一个Prompt小技巧，提升大模型复杂任务处理能力3%-20%

Step-Back Prompting是一种提升大模型处理复杂任务能力的提示词技巧。

它将一步到位的Prompt拆分为两个环节：先让大模型提炼出问题涉及的抽象概念和原则，再让大模型进行具体问题的处理。

这种方式有助于防止中间步骤的错误，从而提升内容生成的精准性。在诸如PaLM-2L、GPT-4和Llama2-70B等模型上进行了测试，显著优于传统方法（如链式思维（CoT）提示）。

该方法分为两步：

1. 抽象：询问解决问题所涉及的概念或原则；

2. 推理：将上一步得到的概念和原则 + 原始问题一并提供给大模型进行处理。

例如：

我们想要给第一人称射击游戏的关卡编写一段故事情节，如果直接将问题询问大模型，得到反馈如下：

使用Step-Back Prompting的方法

我们首先让大模型提炼概念和要点：“参考流行的第一人称射击游戏，给第一人称射击游戏的关卡编写一段故事情节的5个要点是什么？” 大模型就会返回编写关卡剧情的核心要素。

然后，我们要求大模型基于它提炼出的5个要点，来进一步处理原问题。比较可见，新的方式产出的内容，结构性和针对性都变得更强。

在诸多数据集上，使用Step-back prompting的技巧都带来了显著的效果提升。

先抽象再具体，这就是Step-back prompting的核心思想所在。

这个技巧就像我们在辅导学生完成复杂任务的场景一样，先引导学生回答解决特定问题需要用到什么概念和方法，再要求他根据对应的概念和方法进行求解，从而提升准确性。