Prompt工程进阶：Chain-of-Thought + 结构化输入让大模型准确率飙升18%

兄弟们，今天聊个实实在在的Prompt工程新发现。最近谷歌和斯坦福联合发了一篇论文，系统研究了Chain-of-Thought（CoT）与结构化输入的组合效果。结论很直接：在复杂推理任务（如数学、代码生成）上，将输入从纯文本改为JSON或Markdown表格，配合CoT，准确率平均提升18%，在GSM8K数据集上从72.3%飙到90.7%。

具体怎么做？别光用自然语言描述步骤。比如让模型分析财报：第一层给一个带键值对的结构化模板，如“{公司:特斯拉，季度3，指标:营收/毛利率}”；第二层用CoT分步思考，每一步限定输出格式为“原因：...，结论：...”。实测发现，GPT-4与Claude-3都明显偏好“先拆解再填表”的方式，幻觉率降低12%。

核心逻辑：结构化输入强制模型对齐思维框架，CoT提供推理路径，两者互补。如果你还在用“请一步步思考”这种笼统指令，赶紧升级吧。细节可以去查论文《Structured Prompting for Chain-of-Thought》，代码已开源。