高级 Prompt 工程：Few-shot、CoT 和结构化 Prompt 技巧

Few-shot 示例

给模型 2-3 个示例，让它理解你期望的输出格式和风格。比纯文字描述更准确。

{"model":"qwen3.6-plus","messages":[{"role":"user","content":"将以下内容分类：

示例1：'怎么退款' → 退款
示例2：'什么时候发货' → 物流
示例3：'{user_input}' → "}]}

Chain of Thought（CoT）

要求模型先给出推理过程，再给出答案。对于复杂问题，CoT 可以显著提升准确率。

{"model":"qwen3.6-plus","messages":[{"role":"user","content":"请一步步推理后给出答案：如果一件商品原价 100 元，打 8 折后再减 10 元，最终价格是多少？"}]}

结构化 Prompt

使用清晰的分段和标签组织 Prompt，让模型更容易理解指令结构。

# Role
你是一个专业的技术支持工程师。

# Task
从用户描述中提取问题类型和关键信息，输出 JSON。

# Output Format
{"type": "退款|物流|产品|其他", "urgency": "高|中|低", "summary": "一句话概括"}

# User Input
{user_input}

Temperature 和 Top-P

temperature 控制随机性（创意任务 0.7-0.9，准确任务 0.1-0.3）；top_p 控制采样范围（通常 0.9-1.0）。两者不要同时调高。