一篇集齐29种大模型Prompt Engineering技术的系统性综述

          
论文题目：A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications
          
论文链接：https://arxiv.org/pdf/2402.07927.pdf
      

这篇综述性论文为研究人员和实践者提供了一个宝贵的资源，系统地分类了

29种不同的提示工程技术

，并根据其功能、应用、模型和数据集进行了分析，揭示了每种方法的优势和局限性。

主要研究了大型语言模型（LLMs）和视觉-语言模型（VLMs）中的提示工程（Prompt Engineering）技术。 提示工程是一种通过特定任务的指令（即提示）来增强模型效能的方法，而无需修改核心模型参数。 这种方法允许预训练模型通过给定的提示无缝集成到下游任务中，从而在不更新模型参数的情况下，仅基于提示来引导模型行为。

详细分类并概述了从零样本（Zero-shot）提示到最新进展的各种提示技术，包括推理和逻辑链（Chain-of-Thought, CoT）提示、自动链式思考（Auto-CoT）提示、自我一致性（Self-Consistency）提示、逻辑链式思考（LogiCoT）提示等。这些技术旨在解决LLMs在复杂推理任务中的挑战，提高模型在数学、常识推理等领域的性能。

29种不同的提示工程技术：

1. Zero-shot Prompting（零样本提示）
2. Few-shot Prompting（少样本提示）
3. Chain-of-Thought (CoT) Prompting（链式思考提示）
4. Automatic Chain-of-Thought (Auto-CoT) Prompting（自动链式思考提示）
5. Self-Consistency（自我一致性）
6. Logical Chain-of-Thought (LogiCoT) Prompting（逻辑链式思考提示）
7. Chain-of-Symbol (CoS) Prompting（符号链提示）
8. Tree-of-Thoughts (ToT) Prompting（思维树提示）
9. Graph-of-Thought (GoT) Prompting（思维图提示）
10. System 2 Attention Prompting（系统2注意力提示）
11. Thread of Thought (ThoT) Prompting（思维线索提示）
12. Chain of Table Prompting（表格链提示）
13. Retrieval Augmented Generation (RAG)（检索增强生成）
14. ReAct Prompting（反应提示）
15. Chain-of-Verification (CoVe) Prompting（验证链提示）
16. Chain-of-Note (CoN) Prompting（笔记链提示）
17. Chain-of-Knowledge (CoK) Prompting（知识链提示）
18. Active-Prompt（主动提示）
19. Automatic Prompt Engineer (APE)（自动提示工程师）
20. Automatic Reasoning and Tool-use (ART)（自动推理与工具使用）
21. Contrastive Chain-of-Thought (CCoT) Prompting（对比链式思考提示）
22. Emotion Prompting（情感提示）
23. Scratchpad Prompting（草稿纸提示）
24. Program of Thoughts (PoT) Prompting（思维程序提示）
25. Structured Chain-of-Thought (SCoT) Prompting（结构化链式思考提示）
26. Chain of Code (CoC) Prompting（代码链提示）
27. Optimization by Prompting (OPRO)（通过提示优化）
28. Rephrase and Respond (RaR) Prompting（重述并回应提示）
29. Take a Step Back Prompting（退一步提示）

基于以下因素的大型语言模型（LLMs）中流行的提示技术总结： 应用、提示获取、提示轮次、语言模型、数据集和指标。

论文还探讨了减少幻觉（Reduce Hallucination）的技术，如检索增强生成（Retrieval Augmented Generation, RAG）和链式验证（Chain-of-Verification, CoVe）提示，以及用户交互、微调和优化、基于知识的推理和生成、提高一致性和连贯性、管理情感和语调、代码生成和执行、优化和效率、理解用户意图、元认知和自我反思等方面的技术。

最后，论文总结了提示工程领域的挑战，包括偏见、事实不准确和可解释性差距，并强调了未来研究的方向，如元学习和混合提示架构。同时，论文强调了在开发和部署这些技术时需要考虑的伦理问题，以确保它们能够积极地融入我们的生活。