现代提示技术与经典论文

在 CoT / ToT / AoT 之外，值得了解的提示与推理技术。进入推理模型（o1 / R1）时代后，提示方式也在变化——往往"更简洁"反而更好。 | 名称 | 链接 | 简介 | |------|------|------| | Self-Consistency | [arxiv](https://arxiv.org/abs/2203.11171) | CoT 的解码改进：采样多条推理路径后对答案做多数投票，显著提升数学推理 | | ReAct | [arxiv](https://arxiv.org/abs/2210.03629) | 推理与行动交错：模型边推理边调用外部工具，缓解幻觉，是 agent 范式基石 | | Reflexion | [arxiv](https://arxiv.org/abs/2303.11366) | 语言智能体通过"语言反馈"自我反思并存入记忆，在后续尝试中改进，无需更新权重 | | Least-to-Most Prompting | [arxiv](https://arxiv.org/abs/2205.10625) | 将复杂问题拆为由易到难的子问题依次求解并复用前序答案，擅长难度外推 | | Self-Refine | [arxiv](https://arxiv.org/abs/2303.17651) | 同一模型生成初稿、自我反馈、再迭代修正，无需训练即可提升质量 | | Chain-of-Density (CoD) | [arxiv](https://arxiv.org/abs/2309.04269) | 摘要专用：先生成实体稀疏的摘要，再在不增长篇幅前提下迭代补入关键实体 | | Step-Back Prompting | [arxiv](https://arxiv.org/abs/2310.06117) | 先"退一步"抽象出高层概念/第一性原理，再引导具体推理，提升 STEM 与知识 QA | | 推理模型提示建议（Simon Willison）| [链接](https://simonwillison.net/2025/Feb/2/openai-reasoning-models-advice-on-prompting/) | 解读 OpenAI 对 o1 系列的建议：少样本/CoT 在推理模型上可能不再有效，应保持简洁 |