检索增强生成（RAG）
通过检索器检索专有知识（向量数据库）并入输入给大模型，生成的答案更可靠，还有助于缓解"幻觉"问题。
LangChain 文档中可以找到一个使用检索器和 LLM 回答问题并给出知识来源的简单例子 python.langchain.com/docs/tutori...
自动推理并使用工具（ART）
交替运用 CoT 提示和工具已经被证明是一种强大而稳健的方法。使用冻结的 LLM 来自动生成包含中间推理步骤的程序，其工作原理如下：
- 接到一个新任务的时候，从任务库中选择多步推理和使用工具的示范。
- 在测试中、调用工具时先暂停生成，将工具输出整合后继续接着生成。
自动提示工程师（APE）
自动指令生成和选择：
🤖 APE 是怎么工作的？
- 目标明确：告诉 AI 你想完成什么任务，比如"总结一段话"或"翻译成英文"。
- AI 自己生成提示语：系统会让 AI 自动生成很多种不同的提问方式（比如："请总结这段话"，"给我一个简短的摘要"，"这段内容讲了啥？"等等）。
- 测试哪种最好：然后系统再让 AI 测试这些提示语，看哪个效果最好（也就是 AI 回答得最准确、最有用）。
- 选出最优提示：最后系统挑出那个"最棒的提示语"，以后就可以直接用了！
🎯 举个例子：
假设你希望 AI 把中文翻译成英文。
- APE 会自动生成一些提示语：
- "请把下面这句话翻译成英文。"
- "翻译这个句子为英语。"
- "将以下内容转换为英文。"
- 然后测试哪一句翻译得最准，就把那一句保留下来。
活动提示（Active-Prompt）
CoT 方法依赖人工样本范例，但这些范例可能不是不同任务的最有效的。Active-Prompt 方法为 LLM 应用到不同的任务提供了新的思路。
过程：
- 使用或不使用少量 CoT 示例查询 LLM，让 LLM 生成 K 个可能的答案
- 选择最不确定的问题由人类进行注释
- 使用新的注释范例来推断每个问题
方向性刺激提示
程序辅助语言模型（PAL）
读取自然语言问题并生成程序作为中间推理步骤。
自我反思（Reflexion）
写一个关于雨天的故事，100字即可 反思一下这个故事还有哪些提升的点 按照上面的反思来优化这个故事