大語言模型提示的「怪異世界」，首次如此詳盡地被暴露在我們眼前。

最近，來自馬里蘭大學、OpenAI、斯坦福、微軟等12所機構的30多名研究者，首次對LLM的提示技術進行了大規模的系統研究，并發布了一份長達75頁的詳盡報告。

論文地址：https://arxiv.org/abs/2406.06608

如今，提示已經無處不在，然而在整個生成式AI行業，仍然缺乏對已出現的數百種技術系統和徹底的調查。

在這項工作中，研究者通過結合人工和AI的力量，從arXiv、Semantic Scholar和ACL數據庫中處理了4,797條記錄，并通過PRISMA審查過程篩選出1,565篇相關論文。

由此，他們得到一種分類法，建立了包含33個術語的綜合詞匯表，一個包含58種文本提示技術的分類體系，以及40種其他模態的提示技術等。

這篇有史以來最全的提示技術報告，紛紛得到了業內大佬們的鼎力推薦。

這里需要明確三個概念——

提示，是指向GenAI提供提示，然后生成響應的過程。

提示技術，是一個藍圖，描述如何構造一個提示或多個提示的動態排序。它可以結合條件或分支邏輯、并行性或涉及多提示的架構。

提示工程，是指通過修改或更改正在使用的提示技術，來開發提示的迭代過程。

奇奇怪怪的大語言模型

有趣的是，在這個過程中，研究者發現了大語言模型一些奇怪的現象。

1. 重復某些話，LLM會給你驚喜

研究者發現，如果重復部分提示，會顯著提高模型的性能。

比如，在一個關于自殺危機檢測的案例中，因為意外，導致一封包含案例背景的郵件在提示中出現了兩次，這就導致模型的性能大大提高。

刪除掉重復內容后，模型的準確性就顯著降低了。

這是什么原理？

對此，研究者也無法給出明確的解釋。

2. 說出你的名字！

研究者在測試中發現的另一件有趣的事，就是在提示中包含人名也很重要。

比如在上面的郵件中，如果名字被匿名，或者替換為隨機姓名時，模型的準確性也會下降。

為何LLM會對這種看似無關痛癢的細節如此敏感？對此，研究者們也沒有答案。

往好處想，我們可以通過探索，來提供LLM的性能。

然而如果往壞處看，這也證明提示工廠目前仍然是我們人類難以理解的黑盒。在我們人類看來毫不相干的細節，LLM卻出乎意料地敏感。

為此，研究者建議，知道如何控制模型的提示工程師，一定要和準確理解目標的專家之間密切合作。

因為，這些AI系統是被哄騙的，而非被編程的。

它們除了對所使用的特定LLM非常敏感，對提示中的特定細節也很敏感，但我們實在找不出任何明顯理由，證明這些細節到底怎么重要了。

3. 示例的選擇和順序，LLM也很敏感

通常最有效的提示方法，就是少樣本提示了，也即在提示中直接舉例。

在語言理解MMLU基準測試中，帶有示例的提示取得了最佳效果，尤其是與CoT結合時

不過，這其中也有一些奇怪的陷阱：LLM對示例的選擇和順序，竟然非常敏感。

同一示例以不同順序出場，竟讓模型的效果大相徑庭，準確度可以低于50%，也可以高于90%。

4. 代碼輔助推理潛力巨大

目前在研究和行業中得到廣泛應用，只有一小部分提示技術，最常見的是就是few-shot和CoT。

但「思維程序」（Program-of-Thoughts）之類的技術（代碼被用作推理的中間步驟）也很有前途，但尚未廣泛使用。

而且，在案例中，自動化取得了最佳結果。由于手動提示對我們往往是很大的挑戰，因此自動化顯然潛力巨大。

不過在研究人員看來，人類微調和機器優化的結合，可能會是最有前途的方法。

三大提示技術

論文中，研究人員提出了全面的分類提示技術——基于文本、多語言、多模態三大類。

文本提示

在文本提示類中，整整涵蓋了58種純文本提示技術，如下圖所示。

如下，將會列舉幾個基于文本提示技術的例子。

In-Context Learning（ICL）是指AI通過提示中的范例/相關指令，可以學習技能，無需更新權重再訓練的能力。

比如，你給出2+2=4，4+5=9，然后8+0這樣的提示之后，LLM便會從前兩個算式中學習推算，進而解決任務。

再比如，給出指令，從以下文本中提取包含3個同樣字母，以及至少有3個其他字母的所有單詞：{TEXT}。

LLM通過理解指令，針對文本完成查找。

不過，「學習」一詞或許有些誤導。ICL其實可以被視為「指定任務」，可能這些技能并非是真正的學習，而早已存在訓練數據之中。

就好比，你讓LLM去把一個單詞「奶酪」翻譯成法語。

上圖2.4中給出例子的提示，也稱為「少樣本」提示（Few-Shot Prompting），模型與此進行的是少樣本學習。

這里，樣本質量非常關鍵，決定著模型的輸出性能。而且，樣本的順序也會影響模型的行為，進而導致LLM輸出的準確率可能在50%以下，或90%以上不等。

對此，研究人員建議可以使用K-Nearest Neighbor（KNN）算法、Vote-K等方法，來提升樣本質量。

此外，還可通過AI自生成上下文學習（SG-ICL）方法，讓AI自動生成樣本。作者表示，在訓練數據不可用的情況下，它的效果要好于零樣本場景。

作者總結了在設計少樣本提示時的六個主要設計決策，如下圖所示。

針對零樣本，有很多我們熟知的提示技術，比如：

• 角色提示：指定AI一個角色，作家、數學老師等。
• 風格提示：在提示中指定所需的風格、語氣或體裁。
• 情感提示：將與人類心理相關的短語納入提示，如「這對我的職業生涯非常重要」。
• 系統2 Attention（S2A）：要求LLM重寫提示語，并刪除其中與問題無關的任何信息，然后，自動將新的提示傳遞給 LLM，以獲取最終響應。
• SimToM：涉及多人或多物的復雜問題時，LLM試圖確定一個人所知道的一系列事實，然根據這些事實回答問題。這是一個雙提示過程，有助于消除提示中無關信息的影響。
• 重述和回答（RaR）：指示LLM在生成最終答案之前，重述和擴展問題。
• 重讀（RE2）：在提示語中加上「再次閱讀問題」提示，可顯著提高大模型在復雜推理問題性能。
• 自我追問（Self-Ask）：讓LLM先決定是否需要針對給定的提示提出后續問題。若需要，LLM會生成這些問題，然后回答這些問題，最后回答原始問題。

在「思維生成」上，CoT是其中最具代表性的方法，而「最純凈」的CoT是不需要任何示例，即零樣本CoT。

僅需在提示語中，添加一個誘導思考的短語——讓我們一步一步地思考，讓我們一步一步地解決這個問題......

此外，CoT還可以是少樣本CoT，顧名思義，就是為LLM提供一些樣本，可大幅提升模型性能。

我們還可以通過分解（Decomposition）的提示策略，明確將問題分解，以提升模型解決問題的能力，其中就包括：

• 從少到多提示法：提示LLM將給定的問題分解成子問題，但不求解這些子問題。分解完成后，再依次解決這些子問題，每次都將模型響應附加到提示中，直到得出最終結果。
• 分解提示（DECOMP）：少量樣本會提示LLM如何使用某些函數，比如包括字符串分割或互聯網搜索等（單獨作為工具調用）。鑒于此，LLM將其原始問題分解為子問題，并將其發送給不同的函數。
• 「計劃-解決」提示：包括一個改進的零樣本CoT提示——讓我們先了解問題，并制定一個解決問題的計劃。然后，讓我們執行計劃，逐步解決問題。
• 思維樹（ToT）：從初始問題開始，然后以思維的形式生成多個可能的步驟，從而創建一個樹狀搜索問題。并評估每一步在解決該問題上所取得的進展。
• Skeleton-of-Though：將一個復雜問題分解成多個子問題，并行地讓LLM分別回答,最后將結果合并就能得到整體回答。

與「分解」相對應地，還有「集合」（Ensembling）策略，是指使用多個提示來解決同一問題，然后將這些回答匯總為最終輸出的過程。

其中的方法包括，示例集合（DENSE）、推理混合專家（MoRE）、自洽、DiVeRSe、多種CoT元推理等等。

最后，還有自我批評（Self-Criticism）提示策略，包括以下幾種技術：自我校準、逆轉思維鏈 (RCoT)、自我驗證、驗證鏈 (COVE)、累積推理。

除了研究提示技術，研究人員還回顧了用于自動優化提示的「提示工程」技術。

提示工程過程包括三個重復步驟：1）在數據集上進行推理，2）評估性能，3）修改提示模板。

這是一個用于標注任務的LLM輸出注釋結果，展示了答案工程（Answer Engineering）的三個設計決策：答案形狀的選擇、答案空間和提取器。

由于這是一個分類任務的輸出，答案形狀可以限制為單個token，答案空間可以限制為兩個token之一（「positive」或「negative」），盡管在這個圖像中它們沒有被限制。

最后，研究者總結發現，在所有的提示技術中，少樣本學習、零樣本推理、高質量上下文提示示例，自洽，提示順序敏感性使用率排在了前五。

與此同時，我們還可以通過數據集中論文引用的基準數據集和模型次數，來衡量提示技術的使用情況。

多語種提示

在多語種提示技術中，研究人員主要介紹了CoT、Human-in-the-Loop、上下文學習、上下文示例選擇、翻譯提示、多語種技術、提示語言這幾大要點。

先翻譯后提示，是最簡單的策略。不過，有些提示技術，要比翻譯性能速度來的要快。

比如CoT已經通過多種方法（XLT、CLSP），已擴展到了多語種環境中。

針對上下文學習的策略有：X-InSTA提示，以及跨語言翻譯上下文提示（In-CLT）。同時，上下文示例選擇對模型多語言性能也至關重要。

因此，需找與源文本語義相似的上下文示例，就成為一項技術活。有研究者曾提出了，PARC（通過跨語言檢索增強提示）的方法。

Human-in-the-Loop包含了交互鏈提示（ICP）以及迭代提示兩種方法。

另外，提示模板語言選擇會明顯影響模型的性能。在多語言任務中，用英語構建提示模板，往往比用任務語言更加有效。

這是由多數LLM在預訓練期間，使用了大量的英文數據決定的。

順便提一句，任務語言提示模板，則是針對特定語言使用情況來使用任務語言提示。

多模態提示

隨著GenAI模型的發展，現今也出現了許多多模態提示技術。

圖像

比如圖像形態的提示，包括照片、圖畫、屏幕截圖等數據。

這個過程中，可以使用負面提示對某些提示中的某些術語進行數字加權，讓模型更多或更少地考慮它們。

比如，如果對「錯誤的手」或「多余的手指」進行負權重，模型更有可能生成解剖學上正確的手。

如今，CoT已經以各種方式擴展到了圖像領域。

比如一個簡單的例子，就是包含數學問題的圖像的提示，同時附有文本說明「一步步解決這個問題」。

另外，還有職責明確的思維鏈。

上面這道題，要求考慮每對磁鐵的磁力，來判斷以下陳述哪個是正確的。這個例子證明了，輸入理由在多模態推理中是多么重要，以及理由在zero-shot和fine-tuning場景中的不同作用

它可以把從最少到最多的提示擴展到多模態設置，創建子問題，然后解決它們，將答案組合成最終響應。

比如這項任務中，要求模型選出圖中的哺乳動物。

這項任務要求模型回答：哪種溶液中的藍色顆粒濃度更高？

請問：這種雜交產生的大鼠是侏儒的概率有多大？

多模態思維圖則是將Graph-of-Thought擴展到多模態設置中。

在推理時，輸入提示會用于構建思維圖，然后和原始提示一起使用，來生成回答問題的基本原理。

當圖像與問題一起輸入時，圖像標注模型被用來生成圖像的文本描述，然后在思維圖構建之前，將其附加到提示中，以提供一種視覺的上下文。

圖像鏈（CoI）是思維鏈提示的多模態擴展，生成圖像是其思維過程的一部分。

用「讓我們逐個圖像思考」來生成SVG，模型就可以用它進行視覺推理了。

具體來說，CoI的首要步驟，就是逐步生成圖像。不過要求SD XL或Dall-E遵循復雜指令生成圖像時，他們卻遇到了困難。因此，研究者引入符號多模態LLM。當LLM提供各種文本提示時，它將生成不同格式（如SVG格式）的符號表示。

該圖展示了SDXL（中）和 DALL-E 3（右）使用原始圖像（左）中的標注生成新圖像的過程

「一個女人正在等電梯，但電梯里的人卻著火了。這種情況會在哪里發生？」

可以看出，在解決相同問題時，與純文本推理相比，CoI的直覺性更強，能夠用視覺常識知識來補充文本中缺失的細節，從而輔助推理過程。

除了圖像之外，還有分解提示、視頻提示，以及3D提示技術，可以顯著提升多模態模型的響應性能。

案例研究：自殺危機綜合癥（SCS）的標注

在這項研究中，研究人者將提示技術應用于標注Reddit帖子是否表明自殺危機綜合癥（SCS）的任務。

通過這個案例研究，未來去展示提示工程在現實世界問題中的應用。

對此，研究人員使用了馬里蘭大學的Reddit自殺傾向數據集，并與一位專家提示工程師合作，記錄了他們將F1分數從0提升到0.53的過程。

不同提示技術的陷阱分數

隨著提示工程師的開發，不同提示技術的陷阱分數被繪制成圖

自動化技術（DSPy）能夠擊敗人類提示工程師

PRISMA審查過程

論文的數據收集過程，遵循了基于PRISMA方法的系統審查流程。

首先，通過關鍵詞搜索從arXiv、Semantic Scholar和ACL數據庫中抓取數據。其中，包含44個術語，每個術語都與提示和提示工程密切相關。

然后，根據論文標題進行去重，通過人類和AI審查確定相關性，并通過檢查論文正文中是否包含「prompt」一詞自動刪除不相關的論文。