ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;letter-spacing: 0.544px;visibility: visible;">一、PromptingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.578px;text-align: center;visibility: visible;">（提示词）ingFang SC", "Hiragino Sans GB", "Microsoft YaHei UI", "Microsoft YaHei", Arial, sans-serif;font-size: 16px;letter-spacing: 0.578px;text-align: center;visibility: visible;">
Prompt的核心要素包括：明确的任务指示、相关上下文、示例参考、用户输入以及具体的输出要求。
指示（Instructions）：想要模型执行的特定任务或指令。
上下文（Context）：包含外部信息或额外的上下文信息，引导语言模型更好地响应。
例子（Examples）：通过给出具体示例来展示期望的输出格式或风格。
输入（Input）：用户输入的内容或问题。
输出（Output）：指定输出的类型或格式。
Prompt:指令：请撰写一段关于“未来科技”的描述。输入数据：无特定输入数据，直接基于主题创作。输出指示：生成一段约100字的文本，要求内容富有想象力且积极向上。开始你的创作：
二、In-context Learning（上下文学习）
什么是In-contxt Learning？In-context learning，即上下文学习，是一种机器学习方法，它利用文本、语音、图像等数据的上下文环境以及数据之间的关系和上下文信息来提高预测和分类的准确性和有效性。
In-context learning的优势在于它不需要对模型进行微调（fine-tuning），从而节省了大量的计算资源和时间。
在GPT-3中，In-context learning表现为模型能够在给定的任务示例或自然语言指令的上下文中，理解任务要求并生成相应的输出。具体来说，In-context learning可以分为以下几种情况：
Zero-shot Learning：不给GPT任何样例，仅通过自然语言指令来指导模型完成任务。
假设你有一个任务，需要将文本分类为三种情感之一：正面，负面或中性。文本：我认为这次假期还可以。情感倾向标签（选择一个）：正面、负面、中性
One-shot Learning：给GPT一个任务示例，模型根据这个示例来理解任务并生成输出。
Few-shot Learning：给GPT多个任务示例，模型通过这些示例来更好地理解任务并生成输出。
假设你有一个任务，需要将文本分类为三种情感之一：正面，负面或中性。示例1:文本：“我度过了一个非常愉快的周末！”情感倾向标签：正面示例2:文本：“这部电影太令人失望了。”情感倾向标签：负面示例3:文本：“今天的天气和昨天一样。”情感倾向标签：中性现在，请根据你从上述示例中学到的知识，对以下文本进行情感分类：文本：“我认为这次假期还可以。”情感倾向标签（选择一个）：正面、负面、中性
三、Chain-of-Thought（思维链）
什么是Chain-of-Thought？Chain-of-Thought（思维链，简称CoT）是一种改进的提示技术，旨在提升大型语言模型（LLMs）在复杂推理任务上的表现。
Chain-of-Thought要求模型在输出最终答案之前，先展示一系列有逻辑关系的思考步骤或想法，这些步骤相互连接，形成了一个完整的思考过程。
Chain-of-Thought
Zero-Shot CoT：在没有示例的情况下，仅仅在指令中添加一行经典的“Let’s think step by step”，就可以激发大模型的推理能力，生成一个回答问题的思维链。
Few-Shot CoT：通过提供几个包含问题、推理过程与答案的示例，让模型学会如何逐步分解问题并进行推理。这种方式需要少量的示例来引导模型，但通常能够获得更好的效果。
Few-Shot CoT