实用的提示工程
Practical Tips Engineering
使用LLMs成功提示的技巧和诀窍…
由于其文本到文本的格式，大型语言模型（LLMs）能够通过单一模型解决各种任务。这种能力最初是通过GPT-2和GPT-3等模型的零和少样本学习来证明的[5, 6]。然而，当LLMs被微调以与人类偏好和指令对齐时，它们变得更加引人注目，可以实现流行的生成应用，如编码助手、信息查询对话代理和基于聊天的搜索体验。
由于它们所能实现的应用，LLMs在研究界和流行文化中迅速走红。在这一过程中，我们还目睹了一个新的、互补的领域的发展：提示工程。在高层次上，LLMs通过i）将文本（即提示）作为输入，ii）生成可从中提取有用信息的文本输出（例如分类、摘要、翻译等）来运作。这种方法的灵活性是有益的。然而，我们必须确定如何正确构建输入提示，以使LLM有最好的机会生成所需的输出。
提示工程是一门经验科学，研究不同提示策略如何优化LLM的性能。尽管存在多种方法，但在本概述中，我们将了解提示的一般机制，以及一些基本（但非常有效！）的提示技术，如零/少样本学习和指令提示。在此过程中，我们将学习一些实用的技巧和经验，可以立即采用，成为一个更有效的提示工程师和LLM从业者。
理解LLMs。由于本概述着重于提示，不会解释语言模型的历史或机制。为了更好地了解语言模型（这是深入理解提示的重要先决条件），我写了一系列概述可供参考。这些概述按照以下顺序列出（…）
