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;