从最少到最多的提示
从最少到最多的提示将一个难题分解为一系列更简单的子问题，按顺序解决它们，以便每个答案都为下一个答案提供支持。
概述
It matters because it lets models tackle questions far harder than the examples they were shown.
深入探讨
由少到多的提示由 Zhou 及其同事于 2022 年在 Google 提出，有两个阶段。首先，提示模型将复杂问题分解为更简单的子问题的有序列表。其次，它一次解决一个子问题，将每个解决的答案附加到上下文中，以便后面的步骤可以建立在前面的步骤的基础上。这与思想链不同，思想链在一次传递中进行推理而无需显式分解。标题结果是强大的由易到难的泛化：在 SCAN 组合泛化基准上，从最少到最多的提示解决了绝大多数长命令，尽管提示示例很短，而标准思维链在很大程度上失败了。
技术洞察
力量来自于将计划与执行分开。分解产生一个依存顺序的链，这样子问题 N 只依赖于已经解决的子问题。每个解决的答案都会连接到运行提示中，为模型提供所需的中间结果，而不是要求它一次完成所有操作。这减少了每个单独步骤必须执行的推理，这就是为什么模型对输入的泛化比任何单个演示都更长、更难。
战略影响
速度与规模
语言工作流程可以在不牺牲一致性的情况下更快地移动。
交通与覆盖范围
它扩展了跨语言和沟通方式的访问。
更清晰的判决
团队可以花更多时间进行判断，而自动化则可以处理重复。
从最少到最多提示的未来
现在，从最少到最多的想法支撑着许多代理和规划器架构，这些架构在行动之前将目标分解为有序的子任务。期望与工具使用混合，其中每个子问题都可以触发计算器、搜索或代码调用，并具有自我一致性以获得更强大的子答案。研究还在探索自动分解，以适应问题难度的深度，并将其与验证相结合，这样错误的早期子答案就不会默默地破坏整个下游链。
现实世界的实施
通过首先列出要计算的数量，然后按顺序计算它们来解决多步骤应用题
组合语言任务，例如将长指令从短示例翻译为动作序列
通过将其分解为子问题来回答复杂的研究问题，这些子问题的答案将合并到最终的答案中
通过将程序分解为辅助函数来编写程序，每次解决一个函数，每个函数都由后续步骤重用
风险与防护栏
幻觉的事实可以悄悄地进入报告、支持流程或研究成果。
及时的敏感性可能会在类似的请求中产生不一致的结果。
如果访问控制薄弱，敏感文本数据可能会暴露。
实施路线图
在推出之前定义输出格式、语气和质量标准。
当准确性很重要时，请使用可信来源进行地面响应。
为高风险输出保留人工审查检查点。
跟踪故障模式并定期重新训练提示或工作流程。
不断探索
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 Least-to-Most 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
常见问题
What is Least-to-Most Prompting?
从最少到最多的提示将一个难题分解为一系列更简单的子问题，按顺序解决它们，以便每个答案都为下一个答案提供支持。这很重要，因为它让模型能够比所展示的示例更难地解决问题。
从最少到最多提示的两个主要阶段是什么？
它首先将问题分解为一组有序的更简单的子问题，然后按顺序解决每个问题。
从最少到最多的提示与标准的思维链提示有何不同？
一连串的思路推理；从最小到最大显式分解子答案并将其链接在一起。
Least-to-Most 在 SCAN 基准测试中显着展示了哪些功能？
尽管只看到了简短的示例，但它还是解决了长的组合命令，显示了从易到难的概括。
为什么子问题的顺序很重要？
子问题的排列使得每个子问题仅依赖于先前解决的问题，从而正确地建立答案。
在求解阶段如何使用中间答案？
每个解决的子答案都会添加到运行提示中，以便后续步骤获得所需的结果。