DiVeRSe

prompt提示词2026年6月7日1

我是谁（便于你继续提问）

我是专注于大语言模型 Prompt 工程与推理增强 的提示词专家，擅长把论文方法（CoT / Self-Consistency / 多样性采样 / 评估与重排 / 元推理等）翻译成可落地的提示词模板与工程流程，并说明适用边界与常见坑。

下面继续讲解你给的这段：DiVeRSe (Li et al., 2023)。

1) 这段话在说什么（白话翻译）

DiVeRSe 会针对同一个问题构造多个不同的 prompt 版本（从不同角度问同一题），然后对每个 prompt 分别做 Self-Consistency（多次采样得到多条推理路径）。
接着，它不是直接对“最终答案”做投票，而是会对每条推理路径进行逐步打分（step-level scoring），最后选出得分最高/最可信的一条（或对应答案）作为最终输出。

一句话总结：
Self-Consistency = 同一提示，多次采样，答案投票
DiVeRSe = 多个不同提示 ×（每个提示做自一致性）+ 对推理步骤打分重排

2) 为什么“多 prompt + 路径打分”会更强？

Self-Consistency 的多样性主要来自“温度采样”，但如果 prompt 本身诱导了错误思路，多采样可能仍围绕同一个偏差打转。

DiVeRSe 通过两层多样性来覆盖错误来源：

  1. Prompt 多样性：同一题用不同表述/不同解题策略提示（代数法、画图法、列举法、反证法…），减少“同一偏见”
  2. 推理路径多样性：每个 prompt 内部再多次采样

然后用“逐步打分”解决 Self-Consistency 的一个痛点：

  • 仅靠最终答案投票，可能出现“多数答案对，但理由烂/不自洽”；或“多数都错但错得一致”。
  • step-level scoring 更像是在检查推理链的每一步是否合理，从而筛掉“看起来像对但中间跳步/胡编”的链条。

3) 适合与不适合的应用场景

适合场景

  1. 高风险推理任务：算术、符号推理、逻辑约束、需要严谨步骤的题
  2. 容易被 prompt 诱导出系统性偏差的题：同一问法总把模型带沟里
  3. 需要“可解释的正确性”：你希望最后选出的路径本身就更严谨
  4. 你可以接受较高算力/延迟：因为它是“多 prompt × 多采样 × 再打分”

不适合场景

  1. 成本/延迟敏感：这是一个很“重”的集成方法
  2. 没有客观可验证步骤的任务：比如创意写作、情绪安抚，step-level scoring 很难定义
  3. 输出很长且难以逐步评估：例如长篇报告，逐步打分要么昂贵要么不稳定
  4. 可直接用工具验证的任务：例如可调用计算器/代码执行器时，直接工具校验往往更划算

4) 至少 3 个中文示例：DiVeRSe 的提示词怎么写

DiVeRSe 的关键不在“某一句神奇 prompt”，而在“Prompt 组 + 采样 + 打分器（评审 prompt）+ 选择器”的组合流程。
我下面给你三套可照搬的例子（都用中文），你可以直接把它们当成工程模板。

例子1：数学题（多种解法 prompt + 自一致性 + 步骤评审）

问题：某商品先涨价 20%，再降价 20%，最终相对原价变化多少？

A. 生成多 prompts（3 个角度）

Prompt-A（代数法）

用代数法解题：设原价为 x，严格列式推导，最后给出最终变化百分比。
要求：每一步写出等式变形理由；最后一行输出：答案：...%

Prompt-B（举例数值法）

用“取一个方便的数字举例”解题（例如取 100 元），写清楚每一步金额变化，最后换算成百分比。
最后一行输出：答案：...%

Prompt-C（直觉纠错法）

先给出你的直觉结论，再用严格计算验证直觉是否正确；如果不正确要解释原因。
最后一行输出：答案：...%

B. 对每个 prompt 做 Self-Consistency

  • 对 Prompt-A 采样 N=5（temperature=0.7）
  • 对 Prompt-B 采样 N=5
  • 对 Prompt-C 采样 N=5
    得到 15 条推理链。

C. Step-level scoring（评审 Prompt：逐步打分）

你是推理链审稿人。给定一条推理链，请按步骤评分并给出总分（0-10）：
评分维度：
1）每一步是否由上一步合理推出（0-4）
2）是否存在计算错误或偷换概念（0-4）
3）结论是否与步骤一致且格式正确（0-2）
输出 JSON：
{ "step_issues":[...], "score":数字, "final_answer":"..." }
推理链：
{CHAIN}

对每条链跑一次评审，选 score 最高的 final_answer 作为结果（或同分再投票）。

例子2：逻辑约束题（不同提示避免“同一种误读”）

问题：有 A、B、C 三人，一人真两人假（略）。

A. Prompt 组（从不同“解题程序”引导）

Prompt-1（穷举法）

请用穷举：分别假设 A 真、B 真、C 真，逐一检验“一真两假”是否满足。
最后一行输出：答案：X

Prompt-2（形式化符号）

请把每个人的话形式化为命题，用逻辑符号写出约束，再推导可满足解。
最后一行输出：答案：X

Prompt-3（反证法）

请使用反证：假设某人真，推出矛盾则排除，直到得到唯一解。
最后一行输出：答案：X

B. 每个 prompt 自一致性采样

每个 4 次，共 12 条推理链。

C. 步骤评审（强调“约束满足”）

你是逻辑题裁判。检查推理链是否严格满足：

  • 恰有一人说真话，两人说假话；
  • 不允许跳步；
    对每一步标注“有效/无效”，无效要说明原因。
    最后给出 score=0-10 和 final_answer。

例子3：代码/算法题（用多 prompts 生成不同解法，再逐步验收）

问题：给定数组，找出出现次数超过一半的元素（多数元素）。

A. Prompt 组（不同策略）

Prompt-A（哈希计数）

写出 Python 解法：用字典计数，返回多数元素。给出时间/空间复杂度。

Prompt-B（摩尔投票法）

写出 Python 解法：使用摩尔投票法，并解释为什么正确。给出复杂度。

Prompt-C（排序法）

写出 Python 解法：排序后取中位数，并解释前提条件。给出复杂度。

B. 每个 prompt 自一致性

每个 prompt 采样 3 次（温度 0.6），得到多条“代码+解释”路径。

C. 逐步打分（评审 Prompt：按验收标准）

你是代码评审。对给定方案按以下标准逐项打分（总分 10）：
1）正确性（0-5）：能否覆盖边界情况
2）复杂度陈述（0-2）
3）代码可读性与可运行性（0-2）
4）解释清晰度（0-1）
输出：score、问题列表、推荐与否、final_code。
待评审内容：{CHAIN}

最终选得分最高的方案输出（或者把最高分方案再做一次“最终润色 prompt”）。

5) 你可以怎么在实际系统里简化 DiVeRSe（新手友好版）

如果你不想实现太复杂的 step-level scoring，也可以做一个“轻量版”：

  • 多 prompts（3 个） × 每个采样 3 次
  • 用一个评审 prompt 只做两件事：
    1）检查是否自洽/是否满足约束
    2）给出 0/1 通过
  • 在通过集合里再做答案投票或选最短最清晰的一条

这样成本会低很多，但仍能吃到“多 prompt”带来的提升。

如果你愿意，我可以根据你正在做的任务（例如数学题、业务决策、代码生成、客服质检等）帮你定制：

  1. 一组“多 prompts”怎么设计（最少 3 个角度）
  2. 一个稳定的 step-level 评审/打分模板（JSON 输出）
  3. 采样次数、temperature、以及如何做答案归一化与选择策略

下面给你一套面向“客服质检（QA）”的 DiVeRSe 定制方案：用“多 prompts → 每个 prompt 做 Self-Consistency → 逐步打分（step-level scoring）→ 选择最终结论/建议”。重点是：把“质检标准”拆成可打分的步骤，并把输出做成结构化，方便落地到脚本/系统。

1) DiVeRSe 在客服质检里解决什么问题

客服质检常见痛点：

  • 同一段对话，模型一次判定容易“凭语气”或“被个别句子带偏”
  • 有些违规点很隐蔽（承诺不当、引导私下交易、泄露隐私、夸大宣传）
  • 质检结论需要可追溯：哪一句话触发了哪条规范

DiVeRSe 的优势：

  • 用不同视角的 prompts覆盖不同违规类型（合规/话术/流程/体验）
  • 每个视角下再做 Self-Consistency，避免单次偶然误判
  • 用 step-level scoring 把“是否违规”落实到：证据句、规则条款、严重级别、改写建议

2) 适合/不适合的质检场景

适合

  • 需要同时检查：合规风险 + 服务态度 + 流程准确性 + 信息准确性
  • 高风险业务：金融/保险/医疗/教育/跨境/平台交易（对承诺、资质、隐私更敏感）
  • 需要产出：结构化质检单 + 证据定位 + 可执行整改话术

不适合（或收益不大）

  • 只做非常单一的指标（例如只看“是否使用了称呼”），规则引擎更快更便宜
  • 对话极短（1-2 句），多采样成本不划算
  • 你无法提供明确质检规范/红线：没有评分标准会导致“打分器”不稳定

3) 定制版流程（建议你直接按这个上系统）

输入：对话全文 + 业务类型 + 质检规则（可选）
输出：质检结论（通过/不通过/需人工复核）+ 问题列表（带证据）+ 严重级别 + 建议改写

Step A：为同一段对话构造 4 类 prompts（多视角）

建议至少这 4 类（你也可以按业务加减）：

  1. 合规与红线（隐私、承诺、诱导站外、辱骂、违规引流、虚假宣传）
  2. 流程与准确性（是否核验信息、是否给出正确流程、是否乱承诺时效）
  3. 服务体验与话术（礼貌、同理心、是否有效解决、是否推诿）
  4. 风险复核视角（挑刺/反例）（专门找“看似没问题但其实踩线”的点）

Step B：每类 prompt 做 Self-Consistency

  • 每类 prompt 采样 N=35（temperature 0.60.9）
  • 得到多条“质检推理路径”（每条都输出结构化结果）

Step C：step-level scoring（逐条打分）

用“质检评审 prompt”对每条路径进行逐项评分：

  • 证据是否精准引用了对话原句
  • 规则映射是否正确（对应到哪条规范）
  • 严重级别是否合理
  • 改写建议是否可执行且不引入新风险

Step D：选择最终响应

  • 选得分最高的一条作为最终质检报告
  • 或：同分时合并问题列表（去重）再输出

4) 你可以直接用的 Prompt（至少 3 个例子，均中文）

下面给你 4 个“生成路径”的 prompt + 1 个“打分器”prompt。你落地时就是“多 prompt × 多采样 + 打分器重排”。

例子1（生成路径 Prompt）：合规红线质检（强规则、强证据）

角色：你是平台客服质检专家（偏合规）。
任务：检查对话中是否存在任何合规/红线问题，并输出结构化质检结果。
质检重点（逐项检查）：
1）是否引导站外交易/私下联系方式（微信/QQ/手机号等）
2）是否收集或泄露用户隐私信息（身份证、银行卡、人脸、验证码等）
3）是否做出不当承诺（必达、保证退款、百分百等）
4）是否存在辱骂/歧视/威胁/不当言论
5）是否虚假宣传/夸大效果（尤其医疗/保健/金融）
输出要求：

  • 必须引用对话原文作为证据（逐字引用），标注说话方与句子序号；没有证据不得判定。
  • 若信息不足请输出“需人工复核”并说明缺失信息。
  • 输出 JSON，字段如下：
{
  "overall": "通过/不通过/需人工复核",
  "issues": [
    {
      "type": "站外引流/隐私/不当承诺/辱骂/虚假宣传/其他",
      "severity": "S1致命/S2严重/S3一般",
      "evidence": ["客服#3: ...", "用户#2: ..."],
      "rule_reason": "为什么违规（对应上述重点项）",
      "fix_suggestion": "建议客服如何改说（给出可直接发送的改写话术）"
    }
  ]
}

对话：
{对话文本}

例子2（生成路径 Prompt）：流程与准确性质检（避免“乱承诺/乱指导”）

角色：你是客服质检专家（偏流程与业务准确性）。
任务：检查客服是否遵循正确流程、信息是否准确、是否给出可执行下一步。
检查维度：
1）是否核验关键信息（订单号/收件信息/账号/问题类别）
2）是否给出明确下一步操作（路径、时间、需要用户提供什么）
3）是否出现“未经确认的时效/结果承诺”
4）是否遗漏关键风险提示或边界说明（例如“以系统为准/需审核/需提交材料”）
输出：用 Markdown 表格，列：问题点｜证据引用｜风险｜建议改写（可直接发给用户）｜严重级别（高/中/低）
对话：
{对话文本}

例子3（生成路径 Prompt）：服务体验与情绪安抚质检（可量化条目）

角色：你是客服话术与服务体验质检官。
任务：从服务体验角度评价对话，并指出可改进点。
评分项（每项 0-2 分，总分 10）：

  • 礼貌称呼与态度
  • 同理心/道歉是否得体
  • 信息表达是否清晰（避免推诿、避免术语）
  • 是否主动承担与跟进（给出时间点/回访方式）
  • 是否一次性解决/减少来回（信息收集是否完整）
    输出要求：
    1）先给总分与结论（优秀/合格/不合格）
    2）列出 3 条最关键改进建议（每条附证据句）
    3）给出一段“更好的客服回复示例”（不超过 120 字）
    对话：
    {对话文本}

例子4（生成路径 Prompt）：挑刺视角（专找隐蔽风险/反例）

角色：你是“最严格的质检复核员”，你的目标是尽可能发现潜在风险点，即便表面看起来没问题。
做法：

  • 逐句检查客服话术中的隐含承诺、模糊表述、可能被投诉的点
  • 对每个疑点给出“为什么可能有风险”以及“如何改成无风险说法”
    输出：
  • 风险点清单（按风险从高到低排序）
  • 每个风险点包含：原句引用｜风险解释｜无风险改写
    对话：
    {对话文本}

打分器 Prompt（step-level scoring）：对“质检路径”评分并选最可靠

你是质检报告评审员。你将看到一份“质检路径输出”（可能来自不同 prompt/不同采样）。请按标准打分并输出 JSON。
评分维度（0-10）：
1）证据准确性（0-3）：是否逐字引用、定位清晰、无杜撰
2）规则匹配（0-3）：问题类型与规则是否对应、是否过度解读
3）严重级别合理（0-2）：是否与风险相称
4）改写建议可执行（0-2）：是否能直接发、且不引入新风险
输出 JSON：

{
  "score": 0,
  "pass_fail": "推荐/不推荐",
  "key_problems": ["..."],
  "missing_checks": ["还缺少哪些维度没覆盖"],
  "final_overall": "通过/不通过/需人工复核"
}

待评审质检路径：
{某条质检输出}

5) 参数建议（客服质检常用）

  • 多 prompts：建议 4 个视角（合规/流程/体验/挑刺）
  • 每个 prompt 采样：3 次起步；高风险业务用 5 次
  • temperature：
    • 合规/红线：0.4~0.7（少发散，避免臆测）
    • 体验/挑刺：0.7~0.9（更容易发现边角问题）
  • 归一化：让各 prompt 输出尽量结构化（JSON/表格），便于合并与落库

6) 为了进一步“定制”，我需要你补充 4 个信息

  1. 行业/业务：电商/本地生活/金融/医疗/教育/游戏/出海？
  2. 质检规则：你们是否已有“红线清单/扣分表/严重级别定义”？（发我即可）
  3. 对话数据形态：单轮/多轮？是否有工单字段（订单号、标签、渠道）？
  4. 输出用途：给质检员看（可解释）还是自动拦截（偏严格）？

你把一段真实（可脱敏）的客服对话贴出来也行，我可以按上面流程给你跑一遍，并把“多 prompt + 多采样 + 打分选择”的最终质检报告样例输出给你。

同分类下的其他文章

auto-prompt-文本梯度

ProTeGi 是一种把“改 Prompt”做成可迭代的误差驱动优化的方法。它的关键点是：不像 AP…

Prompt Paraphrasing

Prompt Paraphrasing（提示词改写/释义，Jiang et al., 2020）：把…

table-CoT

Tabular Chain-of-Thought（Tab-CoT，Jin & Lu, 2023）的核…