AN EMPIRICAL CATEGORIZATION OF PROMPTING TECHNIQUES FOR LARGE LANGUAGE MODELS

本文是LLM系列文章，针对《AN EMPIRICAL CATEGORIZATION OF PROMPTING TECHNIQUES
FOR LARGE LANGUAGE MODELS

摘要

由于大型语言模型（LLM）开发的快速发展，最近用提示对这些模型进行编程引起了极大的关注。然而，大量可用的提示工程技术为希望使用这些工具的从业者创造了压倒性的前景。为了最有效地使用LLM，编制一份全面的提示技术清单并建立一个标准化的跨学科分类框架是很重要的。在这项调查中，我们从学术和实践的角度研究了一些最著名的提示技术，并将其分为七类。我们对每个类别进行了概述，旨在阐明它们的独特贡献，并在现实世界的例子中展示它们的实际应用，以便为同行提供一个结构化的框架，用于理解和分类适合其特定领域的提示技术。我们相信，这种方法将有助于简化提示工程的复杂环境，并使LLM能够在各种应用中更有效地利用。通过为从业者提供一种系统的提示分类方法，我们旨在帮助他们驾驭经过预训练的会话LLM的有效提示设计的复杂性，并在各自领域激发新的可能性。

1 引言

2 提示技术和方法的分类

3 讨论

3.1 相关工作

3.2 挑战与伦