大模型原理与技术-课件 chap7 大模型提示工程.pptx

大模型提示工程魏明强、宫丽娜计算机科学与技术学院智周万物?道济天下

o提示工程简介o零样本提示o少样本提示o链式思考提示o思维树提示o自动提示工程 目录2

3 目录o提示工程简介o零样本提示o少样本提示o链式思考提示o思维树提示o自动提示工程

o提示工程（PromptEngineering）作为数据、技术、业务之间的桥梁，可以帮助大模型更好地理解和回答用户的请求，是大模型场景落地的关键所在。o大模型提示工程就是设计、改进、完善提示的技术，通过巧妙设计的提示词（prompt），引导模型生成更丰富、智能的表示，使模型能够更准确、可靠地回答问题、执行任务以及提供更有价值的信息。o本章将介绍大模型提示工程技术的原理、不同提示策略的细节，以及实际应用中的挑战与解决方案。掌握这一技术将使读者更好地理解大模型运作机制，更灵活地设计和调整提示，实现更卓越的性能和创造力。学习目标：掌握大模型提示工程的基本原理和了解多样的提示技术； 提示工程简介4

9 目录o提示工程简介o零样本提示o少样本提示o链式思考提示o思维树提示o自动提示工程

零样本提示10o零样本指的是模型能够在没有样本的情况下学习数据的特征。研究者们最初在深度学习领域提出了这两种概念，然而在提示工程领域，零样本这个概念被引申，即无需为模型提供任何背景知识，只需通过直接的输入指令执行任务。零样本提示的优势在于其适用于各种领域和任务，无需昂贵的微调。因此，在快速构建原型、测试新想法或在新领域中使用大模型时非常有用。在设计零样本提示词的时候，除了描述具体的需求或任务，还可以将其他隐藏的信息输送给模型。一条标准的零样本提示词应该针对以下4点做出具体的描述：背景角色指令输出

零样本提示10o和与人类沟通工作任务一样，提示词需要清楚交代大模型任务的上下文背景，使传达的信息精准（Precise）和简洁（Concise）。为了确保提示词的背景清晰精准，需要避免歧义。

零样本提示10o在提示词中设定一个角色，是最常用的提示词技巧，可以帮助LLM更精确地理解到它·166·第7章大模型提示工程在任务中所需承担的职责，以提升回答的质量。

零样本提示10o指令即为希望LLM完成的任务，指令需要做到具体（Concrete）和完备（Complete）。提示词的指令要足够具体。

零样本提示10o在零样本提示词设计中，可以对输出形式提出要求，让LLM的输出更加可控，提示词中可提出的要求包括但不限于字数要求、输出格式（如表格式、对话式）、回答风格（如严谨·170·第7章大模型提示工程的、口语化的）等。

14 目录o提示工程简介o零样本提示o少样本提示o链式思考提示o思维树提示o自动提示工程

少样本提示10o少样本提示(Few-shotPrompting)通过给予模型一些有限的样本示例或者其余关键信息，指导模型理解和生成特定任务下的文本。通过学习给定的样本中的回答模式以及内在逻辑，模型可以在类似需求的任务上进行推理。o少样本提示强调在已有数据的基础上进行任务指导，这与零样本提示有着本质上的不同。o少样本提示不仅可以帮助大模型生成高质量的回答，在大型图像生成模型中也起到强大的指导作用。

o提示工程简介o零样本提示o少样本提示o链式思考提示o思维树提示o自动提示工程 目录2

链式思考提示10o面对复杂提问场景时，人们往往希望得到有条理的思考过程，并逐步深入考虑各个方面，最终得到复杂问题的解答。然而大模型在这类推理能力方面的表现始终不佳，容易出现回答不连贯、缺乏逻辑推理或信息断层等问题。o部分研究者们认为，之前的大语言模型的推理模式单纯依赖全局提示词并直接输出结果，而忽略了其中的思考过程，人类在面对复杂问题时，常常会将问题拆分为若干个中间问题，通过逐步追问并解决中间问题来进行推理。o受人类的这种思维模式启发，研究者们提出直接通过人工干预模型输出中间推理步骤，迫使模型学习中间推理过程，也就是链式思考提示。

S思维链拓展10o自一致性（Self-Consistency）：旨在改进“思维链提示中的朴素贪婪算法”。具体来说，当模型在处理复杂文本时，为了提高结果的准确性，通过少量样本的思维链抽样出多个不同的推理路径，选择最一致的答案。换句话说，即通过CoT的方式，模型输出多个不同的推理过程和答案，最终通过投票方式选择最佳答案。o思维树（TreeofThoughts：ToT）:以树的形式展开思维链，允许回溯，基于中心任务产生多个推理分支。ToT在具体执行时回答四个问题：思维分解、思维生成、状态计算以及有哪些信誉好的足球投注网站算法。确保每个阶段都得到系统的解决。