想了解Prompt 技術？看這篇就夠了！
最近看了 Meta-Prompt，發現 Prompt 的技術已經發展了幾代了。真的要好好梳理一下了。首先是官方有 一個自己的 Prompt engineer ， 這個是一定要認真學習的。
??https://platform.openai.com/docs/guides/prompt-engineering??
官方建議：
- 寫作清晰的指令
- 要在查詢里提供足夠的相關信息
- 要求模型有一個角色
- 用截止符清晰的區分輸入的不同部分
- 指定不同的步驟來完成任務
- 提供樣例
- 指定的輸出長度
- 提供參考資料
- 指導模型用參考資料回答問題
- 指導模型用參考資料的條件回答問題
- 分割復雜任務到簡單子任務
- 在查詢里用意圖來分類相關的指令
- 如果對話太長，就總結或者過濾一下以前的對話
- 分段總結長文本，并通過遞歸得到結果
- 讓模型有時間去“思考”
- 指導模型得到一個解決方案，優先于得到個結果。
- 通過內部或者一系列的查詢來隱藏模型的推理過程
- 重新問一下，如果它忘記了之前的事
- 使用外部工具
- 通過嵌入查詢得到更有效的知識獲取
- 通過執行外部 API 的代碼得到更精確的結果
- 讓這個模型訪問 特定的功能
- 系統的測試變化 -通過金標準來評估輸出的結果
舉些例子吧：
壞的：怎么在 Excel 中加和數字。
好的：怎么在 Excel 中做一行數字的和的自動加法，所有的和的結果都自動顯示在 S 列。
指定角色(通常要用 API)
系統Prompt：當我請求幫助寫一些東西時，你會回復一份文檔，其中每個段落至少包含一個笑話或有趣的評論。
用戶Prompt：給我的文具供應商寫一封感謝信，感謝他們在短時間內準時交貨。這使我們能夠交付一份重要的訂單。
指定例子
系統：以一致的風格回答。
用戶：教我耐心。
助手：河流沖刷出最深的山谷，發源于溫和的泉水；最偉大的交響樂源自一個音符；最復雜的掛毯都是從一根單獨的線開始的。
用戶：教我有關海洋的知識。
真的 Prompt 技術與研究
前面的是官方的實踐指南，但是接下來的可都是真實的論文總結出來有用的技術。
不過所有的技術都會過時！
Zero-Shot-Prompt
從我看到的資料來講，Zero-Shot-Prompt 技術大概發展是這樣的
- CoT：Chain of Thought Prompting
- Tree of Thoughts Prompt
- Graph Prompt
- Meta-Prompt
Chain of Thought Prompting
這個東西的定義很好玩兒，通過 CoT的 Prompt 來指導 LLM 通過有邏輯的，一步步的推理過程來完成復雜任務。
但是怎么搞呢？想辦法讓模型輸出一系列的步驟或者思考結點，再最后得出結論的輸出。
參考：Chain-of-Thought Prompting Elicits Reasoning in Large Language Models（https://arxiv.org/abs/2201.11903）
怎么完成這樣的 Prompt 呢？通常是在你的 Prompt 前面加上下面的這樣一句話：Let's think step by step./讓我們一步步思考！
Tree of Thoughts Prompting
參考：Tree of Thoughts: Deliberate Problem Solving with Large Language Models（https://arxiv.org/abs/2305.10601）
這個圖表達的特別好：可以簡單的認為：如果一個復雜的問題，可以分解成多步，而每一步都有多個選擇，那把它們都列出來，在每個步驟里選擇最好的就是 ToT 的核心思想！
但是要使用 ToT，可能麻煩一些，它要把每一個中間步驟都存下來，用于接下一來的分析 ，所以是要會一些寫代碼的技巧的。
GitHub - princeton-nlp/tree-of-thought-llm: [NeurIPS 2023] Tree of Thoughts: Deliberate Problem Solving with Large Language Models。（https://github.com/princeton-nlp/tree-of-thought-llm）
Graph Prompt
參考：GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph Neural Networks （https://arxiv.org/abs/2302.08043）
在神經網絡中，Graph 一直是一類比較特殊的存在，因為它們在真實世界中廣泛存在，但是以神經網絡的處理中又永遠不是一份規范數據。所以怎么處理它就要一直用 Graph 來解釋、處理它，甚至于簡單的 Prompt 也不得不發展出了 Graph Prompt 這樣一個概念。
但是你說它真的日常中能用嗎？有點麻煩，通常是要定義好 點、邊的關系，再搞 Prompt 。大部分都不會用，不過你有興趣，可以看看代碼 ：
GitHub - Starlien95/GraphPrompt: GraphPrompt: Unifying Pre-Training and Downstream Tasks for Graph Neural Networks。（https://github.com/Starlien95/GraphPrompt）
Meta Prompt
參考：https://zhuanlan.zhihu.com/p/680981189 &Meta-Prompting: Enhancing Language Models with Task-Agnostic Scaffolding（https://arxiv.org/abs/2401.12954）
這是一個導入了 Agent 概念的 Prompt 技術。
論文中舉的例子如下：
首先設置一個系統級的 Meta-Prompt 再輸入正常的 Prompt 會輸出 一個 Prompt 的交互結果，這個結果做為 Prompt 輸入到 LLM 中 基于這個Prompt 的結果再次檢查 Meta-Prompt 會輸出檢查對應的 Prompt，這個結果結果做為 Prompt 輸入到 LLM 中 基于這個 Prompt 的結果再次檢查，得到最終的輸出
流程上就是 系統級的 Meta-Prompt，
- 輸入 Prompt，得到一個校準過的 Prompt，得到輸出
- 輸入確認 Prompt，得到一個校準過的 Prompt，得到輸出
- 輸入最終確認 Prompt，得到輸出
實際上在我看來這樣的結果就是像最早說的，構建兩級專家，一級專家用于校準特定領域專家，然后對輸出做了兩次校準后得到最后的結果。
Few-Shot-Prompt
這個與 Zero-Shot-Prompt 不同的就是你要在你的 Prompt 里提供幾個示例，這樣能更容易得到與示例類似的結果。
通常 Few-Shot-Prompt 會得到更好的結果，因為很簡單，照貓畫虎肯定是能得到一個類似的東西的。你提供了什么，一定能得到自己想要的什么。
這個是一個典型的 Few-Shot-Prompt 的方法
- Self-consistency with CoT (CoT-SC)
- Generated Knowledge Prompting for Commonsense Reasoning
Self-consistency with CoT (CoT-SC)
這是完全在 CoT 上面發展出來的技巧，但是更好用一些。
Self-Consistency Improves Chain of Thought Reasoning in Language Models（https://arxiv.org/abs/2203.11171）
設我們有一個簡單的數學問題：一個農場有雞和兔子，總共有35個頭和94只腳，問雞和兔子各有多少只？
使用"Chain of Thought"方法，我們可以這樣推理：
- 問題分解：首先，我們知道每只雞有2只腳，每只兔子有4只腳。
- 建立方程：設雞的數量為C，兔子的數量為R，則有C + R = 35（頭的總數）和2C + 4R = 94（腳的總數）。
- 求解方程：我們可以從第一個方程中解出C = 35 - R，然后將其代入第二個方程中，求得R的值，再求得C的值。
在這個過程中，"Self-consistency"確保了我們在每一步的邏輯推理都是基于前一步的結果，并且所有的假設（如每只雞有2只腳，每只兔子有4只腳）都是一致的。
所以它是分成三部分的：
(1) 使用 (CoT) prompt;
(2) 把一次生成的結果，用 CoT生成多個可以多個不同的路徑。
(3) 合并一致性最好的路徑，得到結果。
Generated Knowledge Prompting for Commonsense Reasoning
參考：Self-Consistency Improves Chain of Thought Reasoning in Language Models（https://arxiv.org/pdf/2110.08387）
這個方法也是，通過幾個示例，讓推理更有事實依據。
好像可以用這個例子解釋一下：
"考慮到冬天的低溫環境，描述呼出氣體時會發生什么。基于你對前面的氣體的解釋，請解釋為什么在冬天人們會看到他們的呼吸在空氣中變成白色。"
總結
如果用現在的最好的 LLM 的原理解釋，信息壓縮來看，Prompt 有兩方面的作用。一：圈定高維信息的空間范圍，你能用的最好的圈定方式就決定了你獲得的信息有多精確，或者多具有想象力。二：圈定了高維信息到低維空間的表達能力，你指定的道路越準確，它表達得越好。
本文轉自 AI生成未來 ，作者：亞東
