Step-Back Prompting 后退提示法

直接问模型一个具体问题，它有时会一头扎进细节，答偏。Step-Back（后退提示）的核心动作就一个：让它先退一步，找出问题背后的通用原理，再回来解题。

这招是 DeepMind 提出的，对物理、化学这类知识推理题，准确率提升相当明显。

它在解决什么

人类专家解难题时，很少一上来就抠细节。会先想「这属于哪类问题、有什么通用规律」，再往下套。模型直接答的时候，往往跳过了这一步——Step-Back 就是把这步强行补回来。

两步走

第一步，后退（抽象）：别急着问原问题，先问背后的概念。

第二步，回答：拿着第一步得到的原理，再解原来的具体问题。

举个例子。原问题：

一个理想气体，温度变成原来的 2 倍、体积变成原来的 1/4，压强怎么变？

直接问，模型容易算错。换成 Step-Back：

第一步：这道题涉及哪条物理定律？它的公式是什么？

（模型答：理想气体状态方程 PV=nRT）

第二步：用这条定律，温度×2、体积×1/4，压强如何变化？

有了 PV=nRT 这个「锚」，模型再算就稳多了。

可直接套的模板

在回答下面这个问题之前，请先后退一步：
1）这个问题属于哪个领域 / 涉及什么核心概念或原理？
2）相关的通用规则、公式或方法是什么？
然后再用上面提炼的原理，回答具体问题：
{你的具体问题}

什么场景好用

知识推理题：物理、化学、数学，需要先调对公式 / 定律的。

复杂分析：先定「这是什么类型的问题」，能少走弯路。

容易被表面细节带偏的问题：强制抽象一层，避免见树不见林。

什么场景别用

简单事实问答别用。 问「法国首都是哪」还让它先后退一步，纯属浪费 token 和时间。Step-Back 是给「需要先定框架」的难题用的。

它会增加成本。 一次变两次推理，token 和延迟都上去了。对延迟敏感的线上场景要权衡。

和其他技巧的关系

Step-Back 经常和思维链（CoT）一起用：先 Step-Back 定原理，再用 CoT 一步步推。两者不冲突，是互补的。想系统了解推理类提示，可以看 思维链提示完全指南。

如果你还在打基础，建议先过一遍 提示工程入门，再来用这些进阶技巧会更顺。

小结

记住一句话：难题别让模型直接冲，先让它退一步看清楚是什么题。 Step-Back 不是万能的，但用对场景，提升很扎实。