我想从这个系列开始，先讲一些一般的理论，然后我们再去建立一个实际的应用。
现在，你可能已经尝试过某种形式的 "Zero Shot "或 Few Shot提示。如果你还没有，这里有一个快速的解释：
这两种方法都是让一个大型语言模型（LLM）执行一个它没有经过专门训练的任务，而无需进行微调。一些用例可以是：
- 对模型以前从未见过的文本进行情感分析
- 用你或你公司的风格或语气来写作
- 创建产品名称，这个清单不胜枚举，但我想你应该明白。
Zero Shot
最简单的方法是直接告诉或要求模型做你想做的事，没有任何例子。考虑到大多数真正流行的LLM都是在大量的训练数据上进行训练的，这可能效果很好。
Few Shot:
这只是意味着给模型几个你想要的任务或最终输出的例子。这是一种引导模型达到最终结果的方法。
这两种方法都是完成简单、较短任务的好方法。但是一旦你有了更复杂的东西，你就需要更多的 "人 "脑。而人的大脑允许我们进行思考和推理。这就是思维链发挥作用的地方。
思想链
简而言之，思维链是一种促使LLM通过链式推理解决问题的方法，一次一个步骤，直到达成解决方案。同样，有两种类型：
Zero Shot
这涉及到让模型使用自然语言来解决一个问题，比如 "一步一步地展示你的理由 "或者 "让我们把这个问题分解成更小的步骤，依次考虑每个步骤。我们需要采取的第一步是什么，为了采取这一步，我们需要收集什么信息？一旦我们有了这些信息，下一个合理的步骤是什么？让我们继续这个过程，直到我们对手头的问题有一个清晰的认识，并制定一个如何进行的计划。"
Few Shot:
通过镜头，你给出一些理由链的例子，让它知道如何解决一个问题。例如，在要求它解决一个数学问题之前，通过提供一些关于如何做BODMAS的例子。
所以，你已经有了，一个非常快速的关于提示工程的理论课程。在下一篇文章中，我们将通过建立一个内容引擎开始把这个（特别是思维链）付诸行动。所有这些都由人工智能驱动。
