提示词工程（下）：思维链、自我一致与 Cursor 规则

上一篇我们掌握了 CO-STAR 框架让 AI 能按你的期望风格输出。但当你面对复杂任务——比如数学推理、多步骤决策、代码逻辑分析时光靠格式框架还不够。今天我们来解锁两个进阶技巧思维链Chain of Thought和自我一致性Self-Consistency并学习如何用Cursor Rules把这些经验沉淀为团队规范。这一篇不需要引入任何新依赖所有实验都在现有的 Spring Boot 项目上进行。如果你还没有项目回顾第一篇即可。一、痛点场景AI 为什么在复杂问题上“翻车”让我们先看一个真实的问题。你把下面的题目丢给 AI小明有 3 个苹果小红给了小明 5 个苹果小明又吃掉了 2 个。 现在小明有几个苹果对于人类这是小学一年级的题目答案一眼可知3 5 - 2 6。但如果你只是简单地问模型“现在小明有几个苹果”它有时会直接给出错误答案——比如 8 个或者 4 个。原因在于模型在“即兴回答”时可能跳过了中间步骤凭“直觉”猜了一个数字。这就是大语言模型的一个著名弱点在处理多步骤推理或数学计算时仅凭一次前向传播容易在中间逻辑链上出岔子。思维链Chain of ThoughtCoT正是为了弥补这个缺陷而生的技巧。它能迫使模型像人类一样“逐步推理”大幅提升复杂问题的准确率。今天除了思维链我们还会学到它的“增强版”——自我一致性Self-Consistency以及如何用 Cursor Rules 把这些 Prompt 技巧保存为可复用的团队资产。二、核心概念快览2.1 思维链Chain of Thought思维链CoT的核心思想是在 Prompt 中显式要求模型在给出最终答案前先输出中间的推理步骤。这可以通过两种方式实现Zero-shot CoT不需要任何示例直接在 Prompt 末尾加上一句“让我们一步一步思考Let’s think step by step”。Few-shot CoT先给几个包含完整推理过程的示例再提出真实问题让模型模仿示例的推理模式。研究表明Zero-shot CoT 就足以在很多推理任务上将准确率提升 10%-30%。而 Few-shot CoT 在特定领域如数学、代码分析上还能进一步提升。2.2 自我一致性Self-Consistency思维链能让模型给出推理过程但单次推理仍然可能出错。自我一致性是 CoT 的进一步增强让同一个模型对同一个问题生成多条不同的推理路径然后通过投票选出最一致的答案。具体做法是把温度temperature调高比如 0.7 以上让模型运行多次比如 5 次每次都可能输出不同但有推理过程的答案最后统计出现次数最多的那个最终答案。这就像让 5 个专家各自独立解题然后取他们最认同的结果——准确率通常高于任何单人。2.3 Cursor RulesCursor Rules 是 Cursor IDE 提供的一项功能允许你在项目中创建.cursorrules或.cursor/rules/下的规则文件用自然语言定义代码风格、命名约定、常用 Prompt 模板等。然后 Cursor 的 AI 助手在生成代码或回答问题时会自动遵守这些规则。对我们今天的内容来说Cursor Rules 的实际价值是把 CO-STAR、思维链、少样本提示这些 Prompt 技巧保存为规则让团队成员在任何对话中都能一键复用而不需要每次都重新手打长 Prompt。2.4 三者关系思维链CoT ↓ 让模型展示推理过程 自我一致性Self-Consistency ↓ 多次推理 投票提升准确率 Cursor Rules ↓ 把这些 Prompt 模板保存为团队规范前两者是 Prompt 设计技巧后者是工程化落地手段。三、环境准备无需任何新依赖。仍使用之前的ChatClient和 Spring Boot 项目。配置文件沿用即可。为便于演示自我一致性的多次调用我们可以直接在 Service 中用循环调用ChatClient所以不需要额外配置。如果想更方便地看多次调用结果可以调整日志级别logging:level:com.example:DEBUG四、代码实战4.1 创建 ReasoningService新建ReasoningService包含普通调用、思维链、自我一致性三种方法packagecom.example.springaihelloworld.service;importorg.springframework.ai.chat.client.ChatClient;importorg.springframework.stereotype.Service;importjava.util.*;importjava.util.stream.Collectors;ServicepublicclassReasoningService{privatefinalChatClientchatClient;publicReasoningService(ChatClientchatClient){this.chatClientchatClient;}/** * 普通调用不附加任何推理提示 */publicStringstandardCall(Stringquestion){returnchatClient.prompt().user(question).call().content();}/** * Zero-shot CoT在问题末尾加上“让我们一步一步思考” */publicStringzeroShotCoT(Stringquestion){StringcotPromptquestion\n\n请一步一步思考先写出推理过程再给出最终答案。;returnchatClient.prompt().user(cotPrompt).call().content();}/** * Few-shot CoT先给一个带完整推理过程的示例再提问 */publicStringfewShotCoT(Stringquestion){StringsystemPrompt 你是一个擅长逐步推理的数学助手。 在回答用户的问题前先写出完整的分步推理过程最后一行以 答案 开头给出最终答案。 示例 问题一个水果店上午卖出 12 个苹果下午又卖出 8 个晚上进货 15 个。原来有 30 个苹果现在还剩多少个 推理过程 1. 计算总卖出数12 8 20 个 2. 计算卖出后剩余30 - 20 10 个 3. 晚上进货后10 15 25 个 答案25 个 现在请回答用户问题。 ;returnchatClient.prompt().system(systemPrompt).user(question).call().content();}/** * 自我一致性Self-Consistency * 用较高温度运行多次 CoT然后投票选出最一致的答案 * param question 用户问题 * param times 运行次数建议 3~5 次 * return 包含所有推理过程和投票结果的字符串 */publicStringselfConsistency(Stringquestion,inttimes){ListStringallAnswersnewArrayList();StringBuilderprocessLognewStringBuilder();for(inti0;itimes;i){// 每次调用都使用相同的 Few-shot CoT Prompt但温度较高以增加多样性StringcotPrompt 请一步一步推理最后一行以 答案 开头给出最终答案。 问题question;StringresponsechatClient.prompt().user(cotPrompt).call().content();processLog.append( 第 ).append(i1).append( 次推理 \n).append(response).append(\n\n);// 提取答案行以 答案 开头的行StringanswerextractAnswer(response);if(answer!null){allAnswers.add(answer.trim());}}// 统计答案频率选出得票最多的StringbestAnswervoteForAnswer(allAnswers);return【自我一致性投票结果】\n总共运行 times 次各次答案\nallAnswers.stream().map(a- - a).collect(Collectors.joining(\n))\n\n得票最多答案**bestAnswer**\n\n详细推理过程\nprocessLog;}/** * 从模型回复中提取 答案 后面的内容 */privateStringextractAnswer(Stringresponse){if(responsenull)returnnull;for(Stringline:response.split(\n)){lineline.trim();if(line.startsWith(答案)){returnline.substring(答案.length()).trim();}if(line.startsWith(答案:)){returnline.substring(答案:.length()).trim();}}// 如果没找到返回最后一行作为备选String[]linesresponse.split(\n);returnlines[lines.length-1].trim();}/** * 简单多数投票 */privateStringvoteForAnswer(ListStringanswers){if(answers.isEmpty())return无有效答案;MapString,Longfreqanswers.stream().collect(Collectors.groupingBy(a-a,Collectors.counting()));returnfreq.entrySet().stream().max(Map.Entry.comparingByValue()).get().getKey();}}关键点解读zeroShotCoT直接在问题后追加一句“请一步一步思考”无需示例最简单但效果已经显著。fewShotCoTSystem Prompt 中包含一个完整的示例问题 → 推理过程 → 答案引导模型先推理再给答案。selfConsistency循环调用多次默认用 1.0 的温度增加多样性提取每次的答案最后用简单多数投票决定最终答案。这是一种“用更多算力换取更高准确率”的策略在数学和逻辑推理等确定性问题中特别有效。extractAnswer方法用于解析模型回复中的最终答案行这是自我一致性投票的基础。如果模型输出格式不规范例如没有“答案”前缀它会退回到使用最后一行作为答案因此 Prompt 中的格式引导非常重要。4.2 创建对比 Controller新建ReasoningControllerpackagecom.example.springaihelloworld.controller;importcom.example.springaihelloworld.service.ReasoningService;importorg.springframework.web.bind.annotation.*;RestControllerpublicclassReasoningController{privatefinalReasoningServicereasoningService;publicReasoningController(ReasoningServicereasoningService){this.reasoningServicereasoningService;}/** * 普通调用 */GetMapping(/reason/standard)publicStringstandard(RequestParamStringq){returnreasoningService.standardCall(q);}/** * Zero-shot 思维链 */GetMapping(/reason/zeroshot)publicStringzeroShot(RequestParamStringq){returnreasoningService.zeroShotCoT(q);}/** * Few-shot 思维链 */GetMapping(/reason/fewshot)publicStringfewShot(RequestParamStringq){returnreasoningService.fewShotCoT(q);}/** * 自我一致性运行 5 次 */GetMapping(/reason/selfconsistency)publicStringselfConsistency(RequestParamStringq){returnreasoningService.selfConsistency(q,5);}}4.3 配置 Cursor Rules保存 Prompt 模板Cursor Rules 不是 Spring AI 的代码而是 Cursor IDE 的项目配置文件。我们可以在项目根目录下创建.cursorrules文件或.cursor/rules/目录下的多个.mdc文件把今天学到的 Prompt 技巧写成规则让 AI 助手在任何对话中都能自动遵守。步骤在项目根目录创建.cursorrules文件touch.cursorrules然后写入以下内容# 思维链规则 当用户询问数学、逻辑或需要多步推理的问题时你必须 1. 先写出完整的分步推理过程Chain of Thought每一步编号。 2. 推理结束后单独一行以 答案 开头给出最终答案。 3. 如果问题不确定请说明假设条件。 ## 示例 用户小明有3个苹果小红给了小明5个苹果小明又吃掉了2个。现在小明有几个苹果 助手 推理过程 1. 初始苹果数3 2. 小红给后3 5 8 3. 吃掉后8 - 2 6 答案6 # CO-STAR 规则复用上一篇的技巧 在回答任何需要结构化输出的问题时请遵循 CO-STAR 框架 - C背景先理解并复述用户的问题背景。 - O目标明确你要达成的目标。 - S风格回答要简洁、专业。 - T语气保持耐心、建设性。 - A受众面向技术初学者。 - R响应格式用 Markdown 的小标题和列表组织内容。 # 少样本提示规则 在需要特定格式输出时我会先在 Prompt 中给出 2-3 个示例。请严格模仿示例的格式、语气和结构来生成回复。保存后Cursor 的 AI 助手在生成代码或回答问题时就会自动应用这些规则。比如你以后在 Cursor 的 Chat 中问“请帮我写一个计算斐波那契数列的函数”AI 会先给出推理过程再输出代码。这相当于把“思维链”技巧固化为你的团队默认行为。注意.cursorrules文件是项目级别的建议提交到 Git 仓库整个团队共享。如果某些规则仅个人使用可以在 Cursor 设置中配置“全局规则”。五、运行与演示5.1 启动项目确认 API Key 已设置启动 Spring Boot。5.2 对比普通调用 vs 思维链用同一个需要推理的问题分别测试标准版和思维链版。普通调用http://localhost:8080/reason/standard?q小明有3个苹果小红给了小明5个苹果小明又吃掉了2个。现在小明有几个苹果可能返回小明现在有8个苹果。错误答案模型直接“猜”了 358忘记减去吃掉的 2 个。Zero-shot 思维链http://localhost:8080/reason/zeroshot?q小明有3个苹果小红给了小明5个苹果小明又吃掉了2个。现在小明有几个苹果返回类似推理过程 - 小明最初有 3 个苹果。 - 小红给了他 5 个所以他有 3 5 8 个苹果。 - 然后他吃掉了 2 个所以剩下 8 - 2 6 个苹果。 答案6Few-shot 思维链http://localhost:8080/reason/fewshot?q一个水池有3个进水口每个进水口每分钟进水2升同时有一个排水口每分钟排水5升。5分钟后水池里有多少水返回类似推理过程 1. 计算总进水量3个进水口 × 2升/分钟 × 5分钟 30升 2. 计算总排水量1个排水口 × 5升/分钟 × 5分钟 25升 3. 净水量30 - 25 5升 答案5升可以看到思维链让推理过程变得透明且大幅降低了计算错误的概率。5.3 测试自我一致性用同一个问题访问自我一致性接口http://localhost:8080/reason/selfconsistency?q一个数加上5再乘以3结果是36。这个数是多少你会看到 5 次不同推理过程的完整记录以及最终的投票结果。即使某一次推理出现了计算偏差多数投票仍然会把正确答案7选出来。这就是自我一致性的价值用多次采样的“民主”来抑制单次推理的“幻觉”。5.4 验证 Cursor Rules在配置了.cursorrules的 Cursor IDE 中按CmdLMac或CtrlLWindows打开 AI Chat输入问题帮我写一个Java方法计算两个整数的最大公约数。你会看到 AI 助手先展示推理过程选择辗转相除法再给出代码。这就是规则文件在发挥作用。六、常见问题与避坑提示问题一Zero-shot CoT 对某些问题效果不好“让我们一步一步思考”对逻辑推理、数学计算类问题提升明显但对简单的陈述性问题如“什么是Java”意义不大还可能让回复变得啰嗦。建议根据问题类型动态决定是否启用 CoT可以在 System Prompt 中做条件判断或者由用户手动选择。问题二自我一致性的调用次数怎么选理论上次数越多准确率越高但成本也线性增加。对于关键决策场景如自动化判卷、财务计算建议 5~7 次对于一般应用3 次即可学习阶段可先跑 3 次感受效果。超过 7 次后边际收益会明显递减。问题三自我一致性中如何提高答案多样性如果每次生成的答案完全一样投票就没意义了。可以通过提高温度0.7~1.0来增加多样性。在我们的代码中可以在每次调用前动态设置或者在配置文件中预设较高的 temperature。// 在 selfConsistency 方法中每次调用前设置温度chatClient.prompt().user(cotPrompt).options(org.springframework.ai.openai.OpenAiChatOptions.builder().withTemperature(0.8)// 高温度增加多样性.build()).call().content();问题四Cursor Rules 不生效确认文件名为.cursorrules注意前面的点且位于项目根目录。确保文件保存后重启 Cursor 或重新打开项目。在 Cursor 设置中检查是否启用了“Project Rules”功能。规则文件中的内容需要用自然语言清晰描述避免歧义。问题五思维链导致 Prompt 过长成本增加是的思维链会让 Prompt 和回复都变长Token 消耗相应增加。对于生产环境可以考虑只在复杂任务上启用 CoT。使用较短的 Zero-shot CoT 提示就加一句话而非 Few-shot 的长示例。对简单问题直接走普通调用通过路由机制分派后续 Agent 工作流章节会讲到。七、小结与下一步预告本篇回顾理解了思维链CoT的原理和两种实现方式Zero-shot加一句话和 Few-shot给示例。掌握了自我一致性多次推理 投票用算力换取准确率。学会了用 Cursor Rules 将 CO-STAR、思维链等 Prompt 技巧固化为项目规范沉淀为团队资产。动手建议挑一个你项目中最容易出错的推理类 AI 功能先用思维链改造它的 Prompt再用自我一致性跑 3~5 次取投票结果感受准确率的提升。然后为你的项目创建一个.cursorrules文件把你觉得好用的 Prompt 技巧写进去。下一步预告提示词工程到这里告一段落。现在你的 AI 已经会说、会听、会推理了。下一篇我们要让它“画”——图像生成初探OpenAI 与千帆平台一键出图。我们会调用 Image Model API分别接入 OpenAI 和百度千帆平台实现文字描述生成图片的功能。把“看图说话”变成“说话出图”精彩不容错过。下一篇见。本系列博客基于 Spring AI 1.1.6 版本编写。思维链和自我一致性为通用 Prompt 工程技巧与具体模型和框架无关。不同模型对 CoT 的响应质量存在差异建议在实际项目中针对所选模型进行充分测试。Cursor Rules 功能请参考 Cursor IDE 官方文档。