电商网站的流程图怎么做淘宝店网站收录
第四章：大模型（LLM）
第七部分：Prompt 工程
第六节：受限生成和引导生成
大语言模型（LLM）具备强大的生成能力，但在实际应用中，用户并不总是希望模型“自由发挥”。有时需要它严格遵守规则，有时则需要它按照预期的风格和思路去表达。为此，Prompt 工程中提出了两种重要方法：受限生成（Constrained Generation）与引导生成（Guided Generation）。
它们一个强调“规则约束”，一个强调“方向引导”，在实际系统中常常配合使用。
一、受限生成（Constrained Generation）
1.1 定义
受限生成的核心是 规则性：模型必须在给定的限制条件下输出结果，不得偏离预设边界。
1.2 常见方式
候选答案限制
给定选项集合，模型只能从中选择。
示例：
你只能回答以下选项之一：["是", "否"]
语法/结构限制
要求输出符合 JSON、XML、Markdown 等格式。
示例：
{"答案": "xxx"}
模板化约束
输出必须填充在固定模板中。
示例：
[商品名称] 的价格是 [价格] 元。
长度限制
限制输出不超过指定字数或行数。
示例：
请用不超过50字总结这段话。
领域限制
限定回答范围，如只回答医学问题。
1.3 特点
优点：确保结果可控、格式统一，适合安全敏感或需要结构化数据的场景。
局限：过度限制可能抑制模型的创造性，输出内容僵硬。
二、引导生成（Guided Generation）
2.1 定义
引导生成强调 方向性：通过提示、上下文或示例，引导模型生成更符合预期目标的内容，但不做硬性限制。
2.2 常见方式
风格引导
指定语气、文风、角色身份。
示例：
请用莎士比亚的语言风格写一首爱情诗。
上下文引导
提供背景信息，让模型据此延展。
示例：
根据以下摘要，写一个100字的扩展评论。
思维路径引导
要求模型按步骤输出。
示例：
请先写出三点原因，然后总结结论。
示例引导（Few-shot）
给出几个示例，让模型模仿其风格和逻辑。
2.3 特点
优点：保留自由度，提升创造性与适用性。
局限：引导不清晰可能导致偏差，过度依赖示例可能限制灵活性。
三、对比与结合
| 特性 | 受限生成 | 引导生成 |
|---|---|---|
| 核心目标 | 确保结果满足规则（格式、安全性） | 引导结果贴合风格与语义方向 |
| 约束强度 | 强（硬性要求，如不得超过50字） | 弱（软性提示，留有发挥空间） |
| 典型应用 | 报表生成、工单系统、代码输出 | 创意写作、对话助手、教育引导 |
在实践中，两者往往结合：先设定规则保障安全与合规，再用引导提升表达的自然性与创造力。
四、应用案例
智能客服
受限生成：必须返回 JSON 格式，字段固定。
引导生成：语气要友好、耐心。
教育场景
受限生成：答案必须是选择题格式。
引导生成：讲解要通俗易懂，适合中学生理解。
内容创作
受限生成：诗歌必须 5 行，每行 7 个字。
引导生成：模仿李白的风格。
五、示例
受限生成
Prompt：
请在 ["通过", "不通过"] 中选择一个答案，判断以下申请是否合格：
申请人信用评分：720
负债率：35%
模型输出：
通过
引导生成
Prompt：
你是一位历史老师，请用简洁、生动的语言解释为什么秦始皇要修建长城。
模型输出：
秦始皇修建长城是为了抵御北方匈奴的进攻，就像在国家北部拉起一道巨大屏障，保护百姓的安全。
六、小结
受限生成：硬性规则，保证输出可控、安全、结构化。
引导生成：柔性引导，让内容更自然、贴近目标。
结合使用：在合规性与创造性之间取得平衡，是 Prompt 工程中的关键策略。