類似およびステップバック プロンプト
類推プロンプトとステップバック プロンプトは両方とも、最初にモデルをより高いレベルで推論するように導きます。類推プロンプトでは、類似した解決済みの問題を思い出させますが、ステップバック プロンプトでは、詳細に取り組む前に基礎となる原理を導き出します。
概要
They matter because abstraction often beats diving straight into details.
ディープダイブ
これらは、推論を改善するための 2023 年の 2 つの関連する Google 研究手法です。安永氏らによる類推プロンプトは、対象となる問題を解決する前に、モデルにいくつかの関連する例、効果的に見た類似の問題、およびその解決策を自己生成するよう要求し、手書きの例の必要性を排除します。 Zheng らによるステップバック プロンプトでは、代わりに最初に抽象的な質問 (「これを支配する一般原則または事実は何ですか?」) を尋ね、その原則について検索または推論してから、それを具体的な質問に適用します。どちらもモデルを時期尚早な詳細から遠ざけます。 Step-Back では、物理学と化学の質問とマルチホップ推論での進歩が見られましたが、アナロジカルでは、例を特定の問題に合わせて調整することで数学とコード生成の向上を促しました。
技術的な洞察
ステップバックが機能するのは、答えを明示された原理 (理想気体の法則や定義など) に基づいて根拠付けることで、その後の詳細な推論が制約され、中間ステップでのスリップが軽減されるからです。自己生成されたサンプルは当面の問題に正確に一致し、多くの場合、固定された数ショットのサンプルよりも関連性が高く、適切な解決パターンを準備するため、類推的なプロンプトが機能します。どちらも、最初に適切な抽象化を取得し、次に根拠のある詳細な作業を実行する方向に計算をシフトします。
戦略的影響
速度とスケール
言語ワークフローは、一貫性を犠牲にすることなく、より高速に移行できます。
アクセスと到達範囲
言語やコミュニケーション スタイルを超えてアクセスが拡張されます。
より明確な判決
自動化が繰り返しを処理する間、チームは判断により多くの時間を費やすことができます。
類推とステップバック プロンプトの未来
これらの抽象化優先パターンは、ステップバック原則が知識ベースへの正確なクエリとなる検索システムや、戦術よりも戦略を推論するエージェント プランナーと融合することが期待されます。研究では、自分で生み出したアナロジーが役立つ場合と無関係または間違った例を導入する場合を洗練し、ステップバックと検証を組み合わせて、重い推論が構築される前に選択された原則がチェックされるようにしています。これらは、推論を調整したモデルのデフォルトとなる可能性があります。
現実世界の実装
最初に関連する法則 (ニュートンの第 2 法則など) をステップバックで述べ、次に数字を代入することで物理学の質問に回答します。
類似したプロンプトを通じてモデルに解決済みの類似した問題をいくつか思い出させることで、新しい数学の問題を解決します。
事実を連鎖させる前に、より広範なカテゴリまたはエンティティに戻って、マルチホップのトリビアの質問に取り組む
類似のアルゴリズムとそのソリューションを自己生成することによってコードを生成し、それを現在のタスクに適応させます。
リスクとガードレール
幻覚のような事実が、レポート、サポート フロー、または研究結果に静かに組み込まれる可能性があります。
迅速な対応により、同様のリクエスト間で一貫性のない結果が生じる可能性があります。
アクセス制御が弱いと、機密テキスト データが漏洩する可能性があります。
実装ロードマップ
展開する前に、出力形式、トーン、品質基準を定義します。
正確さが重要な場合は常に、信頼できる情報源を使って地上対応を行ってください。
一か八かの成果物については人間によるレビュー チェックポイントを維持します。
失敗パターンを追跡し、プロンプトやワークフローを定期的に再トレーニングします。
探検を続けましょう
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
次のガイド
最も少ないプロンプトから最も多いプロンプトまで
よくある質問
What is Analogical and Step-Back Prompting?
類推プロンプトとステップバック プロンプトは両方とも、最初にモデルをより高いレベルで推論するように導きます。類推プロンプトでは、類似した解決済みの問題を思い出させますが、ステップバック プロンプトでは、詳細に取り組む前に基礎となる原理を導き出します。多くの場合、抽象化は詳細を直接掘り下げるよりも優れているため、これらは重要です。
類推プロンプトは、ターゲットの問題を解決する前にモデルに何をするように要求しますか?
類推プロンプトにより、モデルは問題に合わせた独自の関連する例と解決策を生成します。
ステップバック プロンプトの最初のステップは何ですか?
ステップバックでは、問題を支配する原理や事実を明らかにするために、まず抽象化された質問をします。
定められた原則に基づいて答えを立てること（ステップバック）がなぜ役立つのでしょうか?
最初に支配原則を述べることで、詳細な手順がガイドおよび制約され、エラーの可能性が低くなります。
ステップバック プロンプトはどのような種類のタスクで顕著な効果を示しましたか?
ステップバックは、最初に抽象化することで科学の質問とマルチホップ推論のパフォーマンスを向上させました。
類推的なプロンプトで注目されるリスクは何ですか?
モデルは独自のアナロジーを考案するため、それらの例が無関係または不正確である場合があり、答えに悪影響を与える可能性があります。