概念	一句话解释
Temperature	控制输出随机性，0=确定，1=随机
CoT	让模型一步步思考，提升推理能力
Few-shot	给几个例子，让模型模仿
Zero-shot	不给例子，直接让模型做
Prompt Caching	KV Cache跨请求复用，prefix放最前可省90%
CoVe	Chain-of-Verification：草稿→质疑→验证→修正闭环
LLM-as-a-Judge	强模型当裁判自动化评估输出质量
Prompt	给模型的指令和上下文

进阶技巧

技巧	原理	提升效果	成本
Self-Consistency	多次推理投票选最优，n=5提升13%	+15-20%	5-10x
Tree of Thoughts	树状探索回溯，Beam Search优化	+40-60%	10-50x
Auto-CoT	自动生成示例	接近人工CoT	聚类成本
Prompt Caching	KV Cache跨请求复用，prefix顺序优化	-90% cost	极低
Chain-of-Verification	草稿→规划验证问题→独立验证→重写	事实性收益需按任务评测	增加调用与延迟
Speculative RAG	生成初稿→逐句验证证据→修正重构	faithfulness↑20%	2x延迟
LLM-as-a-Judge	强模型当裁判，固定judge+counterbalancing	自动化评估	低
A/B Testing框架	三层评估(离线回归→影子测试→在线A/B)	regression↓90%	中
Prompt Leakage防护	多层防御	安全性	低
Prompt Injection防御	输入隔离+指令边界+工具权限最小化	安全性	低
结构化输出	JSON Mode/Structured Outputs/Function Calling
Context Engineering	上下文信息系统化编排，Lost in Middle解决
推理模型Prompt	o3/R1不需要外部CoT，关心Thinking Budget	避免反效果	无
Temperature实战	RAG 0.1-0.3，创意 0.7-1.0，代码 0.0-0.2

---