“我正在参加「掘金·启航计划」”
在人工智能越来越强大的今天，我们每个人都能通过掌握技巧来更好的使用它。下面，我将介绍一些巧妙的使用技巧来帮助使用LLM（Large Language Model）。
基本概念
一般来说，我们可以直接对AI进行下命令的，因为大模型产生出来就是用来服务人类。我们可以通过简单的提示词（prompts）获得大量的结果，但是结果的质量和提供的信息数量和完善度有关。输入到模型的提示词可以包含指令或者问题，也可以包含上下文、示例。看下面一个简单的示例：
星火大模型网页版
模型很难区分我们的真实意图，然后做了一些科普，我们可以稍稍完善一下，明确我们的要求：
星火大模型网页版
现在的效果好多了，我们告知模型去完善句子，因此输出的结果和我们最初的输入是完全符合的。
提示工程（Prompt Engineering）就是探讨如何设计出最佳提示词，用于指导语言模型帮助我们高效完成某项任务。
这个例子中的技巧也叫做 零样本提示（zero-shot prompting）， 即用户不提供任务结果相关的示范，直接提示语言模型给出任务相关的回答。某些大型语言模式有能力实现零样本提示，但这也取决于任务的复杂度和已有的知识范围。
少量样本提示（Few-shot Prompting）
虽然大型语言模型展示了惊人的零样本能力，但在使用零样本设置时，它们在更复杂的任务上仍然表现不佳。少样本提示可以作为一种技术，以启用上下文学习，我们在提示中提供演示以引导模型实现更好的性能。演示作为后续示例的条件，我们希望模型生成响应。
比如我们可以看这样一个例子：
在进行少量样本提示的时候，不用赘述太多细节，要更注重格式。1
少量样本提示并不是万能的，特别是在处理更复杂的推理任务时捉襟见肘。
有时候它受限于训练材料，也可以是智障， 换个问法：
这没用。似乎少样本提示不足以获得这种类型的推理问题的可靠响应。上面的示例提供了任务的基本信息。如果仔细观察，我们引入的任务类型涉及几个更多的推理步骤。换句话说，如果我们将问题分解成步骤并向模型演示，这可能会有所帮助。这就是思维链技术，它的提出是为解决更复杂的算术、常识和符号推理任务。我们将在下期介绍这个技术
reference
Rethinking the Role of Demonstrations: What Makes In-Context Learning Work?
