Prompt Engineering 实战指南：从基础到高级技巧

❌ 差：解释什么是机器学习

✅ 好：你是一位资深机器学习教授，正在为一个完全没有
编程经验的大学生解释机器学习的基本概念。请用通俗易懂的
语言，配合生活化的例子来说明。

请以 JSON 格式总结以下会议记录：
{
  "title": "会议标题",
  "date": "日期",
  "participants": ["参与者列表"],
  "key_points": ["要点1", "要点2"],
  "action_items": [
    {"task": "任务", "assignee": "负责人", "deadline": "截止日期"}
  ]
}

会议记录：
{MEETING_TRANSCRIPT}

请一步一步分析这个逻辑问题：

问题：一个房间里有三个开关分别控制另一个房间的三盏灯。
你只能去有灯的房间一次，如何确定每个开关控制哪盏灯？

请按照以下步骤思考：
1. 列出所有可能的策略
2. 分析每种策略的可行性
3. 选择最优方案
4. 给出最终答案

# 情感分析示例
examples = [
    {
        "text": "这家餐厅的服务太棒了！",
        "sentiment": "positive",
        "confidence": 0.95
    },
    {
        "text": "等了一个小时还没上菜，再也不会来了。",
        "sentiment": "negative",
        "confidence": 0.92
    },
]

prompt = f"""
请按照以下示例分析文本的情感：

示例：
{format_examples(examples)}

新文本：{text}
请给出情感标签和置信度：
"""

## 任务
将以下代码从 Python 翻译成 TypeScript

## 要求
- 保持相同的逻辑和功能
- 使用 TypeScript 的类型系统
- 遵循 ESLint 规范
- 添加必要的注释

## 输入代码
```python
{CODE}

## 高级技巧

### 自我一致性（Self-Consistency）

让模型多次回答同一问题，选择最一致的答案：

```python
def self_consistency_prompt(query, n=5):
    responses = []
    for _ in range(n):
        response = llm.generate(
            prompt=f"{query}\n请仔细思考后给出答案"
        )
        responses.append(response)
    return most_frequent(responses)

第一步：请回答以下问题
{QUESTION}

第二步：请反思你刚才的回答：
1. 是否有逻辑错误？
2. 是否遗漏了重要信息？
3. 表述是否清晰？

第三步：基于反思，给出改进后的最终答案