大语言模型提示工程综述：技巧与应用领域 [译]

提示工程是提升大语言模型和视觉-语言模型能力的关键技术。

提示通过特定任务的指令提升模型效能，无需更改模型核心参数。

提示工程在问答系统、常识推理等多种场景中展现强大应用潜力。

本文系统性概述了提示工程的最新进展，并按应用领域进行分类。

提示技术包括零样本、少样本提示等多种方法。

链式推理引导技术通过特定提示促进大语言模型进行连贯推理。

自动化链式推理引导技术提高了推理链的生成效率。

自我一致性策略通过多种推理路径生成一致答案，提升推理性能。

符号链提示技术通过简化提示提升模型处理空间关系的能力。

思维树提示框架通过构建中间推理步骤的树状结构提升复杂任务处理能力。

检索增强生成技术通过整合信息检索提升模型的回答准确性。

动态提示技术通过任务特定示例提高模型在复杂问答任务中的表现。

自动化提示生成技术为特定任务动态生成有效提示，提升推理能力。

自动推理与工具应用技术赋予模型通过多步骤过程进行推理的能力。

对比式思维链路提示技术通过提供正确与错误示例引导模型学习。

情绪提示技术通过加入情绪激励句子提升模型的情绪智能。

笔记本提示法允许模型生成中间步骤以提高代码生成的准确性。

思维编程提示法鼓励使用外部语言解释器处理计算步骤，提升数值推理能力。

代码链提示技巧通过编程增强模型在逻辑和语义任务上的推理能力。

步回提示技术让模型进行高层次的抽象思考，显著提升推理能力。

提示技术的未来前景广阔，但仍面临偏见、信息不准确等挑战。