文章目录
一、Chain of Thought (CoT)
如果生成一系列的中间推理步骤,就能够显著提高大型语言模型进行复杂推理的能力。
二、Few-Shot CoT 和 Zero-Shot CoT
Few-Shot CoT 简单的在提示中提供了一些 链式思考示例 (Chain-of-Thought Prompting),足够大的语言模型的推理能力就能够被增强。简单说,就是给出一两个示例,然后在示例中写清楚推导的过程。
其实 LangChain 的核心组件 Agent 的本质就是进行好的提示工程,并大量地使用预置的 FewShot 和 CoT 模板。这个在之后的课程学习中我们会理解得越来越透彻。
在 Zero-Shot CoT 中,你只要简单地告诉模型 “让我们一步步的思考 (Let’s think step by step)”,模型就能够给出更好的答案!
这不由得让我联想起最简单的提示工程,角色设定——模型回答之前,先告诉它“ 你是一个很有经验的 XX 专家”,模型应该就会在开始胡说八道之前三思。
总结一下,Few-Shot CoT,指的就是在带有示例的提示过程中,加入思考的步骤;Zero-Shot CoT,就是直接告诉模型要一步一步地思考,慢慢地推理。
三、CoT的模板设计
针对这个花店电商公司工作的 AI助手的需求,我设计了