提示链
提示链引言
为了提高大型语言模型（LLM）的可靠性和性能，一种重要的提示工程技术是将任务分解为子任务。一旦确定了这些子任务，就用一个子任务提示 LLM，然后将其响应作为输入用于另一个提示。这就是所谓的提示链（prompt chaining），即将任务分解为子任务，以创建一系列提示操作。
提示链有助于完成 LLM 在面对非常详细的提示时可能难以处理的复杂任务。在提示链中，链式提示会在生成的响应上执行转换或附加处理，直到达到最终所需状态。
除了获得更好的性能外，提示链还有助于提高 LLM 应用的透明度、可控性和可靠性。这意味着您可以更轻松地调试模型响应问题，并在需要改进的不同阶段分析和提升性能。
提示链在构建由 LLM 支持的对话助手以及提升应用个性化和用户体验方面特别有用。
在我们的新 AI 课程中了解更多关于提示链和高级提示方法的内容。立即加入！ （在新标签页中打开） 使用代码 PROMPTING20 额外享受八折优惠。
提示链用例
文档问答的提示链
提示链可用于涉及多种操作或转换的不同场景。例如，LLM 的一个常见用例是回答关于大型文本文档的问题。如果您设计两个不同的提示会很有帮助：第一个提示负责提取相关引用来回答问题，第二个提示将这些引用和原始文档作为输入来回答给定问题。换句话说，您将创建两个不同的提示来完成回答文档中给定问题的任务。
下面的第一个提示从给定问题的文档中提取相关引用。请注意，为简单起见，我们为文档添加了一个占位符 {{document}}。要测试此提示，您可以复制并粘贴维基百科的一篇文章，例如关于 提示工程 （在新标签页中打开） 的页面。由于此任务使用了较大的上下文，我们使用了 OpenAI 的 gpt-4-1106-preview 模型。您也可以将此提示与其他长上下文 LLM（如 Claude）一起使用。
提示 1
You are a helpful assistant. Your task is to help answer a question given in a document. The first step is to extract quotes relevant to the question from the document, delimited by ####. Please output the list of quotes using <quotes></quotes>. Respond with "No relevant quotes found!" if no relevant quotes were found.
####
{{document}}
####这里是整个提示的截图，包括使用 user 角色传递的问题。
提示 1 的输出
<quotes>
- Chain-of-thought (CoT) prompting[27]
- Generated knowledge prompting[37]
- Least-to-most prompting[38]
- Self-consistency decoding[39]
- Complexity-based prompting[41]
- Self-refine[42]
- Tree-of-thought prompting[43]
- Maieutic prompting[45]
- Directional-stimulus prompting[46]
- Textual inversion and embeddings[59]
- Using gradient descent to search for prompts[61][62][63][64]
- Prompt injection[65][66][67]
</quotes>第一个提示返回的引用现在可以用作下面第二个提示的输入。请注意，您可以进一步清理这些引用，即删除引文。这些引文可以在链中的另一个提示中删除或利用，但目前您可以忽略这一点。第二个提示然后使用提示 1 提取的相关引用，并根据文档和提取的引用准备一个有用的问题回答。第二个提示可以是以下内容：
提示 2
Given a set of relevant quotes (delimited by <quotes></quotes>) extracted from a document and the original document (delimited by ####), please compose an answer to the question. Ensure that the answer is accurate, has a friendly tone, and sounds helpful.
####
{{document}}
####
<quotes>
- Chain-of-thought (CoT) prompting[27]
- Generated knowledge prompting[37]
- Least-to-most prompting[38]
- Self-consistency decoding[39]
- Complexity-based prompting[41]
- Self-refine[42]
- Tree-of-thought prompting[43]
- Maieutic prompting[45]
- Directional-stimulus prompting[46]
- Textual inversion and embeddings[59]
- Using gradient descent to search for prompts[61][62][63][64]
- Prompt injection[65][66][67]
</quotes>提示 2 的输出
The prompting techniques mentioned in the document include:
1. Chain-of-thought (CoT) prompting[27]
2. Generated knowledge prompting[37]
3. Least-to-most prompting[38]
4. Self-consistency decoding[39]
5. Complexity-based prompting[41]
6. Self-refine[42]
7. Tree-of-thought prompting[43]
8. Maieutic prompting[45]
9. Directional-stimulus prompting[46]
10. Textual inversion and embeddings[59]
11. Using gradient descent to search for prompts[61][62][63][64]
12. Prompt injection[65][66][67]
Each of these techniques employs unique strategies to enhance or specify the interactions with large language models to produce the desired outcomes.如您所见，简化和创建提示链是一种有用的提示方法，其中响应需要经过多个操作或转换。作为一个练习，您可以随意设计一个提示，用于在将响应作为最终结果发送给应用用户之前，从响应中删除引文（例如，[27]）。
您还可以在这篇 文档 （在新标签页中打开） 中找到更多利用 Claude LLM 的提示链示例。我们的示例是受到其示例的启发和改编。