参考 https://lilianweng.github.io/posts/2023-03-15-prompt-engineering/
这篇文章《Prompt Engineering》由Lilian Weng撰写，主要探讨了如何通过设计提示语（prompt）来引导大语言模型（LLM）以获得期望的结果。文章内容涵盖了多个与提示工程相关的技术和方法，下面是主要内容的总结：

1. 基本提示方法

• Zero-shot（零样本）：直接向模型提供任务文本，要求其返回结果。
• Few-shot（少样本）：提供一组高质量的示例，帮助模型更好地理解任务，从而提高模型的表现。

2. 示例选择技巧

• 选择与测试样本语义相似的示例，以增强模型的理解。
• 使用图形化的方法，如基于嵌入空间的k-NN聚类或图基方法，来选择多样且具有代表性的示例。

3. 示例排序技巧

• 为避免偏差（如多数标签偏倚、近期偏倚等），可以随机排序示例。
• 增加模型大小或更多示例并不总能减少示例顺序的变异性，因此排序对不同模型的影响可能有所不同。

4. 指令提示（Instruction Prompting）

• 通过提供明确的任务说明而不是简单的示例，模型可以更好地理解任务要求。
• 如InstructGPT等模型通过高质量的（任务说明，输入，输出）元组来进行微调，使模型更容易理解人类意图。

5. 链式思考（Chain-of-Thought, CoT）

• CoT提示生成逐步推理的过程，帮助模型进行复杂的推理任务。简单任务对CoT的依赖较小，而复杂任务则能更显著受益于CoT提示。

6. 自一致性采样（Self-consistency sampling）

• 通过多次采样并选择最合适的输出，利用多数投票的方式来增加推理的准确性。

7. 自动提示设计（Automatic Prompt Design）

• 自动化设计提示方法，通过优化提示来增加输出的概率。例如使用AutoPrompt、Prefix-Tuning等方法，可以通过梯度下降等优化方法调整提示。

8. 增强语言模型（Augmented Language Models）

• 引入外部工具（如程序语言、API调用、检索系统等）来增强语言模型的能力，拓宽其处理范围。

9. 工具增强语言模型（Tool Augmented Language Models, TALM）

• 通过API调用等工具，使得模型能够处理更复杂的任务。比如，Toolformer模型通过自监督学习让模型学会如何调用外部工具。

10. 提示词模板

# AI角色定位
你是一位[角色，例如资深架构师，数学科学家], 需要完成以下任务：

# 任务说明
[在这里清晰描述任务，例如：对文本进行情感分类 / 将段落总结成要点 / 解答数学题 / 生成 SQL 查询]

# 示例（Few-shot）
以下是示例，请学习它们的输入与输出格式：

示例 1：
输入：
[示例输入 1]
输出：
[示例输出 1]

示例 2：
输入：
[示例输入 2]
输出：
[示例输出 2]

示例 3：
输入：
[示例输入 3]
输出：
[示例输出 3]

# 限制（Constraints）
- 使用清晰、准确的语言。
- 不要添加示例中没有的信息。
- 不要输出解释或推理过程（除非任务要求）。
- 输出必须严格遵守“输出格式”部分的结构。
- 不得包含未请求的多余内容。
- 如果输入包含歧义，请标注“无法判断”或返回指定 fallback。

# 输出格式（Output Format）
请按以下格式输出：

{
  "result": "<你的最终输出>",
  "confidence": "<0-100 的置信度估计（可选）>"
}