提示詞工程相關文章：
OpenAI開發(fā)系列（八）：基于思維鏈(CoT)的進階提示工程
提示詞工程(Prompt engineering)-寫好提示詞激活大模型(LLM)基本策略
福利：關于協(xié)助生成提示詞的應用--沒有親測過
7大提示詞神器
資料分析
網上相關的資料非常多过椎，我找了兩個有代表性的文檔拟逮，
第一個：偏方法論一些
第二個：偏技巧一些
我個人比較喜歡第一個文章停撞，其給出的方法更底層一些踪少，基于這些方法可以更變化出更多技巧郎楼，同時更容易進行結構化處理，方便內化吸收；
第二個文章：給了好多方法，也做了分類匕积，但無法應用MECE法則進行結構化處理。
針對第一個文章中給出的提法方法榜跌，我有一個大體感覺：
通用大語言模型就像一個剛高校畢業(yè)步入職場的新人闪唆，其經過多年的學校學習與訓練，已經具備一定的基本知識與能力钓葫；
但如何讓新人在公司的具體崗位上快速成長苞氮，在工作中表現(xiàn)出色，只有兩個方法：
1瓤逼、數(shù)據：提供其崗位工作內容的歷史數(shù)據，讓其參考學習
2库物、方法：提供本公司本崗位的工作方法霸旗，讓其掌握方法工具
通用大語言模型也是類似。
提示方法（結構化處理 -MECE）：
| 分類 | 提示方法 | 描述 | 案例 |
|---|---|---|---|
| 樣本 (數(shù)據) | Zero-Shot | 無樣本 | |
| Few-Shot & One-shot | 少量樣本（類似問題和答題做為參考樣本） | Q：“羅杰有五個網球戚揭，他又買了兩盒網球诱告，每盒有3個網球，請問他現(xiàn)在總共有多少個網球民晒？” A：“現(xiàn)在羅杰總共有11個網球精居。” Q：“食堂總共有23個蘋果潜必，如果他們用掉20個蘋果靴姿，然后又買了6個蘋果，請問現(xiàn)在食堂總共有多少個蘋果磁滚？” A：? | |
| 思考鏈 (CoT) (方法) | Zero-shot-CoT | 一種非常簡單而有效的方式是：在提示詞尾部追加一句“Let’s think step by step”佛吓，即可大幅提高模型推理能力宵晚。 中文語境：請一步步進行推理并得出結論 | 羅杰有五個網球，他又買了兩盒網球维雇，每盒有3個網球淤刃，請問他現(xiàn)在總共有多少個網球？請一步步進行推理并得出結論吱型。 |
| Few-shot-CoT | Few-shot-CoT的不同之處只是在于需要在提示樣本中不僅給出問題的答案逸贾、還同時需要給出問題推導的過程（即思維鏈），從而讓模型學到思維鏈的推導過程津滞，并將其應用到新的問題中铝侵。 | Q：“羅杰有五個網球，他又買了兩盒網球据沈，每盒有3個網球哟沫，請問他現(xiàn)在總共有多少個網球？” \ A：“羅杰起初有五個網球锌介，又買了兩盒網球嗜诀，每盒3個，所以孔祸，他總共買了2×3=6個網球隆敢，將起始的數(shù)量和購買的數(shù)量相加，可以得到他現(xiàn)在總共的網球數(shù)量：5+6=11崔慧，所以羅杰現(xiàn)在總共有11個網球” \ Q：“食堂總共有23個蘋果拂蝎，如果他們用掉20個蘋果，然后又買了6個蘋果惶室，請問現(xiàn)在食堂總共有多少個蘋果温自？” \ A：？ | |
| Least-To-Most-CoT | 兩個階段進行: 第一個階段是自上而下的分解問題（Decompose Question into subquestion）皇钞， 為了解決“__”這個問題悼泌，首先要解決的問題是__ 第二個階段是自下而上的依次解決問題（Sequentially Solve Subquestion） 整個依次回答問題的過程，其實就可以看成是CoT的過程夹界， 只不過LtM會要求模型根據每個不同的問題馆里，單獨生成解決問題的鏈路， 從而能夠更加精準的解決復雜推理問題可柿。 | 見第一個文章 |
補充：
對于一個大的復雜的問題鸠踪，建議采用兩階段法：
兩階段推理的設想：
第一個階段先進行問題的拆分并分段解答問題（Reasoning Extraction），
第二階段再進行答案的匯總（Answer Extraction）
之前我使用AI編寫論文時复斥，基本就使用的這個方法营密。
先讓AI針對論文題目給出了論文目標結構
然后針對每個章節(jié)進行單獨詢問，最新把答案匯總永票。
感想
目前的AI還基于處于強人工智能的初級階段卵贱，即只會把人類已有的知識進行更好的組織滥沫，還無法進行真正的創(chuàng)新。
所以對于提出的問題键俱，必須是人類已經有答案的兰绣。
對于要寫的論文，核心觀點或思想還是要我們自己提供的编振。
目前的AI還是處于助手的階段缀辩，核心問題還是要我們自己來處理的，
根據二八定律踪央，我們只需做20%的核心工作臀玄，其它均可交于AI完成！
