High level look

提示的重要性往往会被低估或者高估
低估是因为正确的提示技术如果使用得当，可以让我们走的更远。
高估是因为基于提示的应用程序，需要围绕提示进行大量的工程设计才能运行良好。

提示工程指南

• 零样本/少样本学习
• 思维链提示
• 自我一致性
• 生成知识提示
• 链式提示
• 检索增强生成（RAG）
• 最少提示到最多提示
• 自动推理及工具使用（ART）
• 程序辅助语言模型（PAL）
• 迭代提示
• 自问提示
• 元提示
• 顺序提示
• 思维树（ToT）
• 推理/行动框架（ReAct）
• 自动提示工程师（APE）
• 主动提示
• 方向性刺激提示
• 自我反思（Reflexion）
• 多模态思维链

提示工程总结

• 要清晰准确，这样模型就不必猜测你的意图；
• 使用分隔符或标记添加结构；
• 通过举例和解释来帮助示范；
• 要求模型反复思考，解释其结局方案；
• 如果提示任务比较复杂，可以考虑将其拆分成若干子任务；
• 试着多问几次同样的提示；
• 考虑增加一个模型自检步骤；
• 如有需要，可将LLM与外部工具结合使用；
• 作为一个数据科学过程来对待，这是一个迭代的过程，需要进行评估；

迭代法优化iterate

我想强调 Prompt 设计是一个循序渐进的过程。开发者需要做好多次尝试和错误的心理准备，通过不断调整和优化，才能找到最符合具体场景需求的 Prompt 形式。这需要智慧和毅力，但结果往往是值得的。

这也就是AI最大的魅力（折磨）吧！

参考

面向开发者的大模型手册 - LLM Cookbook