近期在进行提示词优化相关工作，感觉没有什么头绪，于是在工作完成过程中就Prompt Engneering记录一些浅薄的思考。
下文中所有数据均是经过微调的本地部署的GPT2模型跑出来的结果，可能泛用性一般，参考价值不大，就是我自娱自乐罢了。
提示效果（少样本）
直接表达
效果：1分。（效果无比的差，确实不能直接说）
分部表达
效果：5~8分。（有的分部效果还行，有的分布效果不及格）
提示-上下文-例子-输入-输出
效果：6分。（整体还行，及格水平，输出基本满足格式）
任务描述-背景信息-示范学习-数据加载-结果格式
效果：8分。（效果不错，输出都满足格式）
指令-上下文-输入数据-输出指示
效果：5分。（理解错的偏多）
提示技术
零样本提示
没有向模型提供任何示例，进行提示。
至少在我用来效果不好，但是2109.01652.pdf (arxiv.org)证明是可以通过调整变好的，但是我认为有点收获与付出不成正比了，泛用性实在太差。
少样本提示
提供少量样本，进行提示。
这是我较为普遍的提示方法，而且可以先通过基本无提示挑选出“典型”案例，用典型案例和不敏感案例混合为少样本，可以很好地完成提示工作。
但是少样本提示局限于样本过少，在处理较复杂任务时，会出现乱回答无法处理的情况。
思维链（Chain of Thought Prompting）
思维链就是优化少样本提示无法解决复杂问题的一种方法，思维链通过中间的推理过程实现了由简单结合成复杂的过程。
并且还有自动思维链技术，[2210.03493] Automatic Chain of Thought Prompting in Large Language Models (arxiv.org)，这能生成思维链，很好地便利了思维混乱的我。
流式输出
将结果作为新提示词的一部分继续迭代，进行提示。
这种效果挺好的，并且泛用性也还不错，因为大部分复杂问题都是一个个简单问题的集合，并且这样把中间数存储下来，进行逻辑推理和后期归因都会方便很多，对于工程问题来说很适用。
自动推理并使用工具（Automatic Reasoning and Tool-use）
接到一个新任务的时候，从任务库中选择多步推理和使用工具的示范。在测试中，调用外部工具时，先暂停生成，将工具输出整合后继续接着生成。
看了思路，感觉没什么维妮塔，但没用过。
总结
求大神只条明路，感觉大的方法好选，但是具体的提示词是真的恶心，有些时候一个单词的区别效果差挺多的，不知道这个有没有什么通解，求指点！！！
