LLM- Prompt Engineering 提示词工程(二)

前言

看了上一篇Prompt的介绍，算是对Prompt有了基本的认识。掌握了Prompt的基本原则、格式、角色扮演这些技巧，能覆盖一些简单的使用场景了。但是对于复杂的，有业务逻辑的、多步骤的场景，LLM往往会给出错误的回答或者答案。

所以，还得继续掌握下面的prompt技巧。

Prompt进阶

• zero-shot prompting(零样本提示) 和 few-shot prompting(少样本提示)

上篇文章中，我们一直是给LLM下指令，要求他按照我们的要求完成什么事情，并没有给他样例，这就是zero-shot prompting(零样本提示)。如果在Prompt中我们发出指令，并且给它写个例子，这种就是 few-shot prompting(少样本提示)

感觉这种技巧，就是防止LLM不知道怎么做而乱给答案，所以先给LLM举个例子，告诉他看见没有，照着这个做。有的时候一个例子(one-shot)不行，就多弄几个例子(few-shot)。用了LLM领域专业的说法就是，启用LLM上下文学习(in context learning)能力

下面是zero-shot时，让ChatGPT只翻译每段话的开头几个词，但是ChatGPT把整段文字都翻译成了英文

下面使用few-shot后，可以看到ChatGPT可以正确理解了我的实际意图

• 思维链Chain-of-Thought(CoT)Prompting，引导模型去推理

正如上面的例子，左侧是一个标准的one-shot，给了一个例子

Roger有5个球，他又买了两筐，每筐3个，请问Roger现在有几个球？

答案是11个。

然后我们提问一个类似的问题，一开始有23个苹果，吃了20个，又买了6个，问现在有几个苹果？

结果ChatGPT给出的答案是27个。解决明显是错误的。

此时如果我们使用Chain-of-Thought Prompting

把我们的计算思路、计算过程写出来展示给LLM，此时ChatGPT就能够模拟我们的思考过程，他也进行推理，所以再问类似的问题，ChatGPT就能给出正确答案了。

• 咒语 think step by step

let's think step by step

lets's analyze this step by step

放大招了！如果在Prompt中加入think step by step，你会惊奇的发现，我们不需要例子或者思维链，ChatGPT就会自己做推理来回答问题

小结

三个Prompt技巧

few-shot

chain-of-thought

think step by step

不积跬步无以至千里，每天学一点，赶紧练起来吧