Metacognitive Prompting
Metacognitive Prompting（元认知提示，Wang & Zhao, 2024）的核心是：用一套固定的、多阶段提示链，让 LLM 模拟人类的“元认知”过程——先确认自己理解对了什么、打算怎么做，再对自己的答案做检查与修正，最后给出是否确认以及信心程度。它本质上是一个**自我监控（self-monitoring）+自我评估（self-evaluation）**的流程化脚手架。
你引用的“五部分 prompt chain”通常可理解为以下五步：
1) Clarifying the question（澄清问题）
目的：避免“答非所问”，把任务、约束、输出格式、缺失信息讲清楚。
典型产出：
- 复述任务（用自己的话重述）
- 列出已知/未知
- 若信息不足：提出需要用户补充的关键问题，或说明将采用哪些合理假设
示例提示语：
请先澄清任务：用1-3句话复述问题；列出关键约束与缺失信息；如需补充信息，提出最多3个澄清问题。
2) Preliminary judgement（初步判断/初步方案）
目的：在深入展开前，先形成一个“粗略策略”和对难度/风险点的判断。
典型产出：
- 选择方法：检索/计算/分解/举例/对比表等
- 风险点：可能出错之处、歧义点、需要验证的环节
- 计划：用几步完成
示例提示语：
在不展开细节的前提下，给出初步解题策略（3-5步），并指出最可能出错或不确定的点。
3) Evaluation of response（对候选回答进行评估）
目的：不是直接“输出最终答案”，而是先生成一个候选答案或关键结论，然后用明确标准审视它。
评估维度常见包括：
- 是否满足问题约束与格式
- 是否有逻辑漏洞/计算错误
- 是否遗漏边界情况
- 是否存在未经证实的断言（hallucination risk）
- 如果有工具/证据：是否与证据一致
示例提示语：
先给出一个候选答案草稿，然后按：正确性、完整性、与约束一致性、可验证性 四项逐条自检；发现问题要标出并说明如何修正。
4) Decision confirmation（决策确认/最终定稿）
目的：在自检后做“是否采纳、如何修改、最终版本是什么”的确认动作，相当于把第3步的反馈落实到最终回答里。
典型产出：
- 明确说明：已根据哪些问题做了哪些修改
- 给出最终答案（更简洁、面向用户）
- 对于仍不确定之处：明确标注假设/需要外部验证
示例提示语：
根据自检结果，输出最终答案（面向用户、简洁）。如仍存在不确定点，明确写出假设与需验证项。
5) Confidence assessment（信心评估）
目的：给出“我对这个结论有多确定”，帮助用户决定是否需要复核、是否要提供更多信息、是否要用工具验证。
常见形式：
- 0-1 或 0-100 的置信度分数
- 低置信度时给出原因（信息不足/需查证/计算未验证）
- 给出提升置信度的建议（需要哪些信息、用什么工具）
示例提示语：
给出置信度（0-100）并用1-2句话解释原因；如置信度<80，给出提升置信度的下一步建议。
一份可直接复制的“五段式元认知提示模板”（中文）
你可以把下面当成一个“流程提示词”，让模型按固定结构输出：
请使用 Metacognitive Prompting（五步元认知提示）回答我的问题。严格按以下5段输出：
1) 澄清问题：
- 用自己的话复述问题
- 列出关键约束/目标
- 缺失信息与需要的澄清（最多3条；若无需则写“无”）
2) 初步判断：
- 给出解决策略（3-5步）
- 标出主要风险点/不确定点
3) 候选回答 + 自评：
- 先给出候选回答草稿
- 按“正确性/完整性/一致性/可验证性”逐条自检并指出需修改处
4) 最终确认：
- 给出最终答案（吸收第3步修正；面向用户）
- 明确仍需假设/待验证点（如有）
5) 置信度：
- 0-100 分
- 原因与如何提高置信度（如需要）
问题：{粘贴你的问题}
什么时候它特别有用？
- 需求/题意容易歧义：比如咨询、方案设计、法律/医疗类（尤其需要“澄清+假设”）
- 容易漏约束：多条件规划、写代码需求、政策条款解读
- 需要降低幻觉：要求“自检”和“可验证性”能减少胡编
- 高风险场景的交付：你希望模型显式报告不确定性与置信度
与 ToT / RoT / PoT / SoT 的关系（定位）
- 它不是主要为“搜索更强”（ToT）或“递归分治”（RoT）或“用代码计算”（PoT）或“并行加速”（SoT）。
- 它更像一个通用的质量控制（QC）框架：通过“澄清→计划→自检→确认→置信度”提升可靠性与可用性。
如果你给我一个具体问题（例如一段需求、一个多约束计划、或一段可能有歧义的题目），我可以用这套五步元认知链给你做一遍完整示范，并展示“澄清问题要问哪些、如何自检、如何给置信度”。