你再也不需要提示工程了：提示逆转

提示工程，特别是链式思维（Chain-of-Thought, CoT）提示，显著增强了LLM的推理能力。我们引入一种受约束、基于规则的提示方法，称为“雕刻”（Sculpting），旨在改进标准CoT，减少由语义模糊和不良常识导致的错误。我们在三个OpenAI模型代际（gpt-4o-mini、gpt-4o、gpt-5）上评估了三种提示策略（零-shot、标准CoT和雕刻），使用GSM8K数学推理基准测试（1,317个问题）。我们的发现揭示了一种“提示逆转”：在gpt-4o上，雕刻提供了优势（97% vs. 93%的标准CoT），但在gpt-5上则适得其反（94.00% vs. 96.36%的CoT在完整基准测试上）。我们将这一现象归因于一种“从护栏到手铐”的转变，其中防止常见错误的约束在中等水平模型中产生益处，但在先进模型中则导致过于字面化。我们的详细错误分析表明，最佳提示策略必须随模型能力的演进而演变，建议为更强大的模型使用更简单的提示。