LLM（大语言模型）性能优化是一个多维度、多层次的系统工程，涉及从提示工程到模型微调，从推理加速到系统架构优化等多个方面。以下是当前主流的优化手段及其技术细节：
一、提示工程（Prompt Engineering）
提示工程是优化LLM性能最直接、成本最低的方法，适用于快速原型开发和初步优化：
- 结构化提示词：设计清晰、分步骤的提示模板，减少歧义，提高指令遵循度。
- Few-shot Learning：在提示中加入少量示例（如3-5个），引导模型模仿正确输出格式。
- 思维链（Chain-of-Thought, CoT）：让模型分步推理，提升复杂问题的准确性。
- 动态提示优化：根据模型响应调整提示词，如增加约束条件或细化问题描述。
)
