Visão geral
A solicitação analógica e a do Step-Back guiam primeiro um modelo para raciocinar em um nível superior: a solicitação analógica faz com que ele se lembre de problemas resolvidos semelhantes, enquanto o step-back faz com que ele derive o princípio subjacente antes de abordar os detalhes. Eles são importantes porque a abstração geralmente é melhor do que mergulhar direto nos detalhes.
A solicitação analógica e recuada faz parte da pilha de linguagem-IA usada para ler, gerar, classificar e transformar texto e fala em escala.
Mergulho profundo
Estas são duas técnicas de pesquisa Google relacionadas de 2023 para melhorar o raciocínio. A solicitação analógica, de Yasunaga e colegas, pede ao modelo para autogerar alguns exemplos relevantes, problemas semelhantes que efetivamente viu e suas soluções antes de resolver o problema alvo, eliminando a necessidade de exemplos escritos à mão. O prompt Step-Back, de Zheng e colegas, em vez disso, faz primeiro uma pergunta de abstração ("que princípio ou fato geral rege isso?"), recupera ou raciocina sobre esse princípio e depois o aplica à questão concreta. Ambos afastam o modelo dos detalhes prematuros. O Step-Back mostrou ganhos em questões de física e química e no raciocínio multi-hop, enquanto o prompt analógico melhorou a matemática e a geração de código, adaptando exemplos para cada problema específico.
Visão técnica
Step-Back funciona porque fundamentar uma resposta em um princípio declarado (digamos, a lei dos gases ideais ou uma definição) restringe o raciocínio detalhado subsequente e reduz deslizes nas etapas intermediárias. A solicitação analógica funciona porque os exemplos autogerados correspondem ao problema exato em questão, muitas vezes mais relevantes do que exemplos fixos de poucas tentativas, e eles preparam um padrão de solução apropriado. Ambos mudam a computação para recuperar primeiro a abstração correta e, em seguida, realizar um trabalho detalhado e fundamentado.
Dominando a solicitação analógica e recuada
A solicitação analógica e a do Step-Back guiam primeiro um modelo para raciocinar em um nível superior: a solicitação analógica faz com que ele se lembre de problemas resolvidos semelhantes, enquanto o step-back faz com que ele derive o princípio subjacente antes de abordar os detalhes. Eles são importantes porque a abstração geralmente é melhor do que mergulhar direto nos detalhes. A solicitação analógica e recuada faz parte da pilha de linguagem-IA usada para ler, gerar, classificar e transformar texto e fala em escala. Para construir um entendimento profundo, trate o prompt analógico e o Step-Back como um modelo operacional, não como um único recurso: defina os resultados desejados, esclareça suposições e separe o que o sistema pode fazer de forma confiável daquilo que ainda requer julgamento especializado.
Na prática, equipes fortes que usam prompts analógicos e de retrocesso projetam prompts, recuperação e ciclos de revisão como um sistema de comunicação integrado. Eles documentam critérios de sucesso explícitos, testam dados e fluxos de trabalho realistas e iteram com base em padrões de falha observados, em vez de ganhos únicos de benchmark. É aqui que a compreensão teórica se transforma em capacidade durável em produtos, políticas e operações.
Os fluxos de trabalho de idiomas podem avançar mais rapidamente sem sacrificar a consistência. Ao mesmo tempo, os factos alucinados podem entrar silenciosamente em relatórios, fluxos de apoio ou resultados de investigação. A abordagem mais resiliente é combinar a velocidade da experimentação com a disciplina de governação: executar pilotos, capturar provas, publicar registos de decisões e atualizar continuamente as salvaguardas à medida que o comportamento do modelo, as expectativas dos utilizadores e os requisitos regulamentares evoluem.
Impacto Estratégico
Os fluxos de trabalho de idiomas podem avançar mais rapidamente sem sacrificar a consistência.
Os fluxos de trabalho de idiomas podem avançar mais rapidamente sem sacrificar a consistência. Em implantações de alta qualidade, isso se traduz em regras operacionais mensuráveis, limites de propriedade e rituais de revisão recorrentes para que as equipes possam aumentar a confiança em vez de aumentar a ambiguidade.
Ele expande o acesso entre idiomas e estilos de comunicação.
Ele expande o acesso entre idiomas e estilos de comunicação. Em implantações de alta qualidade, isso se traduz em regras operacionais mensuráveis, limites de propriedade e rituais de revisão recorrentes para que as equipes possam aumentar a confiança em vez de aumentar a ambiguidade.
As equipes podem gastar mais tempo julgando enquanto a automação cuida da repetição.
As equipes podem gastar mais tempo julgando enquanto a automação cuida da repetição. Em implantações de alta qualidade, isso se traduz em regras operacionais mensuráveis, limites de propriedade e rituais de revisão recorrentes para que as equipes possam aumentar a confiança em vez de aumentar a ambiguidade.
Implementação no mundo real
Responder a uma questão de física declarando primeiro a lei relevante (por exemplo, a segunda lei de Newton) através de um passo atrás e, em seguida, inserindo números
Resolver um novo problema matemático fazendo com que o modelo lembre alguns problemas resolvidos semelhantes por meio de prompts analógicos
Resolver uma questão trivial de vários saltos, voltando para a categoria ou entidade mais ampla antes de encadear os fatos
Gerar código autogerando um algoritmo análogo e sua solução e, em seguida, adaptando-o à tarefa atual
Padrões de Implementação
Solicitação Analógica e Step-Back na prática
Responder a uma questão de física declarando primeiro a lei relevante (por exemplo, a segunda lei de Newton) por meio de um passo atrás e, em seguida, inserindo números.
Respondendo a uma questão de física declarando primeiro a lei relevante (por exemplo, a segunda lei de Newton) por meio de um passo atrás e, em seguida, inserindo números. As equipes geralmente obtêm melhores resultados quando definem limites de qualidade antecipadamente, mantêm um caminho de escalonamento humano para casos extremos e acompanham os ganhos de produtividade e os custos de erros ao longo do tempo.
Solicitação Analógica e Step-Back na prática
Resolver um novo problema matemático fazendo com que o modelo lembre alguns problemas resolvidos semelhantes por meio de prompts analógicos.
Resolver um novo problema matemático fazendo com que o modelo recupere alguns problemas resolvidos semelhantes por meio de prompts analógicos. As equipes geralmente obtêm melhores resultados quando definem limites de qualidade antecipadamente, mantêm um caminho de escalonamento humano para casos extremos e monitoram os ganhos de produtividade e os custos de erros ao longo do tempo.
Solicitação Analógica e Step-Back na prática
Resolver uma questão trivial de vários saltos, voltando para a categoria ou entidade mais ampla antes de encadear os fatos.
Resolver uma questão trivial de vários saltos voltando para a categoria ou entidade mais ampla antes de encadear os fatos As equipes geralmente obtêm melhores resultados quando definem limites de qualidade antecipadamente, mantêm um caminho de escalonamento humano para casos extremos e monitoram os ganhos de produtividade e os custos de erros ao longo do tempo.
Solicitação Analógica e Step-Back na prática
Gerar código autogerando um algoritmo análogo e sua solução e, em seguida, adaptando-o à tarefa atual.
Gerando código por meio da autogeração de um algoritmo análogo e sua solução e, em seguida, adaptando-o à tarefa atual As equipes geralmente obtêm melhores resultados quando definem limites de qualidade antecipadamente, mantêm um caminho de escalonamento humano para casos extremos e acompanham os ganhos de produtividade e os custos de erros ao longo do tempo.
Riscos e guarda-corpos
Fatos alucinados podem entrar silenciosamente em relatórios, fluxos de apoio ou resultados de pesquisas.
A sensibilidade do prompt pode criar resultados inconsistentes em solicitações semelhantes.
Dados de texto confidenciais podem ser expostos se os controles de acesso forem fracos.
Roteiro de implementação
Defina o formato de saída, o tom e os padrões de qualidade antes da implementação.
Defina o formato de saída, o tom e os padrões de qualidade antes da implementação. Trate cada etapa como uma porta de evidência: se os critérios não forem atendidos, pause a implementação, feche a lacuna e só então expanda o uso.
Respostas terrestres com fontes confiáveis sempre que a precisão for importante.
Respostas terrestres com fontes confiáveis sempre que a precisão for importante. Trate cada etapa como uma porta de evidência: se os critérios não forem atendidos, pause a implementação, feche a lacuna e só então expanda o uso.
Mantenha um ponto de verificação de revisão humana para resultados de alto risco.
Mantenha um ponto de verificação de revisão humana para resultados de alto risco. Trate cada etapa como uma porta de evidência: se os critérios não forem atendidos, pause a implementação, feche a lacuna e só então expanda o uso.
Rastreie padrões de falha e treine novamente prompts ou fluxos de trabalho regularmente.
Rastreie padrões de falha e treine novamente prompts ou fluxos de trabalho regularmente. Trate cada etapa como uma porta de evidência: se os critérios não forem atendidos, pause a implementação, feche a lacuna e só então expanda o uso.