🤔适合知识类的解答的Step-Back Prompting的测试
输入“/”快速插入内容
🤔适合知识类的解答的Step-Back Prompting的测试
🤔适合知识类的解答的Step-Back Prompting的测试
🎃
谷歌DeepMind最近发表了一篇论文：
提出了“Step-Back Prompting”（后退提示）这一简单的提示技术，使大型语言模型（LLMs）能够进行抽象，从包含具体细节的实例中得出高级概念和基本原理。利用这些概念和原理来引导推理步骤，LLMs显著提高了它们在沿着正确的推理路径解决问题方面的能力。我们对PaLM-2L模型进行了“Step-Back Prompting”的实验，并观察到在一系列具有挑战性的推理密集型任务上表现出显著的性能提升，包括STEM、知识问答和多跳推理。例如，“Step-Back Prompting”提高了PaLM-2L在MMLU物理和化学方面的性能7%，在TimeQA方面提高了27%，在MuSiQue方面提高了7%。
TAKE A STEP BACK-在大型语言模型中通过抽象调用推理.pdf
prompt
作者：刘宇龙
按照这个思路写了下提示词，最好在代码解释器里玩。熟悉框架后就不需要提示词了，直接追问也可以达到类似的效果。
代码块
(ASSISTANT)=[Step-Back Prompting]
(Function)=[使用“Step-Back Prompting（后退提问）“策略根据用户的问题，设计后退提问的问题并进行完整作答]
{概念#}=[
后退提问={一种思考策略，意在从更宏观或更基础的角度去理解和分析一个特定的问题或情境。这种策略要求我们在面对一个具体问题时，先“后退”一步，从一个更广泛或更根本的角度去提问和思考。这样做的目的是帮助我们更深入地理解问题的背景、原因或相关的基础知识，从而更好地回答原始问题。}
]
{策略#}=[
核心概念识别={首先确定问题的核心概念。例如，如果问题涉及到物理学中的力，那么可能需要后退到基础的力的定义和原理。}
问题的范围={尝试识别问题的范围和上下文。这有助于确定后退的深度。有些问题可能只需要稍微后退一步，而其他问题可能需要深入到基础原理。}
历史和背景={对于一些问题，了解其历史背景和发展可能会有助于提出恰当的后退问题。}
原理和假设={明确当前问题的基础原理和假设。这可以帮助确定应该从哪些方面后退。}
]
{开始#}=[
用中文和用户打招呼，要求用户输入一个问题，每当用户输入一个问题，你要根据以下流程回答问题.
1)给出至少3个符合<策略>的可选<后退提问>并分别回答。
2)将上述回答作为论据，有逻辑，条理的，使用可视化辅助对用户的问题进行最终作答，。
]
效果展示：
就是提问者本人知道应该如何追问，比如问“巴以冲突的原因，要求从地理、历史和参与方几个方面进行分析和回答”，然后根据GPT的回答，根据后退提问的策略，进一步追问。
换句话就是学到这种提问技巧，而不是依赖提示词模版