对用好的重要性毋庸置疑，我们在上篇文章中介绍了写好的通用原则和一些基础技巧，在本文中，我们将继续探索一些的高阶技巧。
在介绍这些高阶技巧前，我们先对之前介绍的基础技巧做一个简单回顾。
首先作为通用原则，我们的应该尽可能简单、具体、准确，有话直说，在此基础上，我们有Zero-shot, Few-shot, , CoT以及分而治之等基础技巧，在Few-shot中，例子的多样性和排序对结果有较大的影响，在CoT中，例子的复杂度和描述方式对结果也有很大影响。这些技巧还可以组合起来使用如Few-Shot , Zero-shot CoT, Few-Shot CoT等，CoT还衍生出来一个叫做Self-Ask的技术，通过提问，调用外部API回答的方式，我们可以帮助逐步推导出复杂问题的答案。
接下来，我们开始介绍高阶技巧。
Self-(自洽) ： 这一技巧的思路是投票选举，少数服从多数，其具体工作过程是对同一个问题，让生成多个可能的答案，然后选择占比最高的那个答案作为最终答案，其工作原理示意图如下：
这个技巧很容易理解，但是有几个要注意的点：
为了进一步提升这一方法的效果，还可以额外训练一个小模型或者简单的规则，在投票前先把明显不靠谱的答案过滤掉(比如上图中Janet一天挣多少钱的问题，如果答案是负数肯定不对)，过滤后如果备选答案不够就再让生成几个，直到有足够靠谱答案了再投票。
(生成知识) ：我们知道在向提问时，如果能提供一些上下文信息，其回答问题的准确率就会高很多，顺着这个思路，我们也可以让自己给自己提供上下文，而不是每次都由我们完成这一工作，我们还是通过例子来说明这一方法的工作过程：
Part of golf is to get a point total than . Yes or No?
得到的答案是
Yes.
这显然是个错误的答案，因为打高尔夫杆数越少越好。
我们可以让回答问题前首先自己生成一些知识，下面是用few-shot技术来让生成知识的例子：
Input: is than .
: is 131,957 sq km, while is 1,964,375 sq km, 1,389% than .
Input: fog up.
: on when water vapor from your sweat, , and lands on a cold , cools, and then into tiny drops of , a film that you see as fog.
Input: A fish is of .
: Fish are more than they . In many areas, such as , their match or those of ’’ non-human . Fish’s long-term help them keep track of
Input: Part of golf is to get a point total than .
:
返回如下知识片段：
The of golf is to play a set of holes in the least of . A round of golf of 18 holes. Each hole is once in the round on a golf . Each is as one point, the total of is used to the of the game.
接下来，我们把这个知识作为上下文，再次向提问：
: Part of golf is to get a point total than . Yes or No?
: The of golf is to …and the total of is used to the of the game..
and :
得到如下答案：
No, the of golf is not to get a point total than . , the is to play a set of holes in the least of . The total of is used to the of the game, not the total of .
可以看到我们让自己生成的知识帮助它给出了正确的答案。
of (程序式思考) ：最近推出了，其思路是把一些问题交给外部的工具来完成，和这一思路类似，有些问题涉及复杂的计算，可能并不适合进行这类计算，我们可以让它为要解决的问题写一段程序，我们运行这个程序以得到最后的答案，下面是一个计算斐波那契数列的例子：
– (选择-推理)：这是一种在Few-shot CoT的基础上演化出来的技术，其基本思路是分两步来解决问题：
下图是来自论文中的工作原理介绍图：
图中的几个颜色说明如下：
论文中的图不是特别好理解，我在图上加了3个红框，接下来详细介绍下如何理解这张图：
明白了工作原理后，我们再次忽略细节，其整个工作过程如下图所示(模块决定是继续循环还是给出最终答案)：
虽然图看着比较复杂，但其思路和基础技巧中介绍的分而治之的思路很像，先求解中间过程，然后推导最终答案。这个技巧在处理比较复杂的问题时效果比较明显，如果问题本身不涉及太多步骤的推导，一些简单技巧就能解决问题。
一些更复杂的技巧
下面的几个技巧比较复杂，大家平时也不一定能直接用得到，我将简单介绍下其思路，不详细展开，大家知道有这个技巧，真的觉得需要使用时再深入研究就好(我在下面会为大家附上论文链接)。
(自动生成) :有时候，除了我们自己手写之外，我们也可以利用帮我们找到一个好的，下图是一个例子：
这个例子中，我们想找到一句好的(指令)，这个指令可以让更好地为一个输入词给出反义词。上图的工作过程是，首先给出一堆正-反义词，然后让给出若干候选指令，接着评估这些候选指令，看哪一个能让在测试集上有更好的表现，然后选择其中得分最高的作为答案。
这里还有一个可选的优化步骤是，把上述最高分的候选指令，让在不改变语义的情况下，生成几个变种，然后重复上面的过程，从这几个变种中选出最优的那个。
有兴趣的同学可以在这里看论文：/pdf/2211.01…
Least to Most(由易到难) ：其思路是对高难度的问题，先将其拆解为难度较低的子问题，把这些子问题解决后，用这些子问题和答案作为上下文，再让完成高难度问题的回答，下面是一个例子：
这个方法只有比较复杂的情况下才能发挥比较大的作用，另外要用好这个技巧，能否让有效地分解问题是关键，但整篇论文并没有对此给出详细说明。
有兴趣的同学可以在这里看论文：/pdf/2205.10…
(类决策树) ：这是复杂度最高的一个技巧，其基本思路是对一个复杂问题，层层递归，对这个问题生成各种可能的解释(以及子解释)，然后从中选择最靠谱的节点，推导最终的问题答案
工作过程如下：
build一棵树，树上的每个树叶都是一句True/False的陈述：把这棵树转化为一个关系图用一个叫做MAX-SAT的算法，选择一组一致的、置信度最高的节点，从中推导出最后的答案
下面是一个例子：
这是另一个例子：
有兴趣的同学可以在这里看论文：/pdf/2205.11… 领域里面的几个技巧介绍，如果我们去搜索一下的，还会发现更多技巧介绍的论文，这里就不再继续了。其实通过上面的几个例子大家能看到，这些复杂的技巧，一般都涉及多个步骤，都会把大问题拆解成若干小问题，这其实就是计算机里面最常用的分而治之的策略，我想只要我们记住这一策略，在我们解决具体问题的时候，也能想到自己的技巧。
本文正在参加 人工智能创作者扶持计划
发表回复