從最少到最多的提示
從最少到最多的提示將一個難題分解為一系列更簡單的子問題，按順序解決它們，以便每個答案都為下一個答案提供支持。
概述
It matters because it lets models tackle questions far harder than the examples they were shown.
深入探討
由少到多的提示由 Zhou 及其同事於 2022 年在 Google 提出，有兩個階段。首先，提示模型將複雜問題分解為更簡單的子問題的有序清單。其次，它一次解決一個子問題，將每個解決的答案附加到上下文中，以便後面的步驟可以建立在前面的步驟的基礎上。這與思想鏈不同，思想鏈在一次傳遞中進行推理而無需顯式分解。標題結果是強大的由易到難的泛化：在 SCAN 組合泛化基準上，從最少到最多的提示解決了絕大多數長命令，儘管提示示例很短，而標準思維鏈在很大程度上失敗了。
技術洞察
力量來自於將計劃與執行分開。分解產生一個依存順序的鏈，這樣子問題 N 只依賴已經解決的子問題。每個解決的答案都會連接到運行提示中，為模型提供所需的中間結果，而不是要求它一次完成所有操作。這減少了每個單獨步驟必須執行的推理，這就是為什麼模型對輸入的泛化比任何單一演示都更長、更難。
戰略影響
速度與規模
語言工作流程可以在不犧牲一致性的情況下更快地移動。
交通與覆蓋範圍
它擴展了跨語言和溝通方式的訪問。
更明確的決策
團隊可以花更多時間進行判斷，而自動化則可以處理重複。
從最少到最多提示的未來
現在，從最少到最多的想法支撐著許多代理和規劃器架構，這些架構在行動之前將目標分解為有序的子任務。期望與工具使用混合，其中每個子問題都可以觸發計算器、搜尋或程式碼調用，並具有自我一致性以獲得更強大的子答案。研究也正在探索自動分解，以適應問題難度的深度，並將其與驗證相結合，這樣錯誤的早期子答案就不會默默地破壞整個下游鏈。
現實世界的實施
透過先列出要計算的數量，然後按順序計算它們來解決多步驟應用題
組合語言任務，例如將長指令從短範例翻譯為動作序列
透過將其分解為子問題來回答複雜的研究問題，這些子問題的答案將合併到最終的答案中
透過將程式分解為輔助函數來編寫程序，每次解決一個函數，每個函數都由後續步驟重複使用
風險與防護欄
幻覺的事實可以悄悄地進入報告、支持流程或研究成果。
及時的敏感性可能會在類似的請求中產生不一致的結果。
如果存取控制薄弱，敏感文字資料可能會暴露。
實施路線圖
在推出之前定義輸出格式、語氣和品質標準。
當準確性很重要時，請使用可信任來源進行地面回應。
為高風險輸出保留人工審查檢查點。
追蹤故障模式並定期重新訓練提示或工作流程。
不斷探索
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
常見問題
What is Least-to-Most Prompting?
從最少到最多的提示將一個難題分解為一系列更簡單的子問題，按順序解決它們，以便每個答案都為下一個答案提供支持。這很重要，因為它讓模型能夠比所展示的範例更難地解決問題。
從最少到最多提示的兩個主要階段是什麼？
它首先將問題分解為一組有序的更簡單的子問題，然後按順序解決每個問題。
從最少到最多的提示與標準的思考鏈提示有何不同？
一連串的思路推理；從最小到最大顯式分解子答案並將其連結在一起。
Least-to-Most 在 SCAN 基準測試中顯著展示了哪些功能？
儘管只看到了簡短的範例，但它還是解決了長的組合命令，顯示了從易到難的概括。
為什麼子問題的順序很重要？
子問題的排列使得每個子問題僅依賴先前解決的問題，從而正確地建立答案。
在求解階段如何使用中間答案？
每個解決的子答案都會加入到運行提示中，以便後續步驟獲得所需的結果。