Google：把Prompt再说一遍，准确率暴涨76%
叶
叶小钗 叶小钗约 9 分钟
叶小钗 叶小钗约 9 分钟AI训练营 7期 ， 1月28日 开班，欢迎咨询见的公司多了后，我不得不承认一个事情： 很多人不会写提示词 ，而在提示词写得稀碎的情况下，你想要模型表现很好，那是不可能的。并且在越是复杂的情况下，提示词越难写，有个说法很贴切：
LLM将之前代码中复杂的逻辑转移到提示词了，复杂度没有消失，他只是转移了在复杂的提示工程世界里，为了提高大模型的表现，我们发明了各种“秘技”，从CoT到角色扮演再到少样本示例等，他们都能很好的工作。 但最近Google Research 的一项新研究却表明：也许我们想得太复杂了：
有时候，只需把问题重复一遍就能让模型变聪明
！
Prompt Repetition Improves Non-Reasoning LLMs》
unset unset 提示词技巧 unset unset
在不侵入模型的情况下，提示词是我们与模型唯一的交互方式，我们输入的一段话、一个问题或一条指令，就是提示词（prompt）：
设计不同的提示词，来引导模型的行为
。不同的任务类型对提示词有不同的要求，比如要求模型回答问题、生成创意故事，还是遵循特定格式、语气风格，不同类型提示词的效果会有所不同：
- 指令型提示： 直接下达任务指令，例如“请用一句话总结上述段落”或“翻译以下文本”。模型根据这条明确指令执行任务。
- 情景/角色提示： 为模型设定一个身份或场景，让它以特定视角回答。例如“你是一位历史学家，现在解释一下…”。这种角色扮演提示能影响模型回答的风格和内容。
- 示例型提示（Few-shot）： 在提问前提供一些范例问答或操作步骤，让模型类比学习。
- 思维链提示（CoT）： 引导模型输出中间推理过程。例如在问题后加一句“请逐步思考并给出答案”，或者提供示范的推理步骤。
- 格式要求提示： 在提示中明确输出格式，例如要求模型以列表、表格或 JSON 格式zuo输出。
- ...
unset unset 神奇的提示词重复 unset unset
在探讨“提示词重复”这一奇技之前，我们需要了解模型一个先天局限。当前主流的LLM大多是因果语言模型，意思是它们以从左到右的顺序处理文本； 当模型在读输入提示时，每处理下一个词，只能“看到”它左边已经出现的内容，对右边尚未出现的词一无所知。 也就是说，模型读提示是单向的，先后的信息顺序会严重影响它对任务的理解 。 举个例子，如果我们的提示是：<背景信息>
<问题>
<问题>
<背景信息>
从这里就可以看出来了，这其实是架构缺陷带来的理解问题理解了这一点，你可能已经猜到“提示词重复”要解决的正是这个因果盲点问题。没错，这个简单粗暴的技巧本质上就是为了弥补 单向注意力的不足。 那么它究竟怎么做到的呢？
unset unset 提示词重复揭秘 unset unset
研究者提出的提示词重复（Prompt Repetition），其实非常容易描述：把输入的整段提示词重复一次，然后提交给模型。形式化地说，就是将原输入从“<QUERY>”
→
“<QUERY><QUERY>”
这也太离谱/离谱了吧，这么蠢的方法居然这么好使！
然而仔细想想，它背后的原理很有意思：
打破单向限制
他给予了模型“回头看”的机会：当提示被重复两遍时，模型在处理第二遍提示内容时，相当于已经“读过”第一遍提示。 这意味着第二遍提示的每个 token（词元）都可以通过注意力机制看到第一遍提示中的所有内容。 形象地说，模型第一次读提示或许一知半解，但当它第二次再读时，就好像拥有了“上帝视角”，可以参考之前完整的信息来更准确地理解问题。这有效弥补了因果盲点：第二遍阅读为模型提供了类似双向注意力的效果。 假如过去我们问模型：从成都到北京有多少可以自驾游的景点？
从成都到北京有多少可以自驾游的景点？
从成都到北京有多少可以自驾游的景点？
当然，重复提示主要针对不要求模型输出详细推理过程的场景对于那些本就需要逐步推导、一步步解释的任务，我们通常会使用CoT这类技巧，而不会希望模型只给直接答案。
unset unset 单向理解 → 自我辩驳 unset unset
重复提示词可以
改善模型对信息的接收与理解，解决“因果盲点”问题
，但是与模型交互的复杂性不止于此，因为很多时候就算
输入被充分理解，模型一次性生成的答案也未必可靠。
这就是提示工程中另一个关键维度需要被关注：如何引导模型进行更深入、更严谨的自我审查，从而显著提升答案的准确性与鲁棒性。
在这方面，“角色反转提示”是我用下来觉得效果还不错的技巧。
当前主流大模型被训练为一次性生成流畅、自信的回答，这种模式存在一个固有缺陷：
模型倾向于沿着统计上最可能的路径生成连贯答案，而不会主动暂停并质疑自己的推理过程、验证假设或审视边界情况。
其结果常常是，一个表面上逻辑完备、表述清晰的回答，可能隐藏着不易察觉的逻辑漏洞、或未经处理的异常场景。这个时候
自我辩驳
提示词就出现了：
角色反转提示的操作极为简单：
在模型给出初始答案后，要求它转换身份，从一个“辩护者”变为一个“批判者”。这跟我们之前的六顶思考帽提示词模式很类似
。
具体而言，就是指示模型以对手的视角，专门针对自己刚才的答案进行质疑和攻击，这个过程激活了模型内部被压制的“对抗性思维”模式。
当任务目标从“生成一个答案”转变为“找出这个答案的弱点”时，模型会调用不同的知识关联与推理路径，从而更有可能：
- 发现答案所依赖的、未言明的前提条件。
- 思考是否存在其他合理的推理方向。
- 找出那些会让当前解决方案失效的极端或特殊场景。
- 审视推理链条中是否存在跳跃或脆弱的环节。
这里大家也看出来了，所有类似这种多轮审视的逻辑，都是Token换稳定的策略 我实际测试下来 有一定效果 ，更合适的说法可能是： 对于有效果的有效果，对于没效果的一直没效果 ... 这里大家可能不太理解，现在有道数学题，你因为粗心大意做错了，所以在提示下你一定能作对，但是这道题你就是不会，那么你怎么都不会接下来给出之前的简单案例：
六顶思考帽是一种经典的“平行思维”框架，旨在将混乱的思考过程结构化。其核心是赋予思考者六种不同的角色“帽子”：
白帽：客观中立，只关注事实与数据。
红帽：感性直觉，表达情绪与预感。
黑帽：谨慎批判，专注风险与缺陷。
黄帽：积极乐观，看到价值与机会。
绿帽：创新创造，探索新想法与可能性。
蓝帽：统筹控制，管理思考流程与总结。
其威力在于强制切换视角，避免人们被单一立场（比如一味批判或盲目乐观）所困，从而实现对问题的全方位审视。举个具体的案例，要不要在公司上马一个Agent项目，跑一轮六顶思考帽，大致会变成这样一套 ReAct 循环：
白帽：我到底知道哪些事实？现在公司有什么基础？预算多少？有哪些现成数据和系统？
黑帽：最坏的情况是什么？可能踩哪些坑？哪些部门一定会强烈反对？
黄帽：如果成功了，最大的收益是什么？对业务、对团队能力有哪些放大？
绿帽：在现有资源约束下，有没有一些性价比更高的落地路线？比如先从一个小流程改造，而不是一上来做全栈Agent平台。
蓝帽：把前面所有视角收束成一个可执行的行动计划，先做什么，怎么拆阶段，怎么验证，失败后怎么止损，蓝猫开始收尾做输出了。
这一整套六顶思考帽跑下来，模型在不断地对自己刚刚的想法进行追问、纠偏和补充，这就是典型的模型自问自答，这有2个好处：
第一，强行补全视角；第二，把想清楚从一次性梭哈，变成逐步逼近，最终，让规划从黑盒直觉，变成可复盘的过程。
现在切换角色：你是一位非常挑剔的审稿专家/红队评审。
目标：尽可能证伪你刚才的回答。
要求：
1) 指出最脆弱的3个点（每个点都要具体，不要泛泛而谈）
2) 对每个点说明：你刚才隐含了什么假设？
3) 给出一个“会导致失败/结论反转”的场景或反例
4) 如果存在不确定性，请明确写出“不确定在哪里、需要什么信息才能确认”