提示工程指南 [译]

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:

  1. 思维的产生

  2. 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!🙂