A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications

UnknownBody

于 2024-03-29 15:51:03 发布

阅读量327

点赞数 2

CC 4.0 BY-SA版权

分类专栏： Survey Paper LLM Prompt 文章标签： prompt 语言模型人工智能

本文链接：https://blog.csdn.net/c_cpp_csharp/article/details/137147793

Survey Paper 同时被 3 个专栏收录

262 篇文章 ¥99.90 ¥299.90

订阅专栏

超级会员免费看

LLM 日更

828 篇文章

已下架不支持订阅

LLM Prompt

40 篇文章

订阅专栏

本文翻译了《A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications》，介绍如何利用提示工程提升大型语言模型在不更新参数情况下的任务表现，涉及问答、常识推理等多个应用领域。论文分析了各种方法的优势和局限，为未来研究提供了方向。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

本文是LLM系列文章，针对《A Systematic Survey of Prompt Engineering in Large Language Models: Techniques and Applications》的翻译。

摘要

提示工程已经成为扩展大型语言模型（LLM）和视觉语言模型（VLM）功能的一种不可或缺的技术。这种方法利用特定任务的指令，即提示，在不修改核心模型参数的情况下提高模型功效。提示不是更新模型参数，而是通过仅基于给定提示引发所需的模型行为，将预先训练的模型无缝集成到下游任务中。提示可以是提供上下文以指导模型的自然语言指令，也可以是激活相关知识的学习向量表示。这一新兴领域已经在从问答到常识推理的各种应用程序中取得了成功。然而，对各种快速工程方法和技术仍然缺乏系统的组织和理解。这篇调查论文通过按应用领域分类，对提示工程的最新进展进行结构化概述，来解决这一差距。对于每种提示方法，我们都会提供一份摘要，详细说明提示方法、应用程序、所涉及的模型和所使用的数据集。我们还深入研究了每种方法的优势和局限性，并提供了一个分类图和表格，总结了每种提示技术的数据集、模型和关键点。这种系统的分析能够更好地理解这一快速发展的领域，并通过揭示提示工程的公开挑战和机遇，促进未来的研究。