零样本提示是最根本的一种办法，它不须要供应任何示例，模型可以直接天生相应。这种方法包括：
情绪提示：通过勾引模型利用特定的情绪措辞来提升准确性和相应质量。重读提示：让模型重新阅读提示，以确保没有遗漏主要细节。重述和回应提示：哀求模型在回答问题前先重述问题，以减少歧义。角色提示：授予模型特定的角色，以便天生更加详细和干系的相应。把稳力提示：让模型优化提示，筛除无关信息。SimToM 提示：仿照人类的理解和预测行为来提升模型的相应。虽然大型措辞模型展示了惊人的零样本能力，但在利用零样本设置时，它们在更繁芜的任务上仍旧表现不佳。
少样本提示 (Few-Shot)这个5-shot随机标签的例子启用高下文学习，少样本提示勾引模型实现更好的性能
少样本提示通过供应少量示例来帮助模型理解任务，这类方法包括：
标准的少样本提示对好多任务都能起浸染，可它还不是那种特殊完美的技能，特殊是在处理那些更繁芜的推理任务的时候。
思维天生 (Thought Generation)零样本 COT 提示
这一种别匆匆使模型清晰地展示其推理过程，包括：
思维链 (Chain-of-Thought，CoT)：辅导模型逐步展示其推理过程。比拟思维链 (Contrastive CoT)：通过比拟不同的推理路径来提升准确性。链式思考（CoT）提示通过中间推理步骤实现了繁芜的推理能力
分解 (Decomposition)
分解技能将繁芜问题拆解为更大略的子任务，以便更有效地办理问题。包括：
分解 (DECOMP) 提示：将任务拆解成多个子任务，逐步办理。分解 (DECOMP) 提示
操持和解决 (PS) 提示：在办理问题提高行详细方案。操持和解决 (PS) 提示
思维程序 (PoT) 提示：将推理和打算分离，通过可实行代码表达办理方案。思维程序 (PoT) 提示
虔诚思维链 (Faithful CoT)：确保推理链直接通向终极答案。虔诚思维链 (Faithful CoT)
思维骨架 (SoT) 提示：创建基本大纲，然后扩展详细细节。思维骨架 (SoT) 提示
思维树 (ToT) 提示：探索多个推理路径，支持回溯和灵巧问题办理。思维树 (ToT) 提示
思维递归 (RoT) 提示：将繁芜任务分解为更小的子任务，战胜高下文长度限定。思维递归 (RoT) 提示
示例代码
集成 (Ensembling)集成技能通过结合多个提示的相应来得出终极答案。这样做可以提高结果的稳定性和准确性。只管详细技能还在不断更新，但这种方法已被证明能显著提升输出质量。
案例 1：文本分类的集成文本分类的集成
案例 2：问答系统的集成问答系统的集成
案例 3：图像分类的集成图像分类的集成
案例 4：预测性掩护的集成预测性掩护的集成
上面的四个案例展示了如何通过集成多个提示或模型的相应，结合不同模型的优点，从而提高整体结果的稳定性和准确性。
自我批评 (Self-Criticism)自我批评技能让模型能够评估和改进自己的输出，包括：
自校准 (Self-Calibration)：让模型评估自己输出的可信度。自校准 (Self-Calibration)
自我优化 (Self-Refine)：通过迭代改进初始答案。自我优化 (Self-Refine)
反向思维链 (RCoT)：比较原始问题和重构版本，检测模型的幻觉。反向思维链 (RCoT)
自我验证 (Self-Verification)：天生多个办理方案并进行测试。自我验证 (Self-Verification)
验证链 (CoVe)：通过天生验证问题来评估初始相应。验证链 (CoVe)
累积推理 (CR)：将繁芜任务分解为小步骤，逐步完善答案。累积推理 (CR)
以上提示词工程技能不仅展示了措辞模型的强大功能，也为我们供应了丰富的工具来优化和调度模型的表现。希望本日的案例分享能让大家对提示词工程有更深的理解和认识。