前五章系统地介绍了提示（Prompt）的基本概念、设计原则、应用技术、应用场景以及提示词的安全问题。本章作为Prompt的总结，对Prompt的基本概念作一个整理。同时将整个Prompt的文章进行汇总。
1、Prompt：在大语言模型应用中，用于“提示”模型唤起特定能力以解决实际问题的提问方式，是prompt工程的核心。
2、RTF框架：Role - Task - Format框架，通过指定角色、任务和格式规范大模型输出，简单通用。
3、思考链模式：在提示末尾添加“让我们逐步思考”，引导大模型逐步分析复杂任务，改善推理能力。
4、RISEN框架：包含角色、指示命令、步骤、最终目标和缩小范围（约束条件），适合特定约束或明确指导方针的任务。
5、RODES框架：涵盖角色、目标、详细细节、示例和感官检查的提示框架。
6、密度链模式：利用递归创建更好输出的提示，生成的摘要更密集且适合理解，适用于总结等任务。
7、少样本提示（Few - shot prompting） ：为模型提供少量任务示例，帮助其学习任务模式和规律，提升在复杂或特定格式任务中的表现。
8、零样本提示（Zero - Shot Prompting） ：模型在无特定任务示例展示下，依靠自身预训练知识和任务理解能力直接处理任务。
9、思维链提示（Chain - of - Thought Prompting） ：为模型展示详细推理过程，提升其在复杂推理任务中的表现，可与少样本提示结合。
10、自我一致性（Self - Consistency） ：通过提供多个少样本推理示例，让模型筛选最一致答案，增强在算术和常识推理任务中的可靠性。
11、生成知识提示（Generated Knowledge Prompting） ：先让模型生成与任务相关知识，再整合知识得出准确答案，解决模型处理需额外知识任务的局限性。
12、链式提示（Prompt Chaining）：将复杂任务拆分为多个子任务，逐个子任务生成提示并传递结果，提高任务处理准确性与可靠性。
13、思维树（ToT） ：通过维护思维树，让模型生成和评估中间思维步骤，结合搜索算法应对复杂探索性任务。
14、检索增强生成（RAG） ：将信息检索与文本生成结合，检索相关文档为模型提供知识支持，缓解“幻觉”问题。
15、自动推理并使用工具（ART） ：使模型自动生成包含推理步骤的程序，并在需要时调用外部工具，提升解决问题能力和效率。
16、自动提示工程师（APE） ：利用大型语言模型生成指令候选项，依据评估分数选择最佳指令，提升提示生成效率与效果。
17、Active - Prompt：先查询模型生成多个答案，计算不确定度后挑选最不确定问题由人类注释示例，优化模型对不同任务的适应性。
18、方向性刺激提示（Directional Stimulus Prompting） ：训练策略LM生成引导提示，增强对模型生成结果的掌控力，提升文本摘要等任务的质量。
19、PAL（程序辅助语言模型） ：让模型生成程序来解决问题，借助编程运行时提升解决复杂问题的能力。
20、ReAct框架：使模型交错生成推理轨迹和操作，提升答案的可靠性与可解释性，在知识密集型和决策任务中表现良好。
自我反思（Reflexion）：包含参与者、评估者和自我反思三个模型，帮助模型从错误中学习并提升性能。
原文地址：https://mp.weixin.qq.com/s/9H7WXSIezQCfYHlqprRlWQ
