文章目录
- [High level look](#High level look)
High level look
提示的重要性往往会被低估或者高估
低估是因为正确的提示技术如果使用得当，可以让我们走的更远。
高估是因为基于提示的应用程序，需要围绕提示进行大量的工程设计才能运行良好。
提示工程指南
- 零样本/少样本学习
- 思维链提示
- 自我一致性
- 生成知识提示
- 链式提示
- 检索增强生成（RAG）
- 最少提示到最多提示
- 自动推理及工具使用（ART）
- 程序辅助语言模型（PAL）
- 迭代提示
- 自问提示
- 元提示
- 顺序提示
- 思维树（ToT）
- 推理/行动框架（ReAct）
- 自动提示工程师（APE）
- 主动提示
- 方向性刺激提示
- 自我反思（Reflexion）
- 多模态思维链
提示工程总结
- 要清晰准确，这样模型就不必猜测你的意图；
- 使用分隔符或标记添加结构；
- 通过举例和解释来帮助示范；
- 要求模型反复思考，解释其结局方案；
- 如果提示任务比较复杂，可以考虑将其拆分成若干子任务；
- 试着多问几次同样的提示；
- 考虑增加一个模型自检步骤；
- 如有需要，可将LLM与外部工具结合使用；
- 作为一个数据科学过程来对待，这是一个迭代的过程，需要进行评估；