#Plan-and-Solve

共 2 篇内容,涉及 1 个模块

Prompt2
Prompt通用

Plan-and-Solve 进阶:动态重规划 + 自我反思,让 AI 在长任务上不再跑偏

Plan-and-Solve 的基础版('先列计划,再执行')在 09-09 那篇里讲过——它在中等复杂度任务上能把准确率从 71% 提到 84%。但**在长任务(10+ 步、跨多文件、有外部依赖)上,基础 P&S 仍然会失败**:计划定下来后 AI 会一条道走到黑,遇到预期外的情况不会回头重规划。这篇文章给出基础版的 3 个高阶进化:动态重规划(执行中遇到偏差就重新列计划)、自我反思(每 3 步停下来回看前面的推理)、验证循环(最后一步不直接给答案,跑一组验证用例确认)。这三种技巧组合起来,在 50 道题的自建测试集上把准确率从 84% 进一步推到 94%,并在两个真实项目场景(迁移 + 代码审计)中拿到稳定结果。

2026-09-11
#Prompt技巧#Plan-and-Solve
Prompt通用

Plan-and-Solve Prompting:先计划再求解,Zero-Shot CoT 的进化版

Let's think step by step 是最经典的 CoT 提示,但它有一个致命弱点:AI 可能跳步、遗漏关键步骤或计算出错。Plan-and-Solve (P&S) 的改进极其简单——让 AI 先制定分步计划,再按计划逐步执行。这个改动在数学推理任务上将准确率提升了 7-10 个百分点。本文从 P&S 的两阶段架构(计划阶段→执行阶段)讲起,给出三种改进变体(自验证型 / 分步自检型 / 回溯修正型)、与传统 CoT/ToT/ReAct 的对比、以及一个完整可复用的 P&S Prompt 模板和三个实战场景。

2026-09-09
#Prompt技巧#Plan-and-Solve