关键词：大语言模型，Prompt提示工程
前言
Prompt提示语是使用大模型解决实际问题的最直接的方式，本篇介绍Prompt提示工程常用的技巧，包括Zero-Shot、Few-Shot、CoT思维链、Least-to-Most任务分解。
内容摘要
- Prompt提示工程简述
- Prompt的一般结构介绍
- 零样本提示Zero-Shot
- 少样本提示Few-Shot
- 思维链提示CoT
- 任务分解Least-to-Most
Prompt提示工程简述
Prompt提示语，指的是设计和编写提示文本，以引导模型生成符合特定要求的语言输出。Prompt能够帮助语言模型回忆起自己在预训练时学习到的东西，合适的Prompt对于提示学习的效果至关重要，因此产生了提示工程专门研究如何设计Prompt，目的是找到最优的提示语，使得模型的性能和效率达到最高，以适应不同的任务和应用场景。
对各种模型设计不同的Prompt
Prompt的一般结构介绍
Prompt的一般结构包含4个部分，任务指令、背景信息、附加内容、输出要求
- 任务指令：明确给到大模型需要执行的任务，比如扮演角色身份，给出内容方案
- 背景信息：提供任务和上下文背景，从而生成更相关的输出
- 附加内容：额外补充信息，包括领域知识库，参考样例等等
- 输出要求：指定输出的格式，比如JSON格式，限定输出在某几个选项内，限制不允许编造成分等等
Prompt中并非要包含以上所有部分，可以根据需要自行组合搭配。举个例子，需要让大模型输出一个去苏州旅游的攻略，Prompt结构如下
Prompt结构式例
零样本提示Zero-Shot
零样本提示Zero-Shot，是指没有任何相关数据的参照下，直接对模型进行提问，用自然语言指令让模型输出内容完成一个任务，例如用通过对话模型生成式地完成情感分类任务
通过Zero-Shot进行情感分类
再例如完成命名实体识别的任务，提取出文本中的关键要素，从提取结果来看完全正确且没有遗漏，但是格式并没有按照要求的JSON来
Zero-Shot完成命名实体识别
Zero-Shot这种方式最为方便，但是由于没有任何相关数据给到模型参照，所以模型可能难以彻底按照任务要求和输出要求进行文本生成，尤其是对于难以用自然语言来描述清楚的任务。
少样本提示Few-Shot
少样本提示Few-Shot是指，在用自然语言描述的任务中加入少量相关的任务例子，使得模型更加充分地理解任务的目标和输出要求，增加任务完成的准确性，还是以情感分类为例，对模型进行Few-Shot如下
通过Few-Shot进行情感分类
同理针对命名实体识别，也可以给到一些例子，Few-Shot如下
Few-Shot完成命名实体识别提问
模型生成内容如下，模型提取得非常准确，并且模型参照了给的例子进行了JSON格式的输出，而在Zero-Shot中并虽然提示语句中要求了JSON格式，但并没有按照JSON生成，由此可推测Few-Shot下模型会更容易地参照用户的需求进行文本生成
Few-Shot完成命名实体识别结果
特别的，当给到的参考例子只有一条时，此时属于One-Shot提示。
思维链提示CoT
思维链提示（Chain-of-Thought，CoT），常用于推理规划类问题，包括逻辑推理，数学推理，常识推理等，相比于语言语境能力，推理问题对于大语言模型而言更难，因为对于推理问题，大模型的训练是把推理结果作为下一个词直接预测，而忽略了中间的思考过程，而人类在面对推理问题时往往是逐步求解，最后得到任务的答案。思维链提示的目的就是让明确告诉模型先输出中间过程，再逐步运算生成答案。
以一个简单的数学题问大模型（Chatglm2-6B），让模型计算出最后的结果，采用直接提问的方式，问题和回答如下
直接提问推理问题
很明显，模型回答的是错误的，正确答案应该是11，我们采用思维链提示的方式再试一次，具体是给到模型一条类似的题目，并且告诉模型解题步骤，解题步骤包括中间过程和最终的结果，使得对该类问题模型采用这种逐步的思考方式进行回答，提问和回答如下
思维链的方式提问推理问题
显然模型回答正确，且逻辑清晰，中间过程和结果都回答得很好。
除了给到参考解题例子之外，研究人员提出零样本思维链提示，只需要在问题结尾加上”让我们逐步思考“这个魔法语句，模型就能够实现逐步推理，我们以这种方式进行提问试验一下
零样本思维链提示回答推理问题
同样得到了正确的结果，显然思维链提示CoT对于推理问题比直接提问更有效。
任务分解Least-to-Most
任务分解，也被叫作由少到多提示（Least-to-Most），旨在当面对复杂提问时，将其转化为多个容易解决的子问题，并逐一解决它们得到最后的结果。任务分解的方式和思维链类似，区别在于任务分解会进行多轮问答，并且之前子问题的回答会加入到下一次的提问中，相当于逐步填充问题的上下文，降低复杂多步推理问题的难度。
我们同样先做对比，对模型直接提问一个计算题，问题和回答如下
直接对模型提问复杂问题
很明显答案错误，正确答案应该是5桶。下面我们采用任务分解的形式，首先提问模型解决这个问题需要先完成哪个子问题
回答子问题是什么
模型说了一大堆，第一句话就已经回答出了子问题，即要先解决购物劵总额的问题，我们将这个问题加入到原始提问中，让模型先回答出这个子问题的答案
回答子问题的答案
子问题回答正确，购物劵总额是500元，下一步就可以直通最终问题了，我们将子问题和子问题的答案拼接到原始提问上，形成最终的Prompt
image.png
最终模型回答为5桶，回答正确，且模型回答的逻辑清晰完美，印证了任务分解这种方式能够提高对复杂问题的推理准确性，全文完毕。
网友评论