Prompt Engineering中的“最少到最多提示过程”是什么？

「最少到最多提示过程」（Least to Most prompting, LtM）是一个将问题分解为更小、更易管理的子问题，并逐一解决这些子问题的方法。这种策略的灵感来源于现实世界中对儿童的教学方法，它强调通过分步骤逐渐增加难度的方式来解决问题。

与传统的思维链提示（Chain of Thought prompting）相比，LtM不仅仅是分解问题，而是在解决每个子问题时，将前一个子问题的解决方案作为输入，帮助解决下一个子问题。

这种方法的有效性在于它的逐步逼近策略，允许大型语言模型（LLM）更加精确地处理复杂的问题。通过这种分步解决方案，LtM可以提高问题解决的准确率，尤其是在面对需要多步骤推理的复杂问题时。

客户咨询问题

考虑一个客户服务场景，客户询问是否可以退货并用退款购买打折商品。在这种情况下，LtM方法首先识别出需要解决的子问题，例如确认退货政策、计算可能的退款金额、比较当前商品价格等。然后，逐一解决这些子问题，并将每个子问题的解答作为下一步的输入信息，最终形成一个完整的、合理的回答。

    
复制
    
客户咨询:
我在3月1日购买了你们 Arnold 系列的一件T恤。我看到它有折扣，所以买了一件原价为 30 美元的衬衫，打了 6 折。我发现你们现在有一个新的T恤折扣活动，50% off。我想知道我是否可以退货，同时拥有足够的店内积分来购买两件你们的T恤？

指令:
你是一名客户服务代表，负责友好地回复客户的查询。退货在 30 天内允许。今天是 3 月 29 日。目前所有衬衫都有 50% 的折扣。你的店里衬衫价格在 18-100 美元之间。请勿编造任何关于折扣政策的信息。
确定客户是否在30天的退货期内。让我们一步一步来。

    

字符串连接问题

另一个例子是字符串连接问题，要求从给定的词语中提取最后一个字符并将它们连接起来。LtM通过首先识别出需要连接的字符，然后逐步将它们组合起来，直到形成最终的字符串。这种方法的优势在于，通过逐步增加信息，LLM能够更好地理解和执行任务，从而提高准确率。

    
复制
    
Q: 思考|机器
A: '思考'的最后一个字母是'考'，'机器'的最后一个字母是'器'。将'考'和'器'串联起来就得到'考器'。所以'思考|机器'的输出结果是'考器'。

Q: 思考|机器|学习
A: '思考|机器'输出结果是'考器'，'学习'的最后一个字母是'习'。将'考器'和'习'串联起来就得到'考器习'。所以'思考|机器|学习'的输出结果是'考器习'。

Q: 转化器|语言
A: '转化器'的最后一个字母是'器'，'语言'的最后一个字母是'言'。将'器'和'言'串联起来就得到'器言'。所以'转化器|语言'的输出结果是'器言'。

Q: 转化器|语言|视觉
A: '转化器|语言'的输出结果是'器言'，'视觉'的最后一个字母是'觉'。将'器言'和'觉'串联起来就得到'器言觉'。所以'转化器|语言|视觉'的输出结果是'器言觉'。

Q: 张三|李四|手机|钱包|钥匙|房子|汽车|电脑|书|电视|可乐|雪碧|橘猫
A: 

    

结论与优势

LtM方法的核心优势在于其逐步解决问题的能力，这不仅有助于提高问题解决的准确性，也使得模型能够更好地处理复杂性高的问题。此外，通过模仿人类解决问题的自然过程，LtM提升了模型的泛化能力，特别是在面对新问题或未在训练数据中直接出现的问题类型时。

想了解如何利用RPA+AI打造图文工厂 扫描下方二维码加入星球