提示工程指南 [译]
提示工程更像是艺术而非简单的技术活,只有在你深入理解并开始恰当运用提示工程时,其强大的威力才会显现。
今天,我们将深入探讨各种提示技巧,并通过直观示例来加以展示:
-
零样本 (Zero-shot) 提示
-
少样本 (Few-shot) 提示
-
思维链 (Chain of thought) 提示
-
思维树 (Tree of thought) 提示
1️⃣ 零样本提示
零样本提示是指 AI 模型在没有事先对特定提示进行训练的情况下,仍能产生有意义的回应或完成任务。
这是一个示例 👇
2️⃣ 少样本提示
与零样本提示不同,少样本提示是指用极少量的数据或示例来训练 AI 模型。
这种方法使得模型能够根据用户提供的少量示例迅速调整自身,从而产生相应的回答。
这里有一个例子 👇
3️⃣ 链式思维提示 (Chain of Thought Prompting)
链式思维提示是一种用户按顺序、逐步提问的方法,每一步的提示都是基于前一步的回答。
这种方式使得 AI 模型能够产生更加连贯、更符合上下文的输出,这仿佛是在模拟人类的对话流程。
==以下是一个示例 👇==
4️⃣ 思维树提示(ToT)
思维树提示(ToT)是一种创新的思维方式,与思维链提示相似,但它采用分支路径来促进多元思考。
在这种方式下,用户可以通过构建类似树状的提示结构,来探索对话中的不同思路和可能性。
ToT 提高了与 AI 模型互动时的灵活性、探索性及回溯能力。
简而言之,ToT 主要包括两大部分:
-
思维的产生
-
思维的评估
以 24 点游戏为例,ToT 在这个数学推理挑战中发挥重要作用。游戏目标是利用 4 个数字和基础算术运算得出 24。
例如,对于输入“4 9 10 13”,一个可能的解法是“(10 - 4) * (13 - 9) = 24”。
(继续阅读时,请参照下文的图片)
在 24 点游戏中应用 ToT,我们需要将思考过程分解为三个阶段,每个阶段都是一个过渡性的方程式。
图 2(a): 思维的产生
将思考过程分解成三个方程式的阶段。
在每一个阶段(或称为树节点)中:
-
首先提取出待处理的“左侧”数字。
-
接着让大语言模型(LM)提出下一步可能的思考路径。
-
对所有三个思考阶段使用相同的“提议型”提示。
-
注意:这里仅以一个四数字输入的例子进行说明。
在 ToT 中运用广度优先搜索(BFS):
- 在每个阶段保留前五个最佳候选。
图 2(b): 思维的评估
-
指导 LM 对每一个思维候选进行评估,判断其是否“确定能达成/可能达成/不可能达成”24 点。
-
目标是筛选出能通过少量尝试验证的正确部分解。
-
淘汰掉那些不可能实现的部分解。
-
保留那些被标记为“可能”的解法。
今天的分享就到此为止,不久后我们还会带来更多关于 AI 工程领域的精彩内容!
感谢大家的阅读!🙂