一句话定义：Prompt Ensembling（提示集成）是把同一个问题用多种不同提示词分别交给模型回答，再通过投票或合并选出最终答案的方法。
展开讲清：大模型对提示措辞很敏感。同一个问题，换个问法、换个角色设定、换种推理顺序，答案可能就变了；即使提示不变，当温度（temperature）大于 0 时，采样也带随机性。单个提示就像让一个人用固定思路答题，可能因表述不巧、样例偏差或某一步推理走错而答错。
提示集成的做法是：让模型从多个角度解同一道题。比如同一道选择题，分别用“直接选答案”“先排除错误项”“一步步推导”“换个角色审题”等提示各跑一遍，最后看哪个答案出现最多。生活里的比方是：请五位老师独立做同一道题，有人擅长排除法，有人擅长代入法，最后按多数意见给答案。个人可能犯错，但几个人犯同一个错的概率会低很多，随机错误容易互相抵消，正确答案更容易浮出来。
和相邻概念的区别：
| 概念 | 集成对象 | 典型做法 |
|---|---|---|
| Prompt Ensembling | 多个提示 | 同一问题跑多种提示，再投票或合并 |
| AI 词典：Self-Consistency">Self-Consistency（自洽性） | 同一提示的多次采样 | 同一提示采样多次，答案投票 |
| Model Ensemble（模型集成） | 多个模型 | 不同模型分别回答，再融合结果 |
Self-Consistency 最接近提示集成，但它主要靠“同一个提示多次采样”；提示集成更强调提示本身的多样性。Prompt Engineering（提示工程）则是更大的范围，提示集成只是其中一种提高稳定性的策略。
实际意义：对分类、信息抽取、审核判断、数学选择题等有明确答案的任务，多跑几个提示变体再投票，通常比单提示更稳，代价是成本和延迟成倍增加。实用做法是：简单问题先用单提示，遇到低置信度或高风险结果再启用集成。对普通职场人也有启发：重要问题换几种问法问 AI，如果答案反复一致，可信度更高；如果差异很大，就别急着照单全收。具体模型能力与费用，以官方页面为准。