一、LLM 大语言模型初窥：起源、概念与核心原理

一、初识大模型

1.1 人工智能演进与大模型兴起:从A11.0到A12.0的变迁

AI 1.0时代（2012-2022年）

        感知智能的突破：以卷积神经网络（CNN）为核心，AI在图像识别、语音处理等感知任务中超越人类水平。例如，2012年AlexNet在ImageNet竞赛中取得突破性胜利，推动计算机视觉技术在各行业落地。

        技术局限性：模型碎片化严重，依赖人工标注数据且泛化能力不足，导致应用成本高昂。例如，医疗领域需针对不同病种单独训练模型，形成数据孤岛。

AI 2.0时代（2022年至今）

        大模型范式革命：基于Transformer架构的预训练大模型（如GPT-3、BERT）崛起，通过海量无标注数据自监督学习通用知识，实现“预训练+微调”的跨领域能力。例如，GPT-3的1750亿参数模型在零样本学习任务中展现强大适应性。

        多模态与逻辑推理：模型从单一文本向多模态融合进化，如OpenAI的Sora（2024年）实现文本生成视频，展现物理世界模拟能力；GPT-4o（2025年）支持实时多模态交互，增强逻辑链生成能力。

1.2 应用场景的跃迁：从工具赋能到生态重构

垂直领域深度渗透

        行业大模型兴起：金融、医疗等领域通过微调基础模型实现专业化。例如，DeepSeek-V3（2025年）通过MoE架构降低算力需求，加速企业部署；工商银行利用大模型构建智能风控系统，欺诈识别准确率显著提升。

        生产力工具革新：生成式AI（AIGC）重构内容生产流程，如智能编程助手（GitHub Copilot）、低代码开发平台等，软件开发效率提升30%。

终端智能化普及

        端侧设备升级：AI手机、AIPC等终端设备搭载轻量化模型，实现本地化推理。例如，AIPC需40TOPS算力支持本地多模态交互，AI手机通过边缘计算保障隐私与实时性。

        人机交互新范式：ChatGPT（2022年）引爆自然语言交互革命，智能体（Agent）逐步具备规划、记忆和主动行动能力，如Project Astra（2025年）实现上下文感知与任务规划。

1.3 生态系统的重构：开源共享与分布式创新

        开源生态爆发：DeepSeek-V3（2025年）成为首个全开源大模型，推动技术共享；中国备案生成式模型达300余个，占全球36%。

        分布式训练突破：混合专家模型（MoE）、检索增强生成（RAG）等技术降低训练成本，例如某模型推理成本降至三十分之一，2025年分布式训练有望加速模型迭代3倍。

        政策与标准建设：中国《生成式AI服务管理暂行办法》（2023年）规范应用边界，欧盟《人工智能法案》强化伦理约束，全球技术竞争与治理体系同步推进。

1.4 挑战与隐忧：技术狂飙下的平衡

        算力与能耗：训练GPT-3耗电1.287吉瓦时，相当于120个美国家庭年用电量，绿色AI技术（如液冷数据中心）成研发重点

        数据安全与偏见：大规模语料隐含文化偏见，需通过外挂知识库和规则约束减少“幻觉”；端侧隐私保护依赖联邦学习等技术

        伦理与可控性：模型可解释性（XAI）成为核心课题，例如联合嵌入预测（JEPA）架构增强决策透明性，RLHF（人类反馈强化学习）机制优化价值对齐

1.5 未来趋势：从AI 2.0向AGI的演进

        认知流体化：多模态模型整合传感器数据，实现“具身智能”，如人形机器人自主决策、工业质检系统实时优化生产流程

        自监督学习深化：利用未标注数据提升通用性，减少对人类知识体系的依赖，例如蛋白质结构预测模型AlphaFold2（2021年）推动突破

        生态融合与普惠化：2027年预计超50%生成式AI为垂直领域模型，AI技术渗透率从互联网向制造业、农业等传统产业扩展，成为数字文明的基础设施

1.6 总结

        从AI 1.0到AI 2.0的变迁，本质是技术从“专用工具”向“通用智能平台”的质变。大模型通过参数规模、模态融合与训练效率的突破，重构了技术范式、产业生态与人机关系。未来，AI将不仅是效率工具，更是推动社会生产力跃迁的核心引擎，其发展需在技术创新与伦理治理间寻求动态平衡。

二、大模型核心原理

2.1 生成式模型与大语言模型

什么是生成式模型

        生成式模型是一类能够通过算法学习数据分布，并基于此生成新数据的人工智能技术。它的核心在于从已有数据中提取模式，创造出与训练数据相似但全新的内容，涵盖文本、图像、音频、视频等多种模态。例如，生成对抗网络（GAN）可生成逼真图像，而扩散模型（Diffusion Model）擅长生成高质量的多模态内容。
技术特点
        1. ​多模态生成能力：支持跨模态内容生成（如文本生成图像、音频生成视频）。
        2. ​创新性输出：生成的内容可能在现实中没有直接对应（如抽象艺术画作）。
        3. ​模型多样性：包括GAN、VAE（变分自编码器）、扩散模型等架构。
典型应用

• 图像生成（DALL-E、Midjourney）
• 音乐创作（AIVA、Jukedeck）
• 视频合成（RunwayML）

什么是大语言模型

        大语言模型是生成式模型的一个子类，专注于自然语言处理任务。它通过海量文本数据训练，学习语言的语法、语义和逻辑，具备文本生成、理解、推理等能力，典型代表包括GPT系列、BERT和LLaMA。

技术特点

• ​参数规模庞大：通常包含数十亿至数万亿参数，捕捉复杂的语言规律。
• ​通用性与适应性：通过微调可应用于翻译、问答、摘要等多种任务。
• ​Transformer架构：依赖自注意力机制处理长距离依赖关系。

典型应用

• 智能对话（ChatGPT）
• 代码生成（GitHub Copilot）
• 知识问答与信息检索

二者的区别与联系

​维度	​生成式模型	​大语言模型
​范围	涵盖多模态（文本、图像、音频等）	专注于文本领域
​技术架构	GAN、VAE、扩散模型等	Transformer架构为主
​生成目标	创造全新内容，强调创新性	生成连贯、符合语境的文本
​数据需求	多模态数据（如图像-文本对）	大规模文本语料
​应用场景	艺术创作、虚拟现实、广告设计	客服、翻译、文本辅助

---

技术基础重叠：

• 大语言模型本质上是生成式模型在文本领域的特化，两者均依赖深度学习和概率建模。
• Transformer架构既是LLM的核心，也被用于生成式模型的文本生成模块。

​互补性应用：

• 在复杂任务中可结合使用（如用LLM生成剧本，生成式模型生成配套视频）。
• 生成式AI的多模态能力可扩展LLM的应用边界（如文本生成图像后进一步生成视频）。

​训练与优化共性：

• 均需大规模算力与数据，依赖分布式训练技术（如混合专家模型MoE）。
• 面临相似挑战：数据偏见、能耗问题、伦理监管

2.2 Transformer 架构解析

为什么会用到Transformer

1. 解决传统模型的不足

   • RNN/CNN的缺陷：传统循环神经网络（RNN/LSTM）和卷积神经网络（CNN）在处理长序列时存在局限性：
     • 无法并行计算：RNN需按顺序处理序列，计算效率低；
     • 长距离依赖问题：难以捕捉序列中相隔较远的依赖关系（如长文本中的上下文关联）。
   • 注意力机制的优势：Transformer完全基于注意力机制，摒弃了循环和卷积结构，通过自注意力（Self-Attention）直接建模序列中全局依赖关系，显著提升长序列处理能力。

2. 并行计算能力

   • Transformer 的自注意力机制允许所有位置的计算同时进行，避免了序列处理的串行化，大幅加速训练和推理，尤其适合大规模数据和模型。

3. 泛化性和高效性

   • 在自然语言处理（NLP）、计算机视觉（CV）等领域表现优异：
     • NLP：如 ChatGPT、BERT 等模型通过 Transformer 实现高质量翻译、文本生成；
     • CV：如 Swin Transformer（窗口化自注意力）在图像识别中平衡效率与性能；
     • 其他领域：时间序列去噪、材料科学（CrystalTransformer）等场景均受益于其序列建模能力。

什么是 Transformer

Transformer 是一种基于注意力机制的深度学习架构，由 Vaswani 等人在 2017 年提出（论文《Attention Is All You Need》）。其核心思想是：

1. 完全依赖注意力机制，无需循环或卷积结构。
2. 编码器-解码器结构：
   • 编码器：将输入序列（如文本、图像块）转换为中间表示。
   • 解码器：根据编码器的输出生成目标序列（如翻译结果）。
3. 关键组件：
   • 自注意力（Self-Attention）：捕捉序列内部元素间的全局依赖关系；
   • 位置编码（Positional Encoding）：为无序的注意力机制补充序列位置信息；
   • 前馈网络（FFN）：对每个位置的特征进行独立变换。

Transformer 架构宏观解析

1. 核心结构：编码器-解码器

• 编码器（Encoder）：

  • 子层：
    1. 自注意力层（Self-Attention Layer）：计算序列中每个元素与其他元素的相关性，生成加权特征；
    2. 前馈网络（FFN）：对每个位置的特征进行非线性变换，增强表达能力。
  • 层级堆叠：通常堆叠多层（如 6 层），每层参数独立，逐层提取更抽象的特征。

• 解码器（Decoder）：

  • 子层：
    1. 自注意力层：处理目标序列（如翻译中的目标语言句子），确保生成的序列符合语法；
    2. 编码器-解码器注意力层（Encoder-Decoder Attention）：关注编码器输出中与当前解码位置相关的信息（如源语言中对应的部分）；
    3. 前馈网络（FFN）：进一步优化特征。
  • 掩码机制：在解码过程中屏蔽未来信息，确保生成过程的顺序性。

2. 关键技术细节

• 自注意力机制：

  • 通过计算 Query、Key、Value 的点积注意力权重，动态加权所有位置的输入，捕捉长距离依赖。
  • 多头注意力（Multi-Head Attention）：并行计算多个子空间的注意力，提升模型对不同位置关系的建模能力。

• 位置编码：

  • 由于注意力机制本身不包含位置信息，需通过可学习或固定的位置编码（如正弦函数）补充序列顺序。

• 层级化设计：

  • 如 Swin Transformer 引入 窗口化自注意力（Window-based Self-Attention） 和 移位窗口机制，在视觉任务中平衡计算效率与局部特征建模。

2.3 关键技术解析

预训练

定义与目标

预训练是通过大规模无标注数据训练模型，使其学习语言或图像的通用特征、统计规律和基础能力（如语法、语义、视觉模式等）。它是后续任务适应的基础。

关键流程与技术细节

1. 数据准备：

   • 数据来源：互联网文本（如新闻、书籍、论坛）、图像库（如ImageNet）等。
   • 数据清洗：去除噪声、重复内容、隐私信息，确保数据质量。
   • 格式化处理：文本分词、编码（如Token化），图像归一化、增强等。

2. 模型架构：

   • 常用架构：Transformer（如BERT、GPT）、CNN（如ResNet）等。
   • 参数规模：通常较大（如百亿级参数），以捕捉复杂模式。

3. 训练目标：

   • 自监督学习任务：
     • 语言模型（LM）任务：如掩码语言模型（MLM，预测被遮蔽的词）或因果语言模型（CLM，预测下一个词）。
     • 图像任务：如图像重建、对比学习（Contrastive Learning）。
   • 无监督学习：通过数据自身生成伪标签，减少对标注数据的依赖。

4. 训练策略：

   • 使用大规模计算资源（如GPU/TPU集群）。
   • 监控训练过程，防止过拟合，确保模型泛化能力。

特点与优势

• 数据效率：依赖海量无标注数据，成本低但训练时间长。
• 迁移能力：预训练模型可迁移到多种下游任务（如文本分类、图像识别）。
• 基础能力：为后续监督微调（SFT）和强化学习（RLHF）提供初始参数和特征表示。

监督微调 SFT（Supervised Fine-tuning）

定义与目标

SFT是基于预训练模型，在特定任务的标注数据上进一步优化模型，使其适应具体任务（如问答、翻译、图像生成）。目标是提升模型在特定场景下的性能。

关键流程与技术细节

1. 数据准备：

   • 标注数据：需高质量的“输入-输出”对（如指令-响应对）。例如，人类专家或高质量LLM生成的示范回答。
   • 数据多样性：覆盖任务的多个方面，避免过拟合。

2. 模型选择：

   • 使用预训练的通用模型（如BERT、GPT、ResNet）作为基础。

3. 微调策略：

   • 学习率调整：通常采用较小的学习率，避免破坏预训练参数。
   • 批量大小与轮数：根据任务调整，平衡收敛速度与效果。
   • 正则化：如Dropout、L2正则化，防止过拟合。
   • 早停（Early Stopping）：监控验证集性能，提前终止训练。

4. 任务适配：

   • NLP任务：文本分类、机器翻译、问答系统。
   • CV任务：图像分类、目标检测、图像生成。
   • 多模态任务：结合文本和图像的联合训练（如文生图）。

特点与优势

• 任务针对性：直接优化特定任务的性能。
• 数据依赖：需要标注数据，但规模远小于预训练数据。
• 局限性：标注成本高，且依赖标注数据的质量。

基于人类反馈的强化学习 RLHF（Reinforcement Learning from Human Feedback）

定义与目标

RLHF通过人类偏好反馈优化模型，使其生成内容更符合人类价值观（如安全性、有用性、伦理）。目标是解决SFT的局限性，提升模型的“对齐”能力。

关键流程与技术细节

1. 阶段划分：

   • 步骤1：监督微调（SFT）：生成初步的对齐模型（如ChatGPT的SFT模型）。
   • 步骤2：奖励模型（RM）训练：
     • 数据收集：用SFT模型生成多个候选响应，由人类对响应进行排名或评分。
     • RM训练：将分类模型（如SFT模型）的输出层替换为回归层，学习从输入-响应对中预测人类偏好分数。
   • 步骤3：强化学习优化：
     • 算法：使用近端策略优化（PPO）等算法，最大化奖励信号的期望值。
     • 流程：
       1. 输入提示生成多个候选响应。
       2. RM为每个响应打分。
       3. 根据分数更新模型参数，使高分响应概率最大化。

2. 关键技巧：

   • KL散度约束：限制模型更新幅度，避免偏离SFT阶段的稳定表现。
   • 多轮迭代：反复生成、评估、优化，逐步提升模型对齐效果。
   • 多维度奖励：RM可同时评估事实性、无害性、流畅性等多维度指标（如DeepSeek的RM设计）。

3. 实际应用：

   • 对话系统：生成安全、有帮助的回复（如ChatGPT）。
   • 图像生成：提升文生图的美学和图文匹配度（如Seedream 2.0通过RLHF优化PE模型）。

特点与优势

• 人类价值观对齐：直接通过人类反馈优化模型行为。
• 数据效率：相比SFT，标注成本更低（排名比生成更高效）。
• 灵活性：可扩展到多模态任务（如图像、文本联合优化）。

三、大模型应用场景

1. 自然语言处理（NLP）

• 文本生成
  • 应用场景：创作小说、新闻、剧本，智能写作辅助工具生成初稿。
  • 示例：通过GPT类模型生成连贯文本，如代码生成、对话系统。
• 机器翻译
  • 应用场景：跨语言实时翻译（如商务交流、多语言内容生成）。
  • 示例：使用Transformer架构的MarianMT模型实现高质量翻译。
• 问答系统
  • 应用场景：智能客服、虚拟助手（如企业咨询、知识库问答）。
  • 示例：DeepSeek大模型赋能的“青易问·云客服”提升政务服务交互体验。

---

2. 医疗领域

• 辅助诊断
  • 应用场景：分析医疗影像（X光、CT）辅助病变检测，结合病史文本提供诊断建议。
  • 示例：腾讯与迈瑞医疗联合开发的“启元重症大模型”，将医生工作效率提升超30倍。
• 药物研发
  • 应用场景：预测药物分子结构、作用机制及副作用，加速研发流程。
  • 示例：通过分析海量医学文献，缩短药物研发周期。
• 健康管理
  • 应用场景：提供个性化健康建议、慢性病管理。
  • 示例：医疗咨询数字人降低人工客服成本。

---

3. 金融领域

• 风险评估与信用评级
  • 应用场景：分析财务数据、交易记录，评估贷款风险。
  • 示例：DeepSeek模型优化信贷决策流程。
• 智能投顾与投资决策
  • 应用场景：分析市场数据预测趋势，提供投资组合建议。
  • 示例：结合新闻、财报数据辅助投资。
• 反欺诈与合规风控
  • 应用场景：实时检测交易欺诈，构建知识库支持合规操作。
  • 示例：容联云通过大模型优化反欺诈质检系统。

---

4. 教育领域

• 个性化学习
  • 应用场景：动态生成学习路径，针对知识盲区强化训练。
  • 示例：DeepSeek自适应学习系统使知识吸收效率提升40%。
• 智能辅导与资源生成
  • 应用场景：自动批改作业、生成教学资源。
  • 示例：希沃大模型将教师备课时间从2小时缩短至30分钟，批改作业效率提升30%。
• 课堂互动
  • 应用场景：实时反馈学生学习效果，生成个性化报告。
  • 示例：希沃课堂智能反馈系统已生成超15万份报告。

---

5. 工业与制造业

• 生产优化与质检
  • 应用场景：提升生产线效率、降低能耗。
  • 示例：里工实业的自动化生产线效率提升30%，成本降低40%-60%；纺织印染企业效率提升33%。
• 供应链管理
  • 应用场景：预测需求、优化库存调度。
  • 示例：机智云质检方案在纺织行业节约30%人工成本。
• 安全生产
  • 应用场景：实时监测风险，减少事故。
  • 示例：远正智能的铝加工安全管理平台降低53%安全事件报警。

---

6. 安全与应急

• 风险预警与救援
  • 应用场景：灾害现场态势感知、机器人救援。
  • 示例：安全大模型24小时运营，减少92%手动操作。
• 行为识别
  • 应用场景：识别违规操作，预防安全事故。
  • 示例：工业领域的安全行为识别系统。

---

7. 传媒与娱乐

• 内容生成与推荐
  • 应用场景：生成新闻摘要、短视频脚本，个性化内容推荐。
  • 示例：商汤“日日新V6”可分析《黑神话》游戏视频生成高光片段及解说。
• 虚拟数字人
  • 应用场景：虚拟主播、客服、教育助手。
  • 示例：中国电信的数字人生成技术实现高精度人物复刻和全流式交互。

---

8. 能源与环保

• 需求预测与生产优化
  • 应用场景：优化电网调度、提高可再生能源利用率。
  • 示例：大模型预测风电、光伏波动，辅助电网平衡。
• 碳排放管理
  • 应用场景：追踪碳足迹，优化减排路径。
  • 示例：华能利用大模型提升清洁能源生产效率。

---

9. 政务与公共服务

• 智能审批与咨询
  • 应用场景：简化行政审批流程，提升服务效率。
  • 示例：青岛“边聊边办”AI场景将建筑许可审批交互体验升级。

四、Prompt 提示词

4.1 提示词工程基础

什么是提示词（Prompt）

1. 定义：提示词是用户输入给AI模型（如大语言模型）的指令或问题，用于引导模型生成符合预期的输出。它是人与AI交互的桥梁，直接影响结果的质量。
2. 核心功能：
   • 明确任务（如“写一篇关于全球变暖的文章”）；
   • 提供上下文（如背景信息、格式要求）；
   • 指导输出形式（如语言风格、结构）。
3. 示例：
   “请以环境科学家的身份，为政策制定者撰写一份关于可持续发展的报告，涵盖能源管理和废弃物处理，要求语言简洁、数据详实。”

什么是提示工程

1. 定义：提示工程是通过设计、优化和调整提示词，最大化AI模型（如ChatGPT、GitHub Copilot）潜力的过程，确保输出准确、相关且符合用户需求。
2. 核心目标：
   • 提升输出质量（减少歧义、提高准确性）；
   • 充分利用模型能力（如逻辑推理、创意生成）；
   • 降低交互成本（减少反复调整的次数）。
3. 方法论：
   • 结构化提示框架（如RTF框架：角色、任务、格式）；
   • 迭代优化（根据模型反馈调整提示词）；
   • 结合示例或模板（通过示例明确输出要求）。

Prompt的典型构成要素

1. 指令（Instruction）：
   • 明确的任务描述，如“分析用户反馈中的核心诉求”或“生成Python函数”。
2. 上下文（Context）：
   • 背景信息或约束条件，如“以初中生水平讲解量子力学”或“参考《Python编程入门》第3章”。
3. 输出指示（Format/Expectation）：
   • 格式要求（如表格、Markdown）；
   • 风格或内容限制（如“使用口语化中文，避免专业术语”）。

设置Prompt的通用技巧

1. 明确性原则：
   • 避免模糊指令（如“写一篇好文章”→“写一篇300字的科普文章，解释气候变化对极地动物的影响”）；
   • 使用具体动词（如“分析”“比较”“生成”）。
2. 结构化设计：
   • 分解任务：将复杂问题拆解为子任务（如“先总结数据，再提出解决方案”）；
   • 框架应用：采用RTF框架（角色、任务、格式）或CAST框架（约束、受众、规格）。
3. 上下文与示例增强：
   • 提供背景信息（如“用户是新手程序员，需代码注释详细”）；
   • 通过示例引导（如“请按以下格式列出步骤：1. ... 2. ...”）。

4.2 Prompt 调优

Prompt 调优的定义与目标

Prompt 调优 是通过优化输入给大模型的提示词（Prompt），提升模型输出的准确性、一致性和质量的过程。其核心目标是：

1. 解决模型输出问题：如回答不一致、复杂任务处理能力差、对特殊表达识别不准确等。
2. 最大化模型能力：通过结构化设计、示例引导、约束条件等，让模型更高效地完成任务。
3. 降低人工干预成本：减少反复调整提示词的迭代次数，提升交互效率。

---

Prompt 调优的核心问题

常见问题包括：

1. 回答准确性不足：模型对规则或约束的理解不一致（如客服礼貌用语判断错误）。
2. 复杂问题处理不稳定：多步骤任务易出现逻辑跳跃或遗漏关键信息。
3. 特殊表达识别不一致：模型对不同表达方式（如口语化、专业术语）的适应性差。
4. 输出格式或风格不统一：模型生成的内容不符合用户指定的格式或风格要求。

---

Prompt 调优的递进式步骤

1. 初步调优：提升基础准确性

• 方法：将模糊的口语化提示转化为 结构化提示，明确规则和约束。
• 示例：
  • 原始提示：
    “客服回答中是否使用了礼貌用语？”
  • 调优后提示：

    ## 请根据以下标准判断对话是否合规：
    - 客服是否使用了“请问”或类似的礼貌用语。
    - 客服是否避免使用命令式语气。
    - 客服是否表达了对客户问题的关心。

2. 进一步调优：解决复杂问题

• 方法：通过 分步骤引导 和 示例驱动，让模型逐步处理复杂任务。
• 示例：
  • 任务：编写一个用户注册接口。
  • 优化提示：

    请按以下步骤完成任务：
    1. 校验请求参数必须包含 `email` 和 `password`。
    2. 密码长度需大于6，否则返回 HTTP 400。
    3. 使用一致的 JSON 响应格式：`{ "status": "success/error", "message": str }`。
    4. 添加数据库插入逻辑的伪代码。

3. 高级调优：强化模型能力

• 方法：结合 In-Context Learning (ICL) 和 元提示（Meta-Prompting），提升模型的推理和泛化能力。
• 示例：
  • ICL 示例：
    提供多个示例帮助模型理解任务，例如：

    **任务**：执行算术运算  
    **示例**：  
    输入：2 + 3 → 输出：5  
    输入：(2 + 3) * 4 → 输出：20  
    **当前问题**：输入：(7 - 3) * 2 → 输出：？

---

Prompt 调优的关键技巧

1. 结构化设计

• 明确指令：使用 RTF框架（Role, Task, Format）或 CAST框架（Constraint, Audience, Specification）。
• 示例：

  # 任务：生成一份春节主题的社交媒体文章  
  **角色**：社交媒体文案撰写者  
  **任务**：创作一篇500字左右、温馨风格的春节主题文章  
  **格式**：包含标题、3个段落，每段以节日习俗为例说明家庭团聚的重要性  
  **约束**：避免使用专业术语，语言口语化  

2. 示例驱动（ICL）

• 方法：通过 正例 和 反例 明确输出要求。
• 示例：

  **任务**：判断客服回答是否合规  
  **正例**：  
  输入：“请问您需要进一步帮助吗？” → 输出：合规  
  **反例**：  
  输入：“快点说清楚你的问题！” → 输出：不合规（命令式语气）  

3. 明确约束与格式

• 约束条件：限制输出的字数、风格或逻辑（如接口开发的安全要求）。
• 格式指示：要求模型以列表、表格或代码块形式输出（如代码生成任务）。

4. 分步骤引导

• 方法：将复杂任务拆解为子任务，逐步引导模型完成。
• 示例：

  **任务**：解决数学问题  
  1. 理解问题：明确已知条件和目标。  
  2. 分析问题：选择适用的公式或原理。  
  3. 计算过程：分步推导并验证。  
  4. 得出结论：总结答案并检查合理性。