讓LLM在任務中自主選擇動作并執行。 | 引導LLM自動生成多步推理鏈，并動態調用外部工具來完成復雜任務。 |
| 是否依賴工具調用 | 是，LLM需決定何時調用工具（如API、搜索）。 | 是，LLM主動選擇和調用合適的工具鏈。 |
| 是否強調推理步驟 | 是，LLM需先進行邏輯推理，再決定下一步操作。 | 是，強調生成明確的推理路徑以支持工具調用。 |
| 是否生成可執行代碼 | 否，僅生成自然語言推理和動作指令。 | 否，主要生成自然語言推理和工具調用描述。 |
| 輸出形式 | 推理步驟 + 動作選擇（如調用搜索引擎、數據庫查詢） | 多步推理鏈 + 工具調用序列（如API調用、計算器） |
| 是否支持動態交互 | 是，根據中間結果調整后續推理路徑。 | 是，根據當前狀態動態調整工具調用順序。 |
| 是否適合非結構化任務 | 是，適用于自然語言理解+工具調用結合的任務。 | 是，尤其適合需要實時數據或多個工具協作的任務。 |
| 資源消耗 | 中等（取決于調用的工具數量）。 | 高（可能涉及多次網絡請求、API調用）。 |
| 可解釋性 | 高，推理路徑清晰，動作選擇透明。 | 高，推理過程與工具調用邏輯分離明確。 |
| 典型指令示例 | “請一步步思考如何解決這個問題，并在需要時調用計算器或搜索最新數據。” | “請生成一個包含多步推理的思維鏈，并在適當位置調用相關工具完成計算或獲取信息。” |
一句話總結：
????????ReAct 更強調“推理+動作”的交替循環，適用于模擬人類行為的交互式任務；而 ART 更注重“多步推理鏈+工具調用”的自動化流程，在需要訪問外部數據和服務的復雜任務中表現更強。
好了，到此吧。
提示技術系列，截止到目前為止已經寫了12篇，它們分別是：零樣本；少樣本；鏈式思考（CoT）；自我一致性；生成知識提示；鏈式提示；主動提示；思維樹（TOT）；自動提示工程師；方向性刺激提示；自動推理并使用工具；程序輔助語言模型；
接下來分享：檢索增強生成 (RAG) ？
為了方便大家學習，這里給出專欄鏈接：https://blog.csdn.net/quf2zy/category_12995183.html
歡迎大家一起來學習與交流……
)
