明確具體的提問
- 請求模型採用一個人物角色
- 使用分隔符清楚地指示輸入的不同部分
- 指定完成任務所需的步驟
- 提供示例
- 指定輸出的期望長度
以下為一個範例
In-Context Learning和Chain-of-Thought
- In-Context Learning（上下文學習）： 這是指模型在學習和處理文字時能夠考慮上下文資訊的能力。 在上下文學習中，模型不僅僅關注單字或短語的訊息，而是根據前後文的內容來理解當前文本的含義。 這種能力使得模型能夠更好地理解文本的語境，從而產生更準確和連貫的輸出。
- Chain-of-Thought（思維鏈）： 這指的是模型在生成文本時能夠保持連貫性和邏輯性的能力。 在思維鏈中，模型可以根據前面產生的內容來決定後續產生的內容，並保持文字的一致性和邏輯性。 這種能力使得模型能夠產生更連貫和有意義的文字輸出。
Tree-of-Thoughts思維樹
思考樹（ToT）是一種透過將複雜問題分解為更易於解決的小問題，為LLM推理提供了更結構化的提示框架。
與在鏈中推理的CoT不同，ToT以樹的形式組織其解決問題的策略。每個節點都被稱為“思維”，是一個連貫的語言序列，是通往最終答案的一步。
透過將問題劃分為離散的「思想」單元——從填字遊戲中的一系列簡短單字到數學方程式的一個組成部分——ToT確保問題的每個階段都得到系統的解決。
在「oracle模式」下，ToT的表現比CoT還要好
