|
|
# 链式提示
|
|
|
|
|
|
## 简介
|
|
|
|
|
|
为了提高大语言模型的性能使其更可靠,一个重要的提示工程技术是将任务分解为许多子任务。 确定子任务后,将子任务的提示词提供给语言模型,得到的结果作为新的提示词的一部分。 这就是所谓的链式提示(prompt chaining),一个任务被分解为多个子任务,根据子任务创建一系列提示操作。
|
|
|
|
|
|
链式提示可以完成很复杂的任务。LLM可能无法仅用一个非常详细的提示完成这些任务。在链式提示中,提示链对生成的回应执行转换或其他处理,直到达到期望结果。
|
|
|
|
|
|
除了提高性能,链式提示还有助于提高LLM应用的透明度,增加控制性和可靠性。这意味着您可以更容易地定位模型中的问题,分析并改进需要提高的不同阶段的性能。
|
|
|
|
|
|
链式提示在构建LLM驱动的对话助手和提高应用程序的个性化用户体验方面非常有用。
|
|
|
|
|
|
## 链式提示使用示例
|
|
|
|
|
|
### 文档问答中的链式提示
|
|
|
|
|
|
提示链可以用于不同的场景,这些场景可能涉及多个操作或转换。例如,LLM的一个常见用途是根据大型文本文档回答问题。想要更好阅读大文本文档,可以设计两个不同的提示,第一个提示负责提取相关引文以回答问题,第二个提示则以引文和原始文档为输入来回答给定的问题。换句话说,可以创建两个不同的提示来执行根据文档回答问题的任务。
|
|
|
|
|
|
下面的第一个提示根据问题从文档中提取相关引文。请注意,为了简化,我们为文档添加了一个占位符`{{文档}}`。要测试此提示,您可以从维基百科复制并粘贴一篇文章,例如这个关于[提示工程](https://zh.wikipedia.org/wiki/提示工程)的页面。由于此任务使用了较长的上下文,我们使用了OpenAI的`gpt-4-1106-preview`模型。您也可以将此提示与其他长上下文LLM(如Claude)一起使用。
|
|
|
|
|
|
提示1:
|
|
|
```
|
|
|
你是一个很有帮助的助手。你的任务是根据文档回答问题。第一步是从文档中提取与问题相关的引文,由####分隔。请使用<quotes></quotes>输出引文列表。如果没有找到相关引文,请回应“未找到相关引文!”。
|
|
|
|
|
|
####
|
|
|
{{文档}}
|
|
|
####
|
|
|
```
|
|
|
|
|
|
这是整个提示的截图,包括通过`user`角色传递的问题。
|
|
|
|
|
|
<Screenshot src={PC1} alt="Prompt Chaining Part 1" />
|
|
|
|
|
|
提示1的输出:
|
|
|
```
|
|
|
<quotes>
|
|
|
- Chain-of-thought (CoT) prompting[27]
|
|
|
- Generated knowledge prompting[37]
|
|
|
- Least-to-most prompting[38]
|
|
|
- Self-consistency decoding[39]
|
|
|
- Complexity-based prompting[41]
|
|
|
- Self-refine[42]
|
|
|
- Tree-of-thought prompting[43]
|
|
|
- Maieutic prompting[45]
|
|
|
- Directional-stimulus prompting[46]
|
|
|
- Textual inversion and embeddings[59]
|
|
|
- Using gradient descent to search for prompts[61][62][63][64]
|
|
|
- Prompt injection[65][66][67]
|
|
|
</quotes>
|
|
|
```
|
|
|
|
|
|
在第一个提示中返回的引文现在可以用作下面第二个提示的输入。您可以对这些引文进行清理,比如移除引用标志。可以在提示链中新建另一个提示来移除或使用这些引用标志,但现在您可以忽略这些。然后,第二个提示接收由第一个提示提取的相关引文,并根据文档和这些提取的引文生成一个有帮助的回答。第二个提示可以是以下内容:
|
|
|
|
|
|
提示2:
|
|
|
```
|
|
|
根据从文档中提取的相关引文(由<quotes></quotes>分隔)和原始文档(由####分隔),请构建对问题的回答。请确保答案准确、语气友好且有帮助。
|
|
|
|
|
|
####
|
|
|
{{文档}}
|
|
|
####
|
|
|
|
|
|
<quotes>
|
|
|
- Chain-of-thought (CoT) prompting[27]
|
|
|
- Generated knowledge prompting[37]
|
|
|
- Least-to-most prompting[38]
|
|
|
- Self-consistency decoding[39]
|
|
|
- Complexity-based prompting[41]
|
|
|
- Self-refine[42]
|
|
|
- Tree-of-thought prompting[43]
|
|
|
- Maieutic prompting[45]
|
|
|
- Directional-stimulus prompting[46]
|
|
|
- Textual inversion and embeddings[59]
|
|
|
- Using gradient descent to search for prompts[61][62][63][64]
|
|
|
- Prompt injection[65][66][67]
|
|
|
</quotes>
|
|
|
```
|
|
|
|
|
|
提示2的输出:
|
|
|
```
|
|
|
文档中提到的提示技术包括:
|
|
|
|
|
|
1. Chain-of-thought (CoT) prompting[27]
|
|
|
2. Generated knowledge prompting[37]
|
|
|
3. Least-to-most prompting[38]
|
|
|
4. Self-consistency decoding[39]
|
|
|
5. Complexity-based prompting[41]
|
|
|
6. Self-refine[42]
|
|
|
7. Tree-of-thought prompting[43]
|
|
|
8. Maieutic prompting[45]
|
|
|
9. Directional-stimulus prompting[46]
|
|
|
10. Textual inversion and embeddings[59]
|
|
|
11. Using gradient descent to search for prompts[61][62][63][64]
|
|
|
12. Prompt injection[65][66][67]
|
|
|
|
|
|
每一种技术都采用独特的策略来增强或明确与大型语言模型的互动,以产生期望的结果。
|
|
|
```
|
|
|
|
|
|
如您所见,简化并创建提示链是一种有用的提示方法,其中响应需要经过多个操作或转换。作为练习,您可以自由设计一个提示,它会在将响应作为最终回应发送给应用程序用户之前,移除响应中的引用标志(例如,`[27]`)。
|
|
|
|
|
|
您还可以在这份[文档](https://docs.anthropic.com/claude/docs/prompt-chaining)中找到更多关于提示链的示例,这些示例利用了Claude LLM。我们的示例灵感来源于并采用了他们的示例。
|