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！🙂