主要观点：提示工程正成为与大型语言模型（LLM）和生成式 AI 合作的基础技能，良好的提示能影响模型输出。本指南探讨了先进的提示技术，包括思维链（CoT）、少样本学习和零样本学习等，并提供了实际应用建议。
关键信息：

• 提示工程是设计和构建给 LLM 的提示及输入，以引导其输出达到特定目标的过程。
• LLM 在各行业应用广泛，提示工程可作为安全网和认知杠杆提升可靠性和解锁新能力。
• CoT 提示鼓励模型逐步推理，有效解决多步推理等任务，但也有局限性。
• 少样本学习通过少量相关示例引导模型生成结果，零样本学习仅依赖清晰指令语言。
• 解码参数如温度、Top-p 和 Top-k 控制 LLM 生成文本的方式。
• RAG 结合生成模型和检索引擎，克服 LLM 知识截止的限制，有多种实现模式和成功案例。
  重要细节：
• CoT 提示示例如计算苹果数量和调试函数的步骤。
• 少样本学习最佳实践包括使用 2 - 5 个示例等。
• 零样本学习的注意事项如明确意图等。
• 不同解码参数设置对输出的影响，如低温度适合事实性应用。
• RAG 的实现模式如检索 - 然后生成等，以及关键考虑因素。