生成知识（Generated Knowledge）提示法

什么是生成知识提示法？

生成知识（Generated Knowledge）是一种两阶段提示技术：

为什么需要生成知识？

基础用法

两段式提示

第一步：请列出与这个问题相关的所有知识点。

问题：[你的问题]

相关知识：
[AI 生成知识点]

第二步：基于以上知识，请回答这个问题。

答案：
[AI 基于知识回答]

标准模板

请按照以下步骤回答：

## 步骤 1：生成相关知识
列出解决这个问题需要的所有知识点、事实、原理。

## 步骤 2：基于知识推理
使用步骤 1 中的知识，逐步推理。

## 步骤 3：给出答案
总结推理结果，给出最终答案。

问题：[你的问题]

高级技巧

1. 知识验证

第一步：生成与问题相关的知识。
第二步：验证每个知识点的准确性。
第三步：基于验证后的知识回答问题。

问题：[你的问题]

2. 多角度知识

请从以下角度生成相关知识：
1. 历史背景
2. 技术原理
3. 实际应用
4. 发展趋势

然后基于这些知识回答问题。

问题：[你的问题]

3. 知识图谱

请构建与这个问题相关的知识图谱：

核心概念：[概念 1, 概念 2, ...]
概念关系：[关系描述]
相关原理：[原理列表]

基于这个知识图谱，回答问题。

实际应用场景

1. 技术问题

第一步：列出解决这个技术问题需要的所有知识点。

问题：如何优化 React 应用的性能？

相关知识：
- React 渲染机制
- 虚拟 DOM 原理
- 常见性能瓶颈
- 优化技术

第二步：基于以上知识，给出具体的优化建议。

2. 决策分析

第一步：生成与这个决策相关的所有考虑因素。

问题：是否应该使用微服务架构？

相关因素：
- 团队规模
- 系统复杂度
- 运维能力
- 成本预算

第二步：基于以上因素，给出决策建议。

3. 学习辅导

第一步：列出理解这个概念需要的前置知识。

问题：如何理解 Transformer 架构？

前置知识：
- 注意力机制
- 编码器 - 解码器结构
- 位置编码
- 自注意力

第二步：基于前置知识，解释 Transformer。

与 RAG 结合

生成知识可以与 RAG（检索增强生成）结合：

以下是检索到的相关知识：
[外部知识]

请基于以上知识，结合你的内部知识，回答问题。

问题：[你的问题]

注意事项

练习

尝试用生成知识方法：

---

**上一步**：[自我一致性提示法](/tutorials/tutorial-advanced-002)

**下一步**：[最少到最多提示法](/tutorials/tutorial-advanced-004)