Reasoning Prompts

这一节整理用于测试与提升 reasoning 能力的 prompts。核心目标不是输出“很长的推理”，而是在约束条件下给出可验证的结论。

---

什么是 Reasoning Prompt？

Reasoning Prompt 通过明确目标、边界条件与输出格式，让模型完成逻辑判断、因果推断或策略选择，并保证结论可复核。

┌─────────────────────────────────────────────────────────────┐
│                     Reasoning Prompt 流程                     │
├─────────────────────────────────────────────────────────────┤
│                                                             │
│   条件输入     →   规则/约束     →   推理判断     →   结论验证  │
│ (已知信息)        (不能假设)        (给出依据)        (可复核) │
│                                                             │
└─────────────────────────────────────────────────────────────┘

---

学习路径（建议顺序）

1. 入门：学会用固定格式输出结论 + 依据
2. 进阶：在约束条件下做选择或判断
3. 实战：把业务场景拆成可验证条件

---

为什么 Reasoning 很重要？

---

业务产出（PM 视角）

使用 Reasoning Prompt 后，你可以直接产出：

• 决策说明：结论 + 依据（可用于对齐团队）
• 风险判断：在限制条件下的可验证结论
• 可复用模板：同类问题直接替换条件使用

完成标准（建议）：

• 读完本页 + 完成 1 个练习 + 做 1 次自检

---

Reasoning 常见类型

---

核心 Prompt 结构

一个稳定的 Reasoning Prompt 应包含：

目标：给出最终结论
条件：必须基于给定条件，不引入假设
格式：结论 + 关键依据（最多 3 条）
输入：题目/场景

通用模板

你是严谨的逻辑分析师。请基于以下条件给出结论。

条件：
{conditions}

问题：
{question}

要求：
1) 仅使用给定条件
2) 结论必须可验证
3) 输出格式固定

输出格式：
- 结论：
- 依据：1-3 条

---

迁移模板（替换变量即可复用）

条件：
1) {condition_1}
2) {condition_2}
3) {condition_3}

问题：
{question}

输出：
- 结论：
- 依据：1-3 条

---

Quick Start：判断题

Prompt:

请根据以下条件判断结论是否成立，并给出 3 条以内依据。

条件：
1) 所有 A 都是 B
2) 部分 B 是 C

结论：
存在 A 是 C

输出格式：
- 结论：成立/不成立
- 依据：1-3 条

Output:

- 结论：不成立
- 依据：
1) 只有部分 B 是 C，无法保证 A 属于这部分 B

---

示例 1：业务决策（约束选择）

场景：营销渠道选择

Prompt:

你是运营负责人，请在约束条件下做出决策。

约束：
- 预算 5 万
- 只能选 2 个渠道
- 目标是拉新

候选渠道：
1) 直播投流：转化高但波动大
2) 线下地推：稳定但成本高
3) 内容投放：慢热但可复用

输出：
- 选择：
- 理由（不超过 3 条）：

---

示例 2：因果推断（数据解释）

场景：转化率下降分析

Prompt:

你是数据分析师，请基于条件判断最可能原因。

条件：
1) 最近一周广告点击率上升 15%
2) 落地页加载速度变慢 2 秒
3) 购买转化率下降 10%

问题：转化率下降的最可能原因是什么？

输出：
- 结论：
- 依据（1-3 条）：

---

示例 3：规则冲突处理

场景：客服工单优先级

Prompt:

根据以下规则判断工单优先级。

规则：
- 影响用户数 > 1000：高
- 涉及支付问题：高
- 仅 UI 问题：低

工单描述：支付成功但页面样式错位，影响约 50 名用户。

输出：
- 优先级：
- 依据（不超过 3 条）：

---

示例 4：反事实推理

场景：策略变更影响

Prompt:

假设我们把免运费门槛从 $50 提升到 $80，会对以下指标产生什么影响？

已知：
- 当前平均订单金额 $55
- 30% 用户刚好在 $50-$80 区间
- 客单价越高，复购率越低

输出：
- 可能影响：
- 依据（1-3 条）：

---

自检清单（提交前自查）

• 结论是否只基于给定条件？
• 依据是否可验证、可复核？
• 是否引入了额外假设？
• 输出格式是否稳定、可解析？

---

进阶技巧

1. 限制依据条数：降低模型发散。
2. 禁止额外假设：把“只基于条件”写进规则。
3. 固定输出字段：便于自动化解析。
4. 加入对照条件：引导模型做因果分离。
5. 设置验证问题：例如“结论是否与条件矛盾？”

---

常见问题与解决方案

---

API 调用示例

Python (OpenAI)

from openai import OpenAI

client = OpenAI()

def reasoning_decision(conditions: str, question: str) -> str:
    response = client.chat.completions.create(
        model="gpt-4o",
        messages=[
            {
                "role": "system",
                "content": "你是严谨的逻辑分析师，只能基于给定条件推理。"
            },
            {
                "role": "user",
                "content": f"""条件：{conditions}
问题：{question}
输出格式：
- 结论：
- 依据："""
            }
        ],
        temperature=0,
        max_tokens=200
    )
    return response.choices[0].message.content.strip()

print(reasoning_decision("所有 A 都是 B；部分 B 是 C", "是否存在 A 是 C？"))

Python (Claude)

import anthropic

client = anthropic.Anthropic()

def reasoning_decision(conditions: str, question: str) -> str:
    message = client.messages.create(
        model="claude-sonnet-4-20250514",
        max_tokens=200,
        messages=[
            {
                "role": "user",
                "content": f"""你是逻辑分析师。
要求：仅基于条件推理，不引入假设。
条件：{conditions}
问题：{question}
输出：
- 结论：
- 依据："""
            }
        ]
    )
    return message.content[0].text.strip()

print(reasoning_decision("预算 5 万，只能选 2 个渠道", "选择哪两个？"))

---

动手练习

练习 1：条件判断

条件：
1) 所有开发人员都会写代码
2) 部分写代码的人会写测试

结论：所有开发人员都会写测试

输出格式：
- 结论：
- 依据：

练习 2：业务选择

约束：
- 预算 10 万
- 必须在 2 周内见效

候选方案：
1) SEM 投放：见效快，成本高
2) 内容营销：见效慢，可复用
3) 线下活动：成本高，周期长

输出：
- 选择：
- 理由（<=3 条）：

练习 3：反事实推理

假设把订阅价格从 $9.9 提升到 $12.9，会对留存产生怎样的影响？
已知：
- 价格敏感用户占比 40%
- 提价后收入可提升 20%

输出：
- 可能影响：
- 依据：

---

练习评分标准（学生自评）

---

相关阅读

• Indirect reasoning
• Physical reasoning
• Chain-of-Thought
• Self-Consistency

---

小结

1. Reasoning Prompt 的关键是约束 + 可验证。
2. 固定输出格式，便于自动化处理。
3. 限制依据条数，避免发散推理。
4. 不足条件要先补齐，再做结论。
5. 通过练习建立可复用模板库。