Prompt教程-提示集成
提示集成提示集成是使用多个不同的提示来尝试回答相同问题的概念。有许多不同的方法可以实现这一点。
标签 prompt应用 下的文章
Prompt教程-代码推理
代码推理程序辅助语言模型（Program-aided Language Models, PAL） 是另一个MRKL系统的例子。给定一个问题，PAL能够编写代码解决这个问题。它将代码发送到编程运行时以获得结果。PAL的中间推理是代码，而CoT的是自然语言。
Prompt教程-具有推理和行动能力的LLMs
具有推理和行动能力的LLMsReAct（Reason, Act）是一个示例语言模型范例，旨在使用自然语言推理来解决复杂任务。它被设计用于允许LLM执行特定操作的任务。在MRKL系统中，LLM可以与外部API进行交互以检索信息。当面临问题时，LLM可以选择执行操作来检索信息，并根据检索到的信息回答问题。
Prompt教程-LLMs使用工具
LLMs使用工具MRKL系统（Modular Reasoning, Knowledge and Language，发音为"miracle"）是一种神经符号结构，将LLMs（神经计算）和外部工具（如计算器、符号计算等）结合起来，用于解决复杂问题。
Prompt教程-聊天机器人 + 知识库
聊天机器人 + 知识库最近关注大型语言模型（LLM），如GPT-3和ChatGPT等，这些模型在技术行业引起了很大的关注。它们对于内容生成非常强大，但也存在一些缺点，例如偏差和幻象。在聊天机器人开发方面，LLM特别有用。
Prompt教程-解答讨论性问题
解答讨论性问题使用适当的提示，GPT-3可以很好地处理解答讨论性问题。这种问题通常是大学课程中的常见任务，要求回答100到700字左右的问题。对于更长的文章，由于语言模型的记忆有限，难以理解全局视角，因此可能会有些困难。
Prompt教程-多项选择题
多项选择题让我们使用 GPT 来解决一道 LSAT问题！以下是一道 LSAT (法学院入学考试) 问题的例子。考虑你如何回答它以及你的推理。
Prompt教程-提示的关键要素
提示的关键要素在之前的页面中，我们已经讨论了几种不同的提示策略。本页将提供一般建议，这些建议对于提示的实际编写很重要。
Prompt教程-最少到最多提示过程
最少到最多提示过程最少到最多提示过程 (Least to Most prompting, LtM)是对思维链提示过程 (CoT prompting) 的进一步发展，灵感来自于面向儿童的实际教育策略。LtM技术首先将问题分解为子问题，并逐个解决。
Prompt教程-知识生成
知识生成生成的知识方法（Generated Knowledge Approach）要求 LLM 在生成响应之前生成与问题相关的可能有用的信息。该方法由两个中间步骤组成，即知识生成和知识集成。
