问题: 一个商品原价 100 元，先打 8 折，再打 9 折，最终价格是多少？

Prompt: 
请一步一步思考并计算：
1. 计算第一次打折后的价格
2. 再计算第二次打折后的价格
3. 给出最终结果

示例 1:
Q: 约翰有 5 个苹果，吃掉 2 个，又买了 3 个，他现在有几个？
推理: 
- 初始: 5 个
- 吃掉后: 5 - 2 = 3 个
- 买入后: 3 + 3 = 6 个
A: 6 个

示例 2:
Q: 一辆车以 60 km/h 的速度行驶 2 小时，行驶了多远？
推理:
- 速度: 60 km/h
- 时间: 2 h
- 距离 = 速度 × 时间 = 60 × 2 = 120 km
A: 120 km

现在请回答:
Q: [你的问题]

同一问题
  ↓
多次采样（temperature: 0.7-1.0）
  ↓
生成 N 条 CoT 推理路径（N=5-10）
  ↓
答案聚合（多数投票/置信度加权）
  ↓
最终答案

Final_Answer = argmax_a Σ I(Answer_i = a)

问题: 停车场有 10 辆车。如果是红色的概率是 20%，是丰田车的概率是 30%。
如果是红色且是丰田车的概率是 5%。请问一辆车既不是红色也不是丰田车的概率是多少？

操作步骤:
1. 设置 temperature = 0.7
2. 发送上述 Prompt **5 次**
3. 收集 5 个答案
4. 统计众数作为最终答案

在解决问题前，请先总结解决这类问题的一般方法。
然后应用该方法解决具体问题。

问题: 如果不考虑空气阻力，从 100 米高空丢下一个 1kg 的铁球和一个 10kg 的铁球，
谁先落地？

Step-Back Prompt:
**Step 1 (抽象化)**:
在回答之前，请先简述这涉及什么物理原理？伽利略的比萨斜塔实验得出了什么结论？

**Step 2 (应用)**:
基于上述原理，回答原始问题。

Thought (思考)
  ↓
Action (调用工具)
  ↓
Observation (工具返回结果)
  ↓
Thought (基于新信息再思考)
  ↓
... (循环直到得出最终答案)

**Instruction**: 
Answer the following questions as best you can. You have access to the following tools:
- Google Search: Look up current information
- Calculator: Perform math calculations

**Format**:
Use the following format:
Question: the input question you must answer
Thought: you should always think about what to do
Action: the action to take, should be one of [Google Search, Calculator]
Action Input: the input to the action
Observation: the result of the action
... (this Thought/Action/Observation can repeat N times)
Thought: I now know the final answer
Final Answer: the final answer to the original input question

**Question**: 
现任微软 CEO 的年龄的 0.5 次方是多少？

Thought: 我需要先查找现任微软 CEO 是谁，以及他的年龄
Action: Google Search
Action Input: "现任微软 CEO 年龄"
Observation: Satya Nadella, 57 岁
Thought: 现在我知道年龄是 57，需要计算 57^0.5
Action: Calculator
Action Input: 57^0.5
Observation: 7.55
Thought: 我现在知道最终答案了
Final Answer: 7.55

当前状态
  ├─ 思路 A → 评估 (分数: 7/10)
  ├─ 思路 B → 评估 (分数: 9/10) ← 选择
  └─ 思路 C → 评估 (分数: 5/10)
        ↓
  选择最优分支继续扩展
        ↓
  思路 B 的子分支
    ├─ B1 → 评估
    ├─ B2 → 评估
    └─ B3 → 评估

**Step 1 (Generate)**: 
提出 3 个截然不同的营销主题思路。

**Step 2 (Evaluate)**: 
作为一位挑剔的投资人，分别列出这 3 个思路的潜在风险和预期回报，并打分 (0-10)。

**Step 3 (Select & Expand)**: 
抛弃分数最低的方案。保留前两名，并针对每一名，分别构思 2 个具体的执行渠道。

**Step 4 (Final Decision)**: 
综合对比，选出最终的最佳路径。

请分别从以下角色回答问题：
1. **数学专家**: 从数学模型和统计学角度分析
2. **业务专家**: 从商业价值和市场角度分析
3. **风险控制专家**: 从风险管理和合规角度分析

问题: [你的问题]

最后请综合他们的观点，给出最终结论。

Preparing diagram...

prompt-library/
├── 01_reasoning/
│   ├── chain_of_thought_basic.md
│   ├── zero_shot_cot.md
│   ├── few_shot_cot.md
│   └── step_back_prompting.md
├── 02_reliability/
│   ├── self_consistency_wrapper.py
│   └── multi_expert_ensemble.md
├── 03_agent/
│   ├── react_basic.md
│   ├── react_with_tools.md
│   └── tool_qa.md
├── 04_search/
│   ├── tree_of_thoughts_process.md
│   └── tot_evaluation_template.md
├── 05_domain/
│   ├── code_generation.md
│   ├── data_analysis.md
│   └── technical_writing.md
└── README.md

# 模板名称: [Template Name]

## 用途
[简要描述此模板的用途]

## 参数
- `{{role}}`: 角色定义
- `{{task}}`: 任务描述
- `{{context}}`: 上下文信息
- `{{format}}`: 输出格式

## 模板内容

【角色】
{{role}}

【任务】
{{task}}

【上下文】
{{context}}

【约束】
- 输出格式：{{format}}
- 不确定时请说明"信息不足"
- 保持客观和准确

【输出】

## 使用示例
[提供 1-2 个具体使用示例]

## 注意事项
[列出使用此模板时需要注意的事项]

# ReAct Agent Template

## 系统提示

你是一个可以思考和行动的智能代理。

**可用工具**:
- `Search(query)`: 搜索互联网信息
- `Calculator(expression)`: 执行数学计算
- `Database(sql)`: 查询数据库

**输出格式**:
严格按以下格式输出：

Thought: [你的思考过程]
Action: [工具名称]
Action Input: [工具输入]
Observation: [工具返回结果，由系统填充]
... (重复 Thought/Action/Observation 直到得出答案)
Thought: 我现在知道最终答案了
Final Answer: [最终答案]

**约束**:
- 每次只能调用一个工具
- 必须基于 Observation 进行下一步思考
- 最多执行 5 个 Action
- 如果无法解决，请说明原因

## 用户问题
{{user_question}}

Zero-Shot → Few-Shot → CoT → Self-Consistency
                              ↓
                         Step-Back
                              ↓
                          ReAct (Agent)
                              ↓
                         ToT (搜索)