共 8 篇内容，涉及 1 个模块
单个 Prompt 再强也有上限：上下文爆炸、目标冲突、中间结果不可复用。Prompt Chaining 把复杂任务拆成多个独立 Prompt 串联执行，每个 Prompt 只解决一个子问题，输出作为下一个的输入。本文拆解提示链与 CoT、ToT 的本质差异，给出三类经典链式模式、链路设计原则与可复用的编排框架。
面对复杂问题，模型常陷入细节纠缠而错过底层规律。Step-back Prompting（Zheng et al., 2023）让模型先问一个更高层次的抽象问题，再把普适原则带回原问题求解。本文拆解 Step-back 与 CoT、Self-Consistency 的差异，给出两阶段模板与三类典型场景，并附可直接复用的 Prompt 框架。
Chain of Thought 只能想，不能做；Function Calling 能做，但不会自我修正。ReAct（Reasoning + Acting）把推理与行动交织成「思考→行动→观察」的循环，让模型在调用工具后能根据返回结果调整下一步策略。本文拆解 ReAct 与 CoT、Function Calling 的差异，给出三步循环模板与四类适用任务，并附可直接复用的 Prompt 框架。
当思维链（CoT）遇到复杂决策、创意发散或博弈类问题时常常一条道走到黑。Tree of Thoughts（ToT）通过让模型同时展开多条思维路径、自我评估并回溯剪枝，把单向推理升级为搜索式推理。本文拆解 ToT 的原理、四步模板与三类典型场景，并给出可直接复用的 Prompt 框架。
CoT 的进阶版。让 AI 用不同思路多次推理，再投票选出现最多的答案。在数学、逻辑任务上比单次 CoT 准确率再提升 15-25%。
通过给 AI 分配明确角色身份，可显著提升回答的专业度和准确率。本文拆解角色法的 3 个层级和 5 个实战模板。
Few-shot 是性价比最高的 Prompt 技巧之一。仅需提供 2-5 个示例，AI 就能模仿你的输出风格、语气和结构。
CoT 是让大模型解决复杂问题的关键技巧。本篇讲解 CoT 的 4 种触发方式、适用场景和 3 个实战案例。