Analoge und Step-Back-Eingabeaufforderung
Analoge Eingabeaufforderungen und Step-Back-Eingabeaufforderungen leiten ein Modell zunächst dazu, auf einer höheren Ebene zu argumentieren: Durch analoge Eingabeaufforderungen kann es sich an ähnliche gelöste Probleme erinnern, während durch Step-back-Eingabeaufforderungen das zugrunde liegende Prinzip abgeleitet wird, bevor es sich mit Einzelheiten befasst.
Übersicht
Sie sind wichtig, weil Abstraktion oft besser ist als direkt ins Detail einzutauchen.
Tiefer Einblick
Dies sind zwei verwandte Google-Forschungstechniken aus dem Jahr 2023 zur Verbesserung des Denkens. Bei der analogen Eingabeaufforderung von Yasunaga und Kollegen wird das Modell aufgefordert, selbst einige relevante Beispiele, ähnliche Probleme, die es effektiv gesehen hat, und deren Lösungen zu generieren, bevor das Zielproblem gelöst wird, wodurch die Notwendigkeit handgeschriebener Beispiele entfällt. Beim Step-Back-Prompting von Zheng und Kollegen wird stattdessen zuerst eine Abstraktionsfrage gestellt („Welches allgemeine Prinzip oder welche Tatsache regelt dies?“), ruft dieses Prinzip ab oder begründet es und wendet es dann auf die konkrete Frage an. Beide drängen das Modell von voreiligen Details ab. Step-Back zeigte Fortschritte bei physikalischen und chemischen Fragen sowie beim Multi-Hop-Argumentation, während Analogie zu verbesserter Mathematik und Codegenerierung führte, indem Beispiele auf jedes spezifische Problem zugeschnitten wurden.
Technischer Einblick
Step-Back funktioniert, weil die Begründung einer Antwort auf einem festgelegten Prinzip (z. B. das ideale Gasgesetz oder eine Definition) die anschließende detaillierte Argumentation einschränkt und Fehler bei Zwischenschritten reduziert. Analoge Eingabeaufforderungen funktionieren, weil selbst generierte Beispiele genau auf das vorliegende Problem abgestimmt sind, oft relevanter als feste Beispiele mit wenigen Schüssen, und ein geeignetes Lösungsmuster vorbereiten. Bei beiden geht es beim Rechnen zunächst darum, die richtige Abstraktion abzurufen und dann fundierte Detailarbeit zu leisten.
Strategische Auswirkungen
Geschwindigkeit und Umfang
Sprachworkflows können schneller ablaufen, ohne dass die Konsistenz darunter leidet.
Zugang und Erreichbarkeit
Es erweitert den Zugang über Sprachen und Kommunikationsstile hinweg.
Klarere Entscheidungen
Teams können mehr Zeit für die Beurteilung aufwenden, während die Automatisierung die Wiederholungen bewältigt.
Die Zukunft der analogen und Step-Back-Eingabeaufforderung
Erwarten Sie, dass diese Abstraktionsmuster mit Retrieval-Systemen verschmelzen, bei denen das Step-Back-Prinzip zu einer präzisen Abfrage in einer Wissensdatenbank wird, und mit Agentenplanern, die über die Strategie vor der Taktik nachdenken. Die Forschung verfeinert sich, wenn selbst generierte Analogien hilfreich sind, im Gegensatz dazu, wenn sie irrelevante oder falsche Beispiele einführen, und kombiniert Rückschritte mit Verifizierung, damit das gewählte Prinzip überprüft wird, bevor schwere Überlegungen darauf aufgebaut werden. Es handelt sich wahrscheinlich um Standardwerte in auf Argumentation abgestimmten Modellen.
Reale Umsetzung
Beantwortung einer physikalischen Frage, indem zunächst das relevante Gesetz (z. B. das zweite Newtonsche Gesetz) per Rückschritt angegeben und dann Zahlen eingegeben werden
Lösen eines neuen mathematischen Problems, indem das Modell durch analoge Eingabeaufforderungen einige ähnlich gelöste Probleme abrufen muss
Behandeln Sie eine Multi-Hop-Trivia-Frage, indem Sie auf die breitere Kategorie oder Entität zurückgehen, bevor Sie Fakten verketten
Generieren von Code durch Selbstgenerierung eines analogen Algorithmus und seiner Lösung sowie anschließende Anpassung an die aktuelle Aufgabe
Risiken und Leitplanken
Halluzinierte Fakten können still und leise in Berichte, Support-Flows oder Forschungsergebnisse einfließen.
Eine schnelle Sensibilität kann bei ähnlichen Anfragen zu inkonsistenten Ergebnissen führen.
Sensible Textdaten können offengelegt werden, wenn die Zugriffskontrollen schwach sind.
Implementierungs-Roadmap
Definieren Sie vor dem Rollout Ausgabeformat, Ton und Qualitätsstandards.
Bodenantworten mit vertrauenswürdigen Quellen, wann immer es auf Genauigkeit ankommt.
Halten Sie einen Kontrollpunkt für die menschliche Überprüfung für Ergebnisse mit hohem Risiko ein.
Verfolgen Sie Fehlermuster und trainieren Sie Eingabeaufforderungen oder Arbeitsabläufe regelmäßig neu.
Entdecken Sie weiter
Free newsletter
Get the daily AI briefing
Three verified AI stories every weekday morning, written in plain English. Free forever, no ads.
One email each weekday. Unsubscribe in one click. We never sell or share your address.
Test yourself
Take the Analogical and Step-Back Prompting quiz
Instant feedback on every answer, and a shareable certificate with a verifiable ID once you pass a course.
Support free AI education. AI Understanding is a 501(c)(3) nonprofit — no ads, no paywall, ever. Make a donation
Nächster Leitfaden
Geringste bis größte Aufforderung
Häufig gestellte Fragen
Was ist analogisches und Step-back-Prompting?
Analoge Eingabeaufforderungen und Step-Back-Eingabeaufforderungen leiten ein Modell zunächst dazu, auf einer höheren Ebene zu argumentieren: Durch analoge Eingabeaufforderungen kann es sich an ähnliche gelöste Probleme erinnern, während durch Step-back-Eingabeaufforderungen das zugrunde liegende Prinzip abgeleitet wird, bevor es sich mit Einzelheiten befasst. Sie sind wichtig, weil Abstraktion oft besser ist als das direkte Eintauchen in Details.
Was verlangt die analoge Eingabeaufforderung vom Modell, bevor es das Zielproblem löst?
Durch die analoge Eingabeaufforderung generiert das Modell eigene relevante Beispiele und Lösungen, die auf das Problem zugeschnitten sind.
Was ist der erste Schritt bei der Step-Back-Aufforderung?
Step-Back stellt zunächst eine Abstraktionsfrage, um das Prinzip oder die Tatsache ans Licht zu bringen, die das Problem beherrscht.
Warum hilft es, eine Antwort auf ein erklärtes Prinzip (Step-Back) zu stützen?
Die Festlegung des Leitprinzips leitet und begrenzt zunächst die detaillierten Schritte und verringert so die Fehlerwahrscheinlichkeit.
Bei welchen Arten von Aufgaben zeigte die Step-Back-Eingabeaufforderung bemerkenswerte Fortschritte?
Step-Back verbesserte die Leistung bei wissenschaftlichen Fragen und Multi-Hop-Argumentation, indem zuerst abstrahiert wurde.
Was ist ein bekanntes Risiko einer analogen Aufforderung?
Da das Modell seine eigenen Analogien erfindet, können diese Beispiele manchmal irrelevant oder falsch sein und die Antwort beeinträchtigen.