Als nächstesNächster Leitfaden
Sokratische Aufforderungen, die die KI dazu bringen, Ihnen etwas beizubringen
Sprach-KI
Sprach-KI-GUIDE
Geringste bis größte Aufforderung
Beim Least-to-Most-Prompt wird ein schwieriges Problem in eine Folge einfacherer Teilprobleme zerlegt und diese der Reihe nach gelöst, sodass jede Antwort in die nächste einfließt.
Hören Sie sich diesen Leitfaden anKI-erzählt · ~2 min
Auf dieser Seite2 Minuten gelesen
Übersicht
Es ist wichtig, weil es den Modellen ermöglicht, Fragen viel härter anzugehen als die Beispiele, die ihnen gezeigt wurden.
Tiefer Einblick
Least-to-Most prompting, introduced by Zhou and colleagues at Google in 2022, has two stages. First, the model is prompted to decompose a complex question into an ordered list of easier subquestions. Second, it solves those subquestions one at a time, appending each solved answer to the context so later steps can build on earlier ones. This differs from chain-of-thought, which reasons in a single pass without explicit decomposition. The authors evaluated symbolic manipulation, math reasoning, and SCAN, a compositional-generalization benchmark built from natural-language commands. For the specific SCAN setup using GPT-3 code-davinci-002 and 14 exemplars, Least-to-Most reached at least 99% accuracy across the tested splits, including the length split, compared with 16% for chain-of-thought prompting. This is a result for that model, prompt setup, and benchmark, not a general accuracy guarantee.
Reale Umsetzung
Lösung einer mehrstufigen Textaufgabe, indem zunächst die zu berechnenden Größen aufgelistet und dann der Reihe nach berechnet werden
Kompositorische Sprachaufgaben wie die Übersetzung langer Anweisungen in Aktionssequenzen aus kurzen Beispielen
Beantwortung einer komplexen Forschungsfrage durch Aufteilung in Unterfragen, deren Antworten sich zur endgültigen Antwort zusammenfügen
Das Schreiben eines Programms durch Zerlegen in Hilfsfunktionen, die einzeln gelöst und in späteren Schritten wiederverwendet werden
Die Zukunft des Least-to-Most-Prompting
Least-to-Most-Ideen liegen mittlerweile vielen Agenten- und Planerarchitekturen zugrunde, die Ziele vor der Umsetzung in geordnete Teilaufgaben aufteilen. Erwarten Sie Hybriden mit Tool-Einsatz, bei denen jede Unterfrage einen Taschenrechner, eine Suche oder einen Codeaufruf auslösen kann, und mit Selbstkonsistenz für robustere Unterantworten. Die Forschung erforscht außerdem die automatische Zerlegung, die die Tiefe an die Problemschwierigkeit anpasst, und kombiniert sie mit der Verifizierung, damit eine falsche frühe Teilantwort nicht stillschweigend die gesamte nachgelagerte Kette beschädigt.
In die Tat umsetzen
Warum es wichtig ist
- 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.
Achten Sie auf
- 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.
Nächste Schritte
- 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
Kostenloser Newsletter
Erhalten Sie die tägliche KI-Briefing
Drei verifizierte KI-Geschichten jeden Werktagmorgen, in einfachem Englisch geschrieben. Für immer kostenlos, keine Werbung.
Eine E‑Mail jeden Werktag. Abmelden mit einem Klick. Wir verkaufen oder teilen Ihre Adresse nie.
Testen Sie sich selbst
Take the Least-to-Most Prompting quiz
Sofortiges Feedback zu jeder Antwort und ein teilbares Zertifikat mit verifizierbarer ID, sobald Sie einen Kurs bestanden haben.
Unterstützen Sie kostenlose KI-Bildung. AI Understanding ist eine 501(c)(3) gemeinnützige Organisation – keine Werbung, keine Paywall, nie. Machen Sie eine Spende
Häufig gestellte Fragen
Was ist die geringste bis größte Aufforderung?
Beim Least-to-Most-Prompt wird ein schwieriges Problem in eine Folge einfacherer Teilprobleme zerlegt und diese der Reihe nach gelöst, sodass jede Antwort in die nächste einfließt. Es ist wichtig, weil es den Modellen ermöglicht, Fragen viel härter anzugehen als die Beispiele, die ihnen gezeigt wurden.
Was sind die beiden Hauptphasen des Least-to-Most-Prompting?
Das Problem wird zunächst in eine geordnete Reihe einfacherer Unterfragen unterteilt und dann jede nacheinander gelöst.
Wie unterscheidet sich „Least-to-Most“ von der Standard-Gedankenkettenaufforderung?
Gedankenkettengründe in einem Durchgang; „Least to Most“ zerlegt und verkettet Teilantworten explizit.
What kind of task does the SCAN benchmark use to test compositional generalization?
SCAN tests compositional generalization using commands that map language to action sequences; the Least-to-Most paper evaluates whether prompts transfer to harder command compositions.
Warum ist die Reihenfolge der Unterfragen wichtig?
Die Unterprobleme sind so angeordnet, dass jedes nur von zuvor gelösten Problemen abhängt, sodass sich die Antworten korrekt aufbauen können.
Wie werden Zwischenantworten während der Lösungsphase verwendet?
Jede gelöste Teilantwort wird zur laufenden Eingabeaufforderung hinzugefügt, sodass nachfolgende Schritte die benötigten Ergebnisse liefern.
Lerne weiter
Verwandte Leitfäden
Weitere Leitfäden zu diesem Thema ausgewählt