📄️ Zero-Shot 提示
如今的大型语言模型（LLMs），如 GPT-3.5 Turbo、GPT-4 和 Claude 3，经过调整以遵循指令，并在大量数据上进行训练。大规模训练使这些模型能够以“零-shot”方式执行某些任务。零-shot 提示意味着用于与模型交互的提示不会包含示例或演示。零-shot 提示直接指示模型执行任务，而无需额外的示例来引导它。
📄️ 少样本提示
尽管大型语言模型展示了出色的零样本能力，但在使用零样本设置时，它们在更复杂的任务上仍然表现不佳。少样本提示可以作为一种技术，通过在提示中提供示例来引导模型进行上下文学习，从而提高性能。这些示例作为后续示例的条件，我们希望模型生成响应时可以起到引导作用。
📄️ 思维链提示
思维链（CoT）提示
📄️ 自洽性
也许对于提示工程而言，自洽性是更为先进的技术之一。由 Wang 等人 (2022) 提出，自洽性旨在“取代链式思维提示中使用的朴素贪婪解码”。其思想是通过少样本 CoT 抽样多样化的推理路径，并利用生成结果选择最一致的答案。这有助于提升 CoT 提示在涉及算术和常识推理的任务中的性能。
📄️ 生成知识引导
GENKNOW
📄️ 提示链
提示链简介
📄️ 思维树（ToT）
对于需要探索或战略展望的复杂任务，传统或简单的提示技术往往不足以胜任。最近，姚等人（2023）和 Long（2023）提出了思维树（ToT），这是一个框架，它泛化了思维链提示，并鼓励探索作为语言模型通用问题解决中间步骤的思维。
📄️ 检索增强生成（RAG）
通用语言模型可以进行微调，以实现诸如情感分析和命名实体识别等几种常见任务。这些任务通常不需要额外的背景知识。
📄️ 自动推理与工具使用（ART）
将CoT提示和工具以交错方式结合已被证明是解决LLMs许多任务的一种强大而稳健的方法。这些方法通常需要手工制作特定任务的演示，并仔细编写模型生成与工具使用的交错脚本。Paranjape等人（2023）提出了一个新框架，该框架使用冻结的LLM自动生成中间推理步骤作为程序。
📄️ 自动提示工程师（APE）
APE
📄️ 主动提示
思维链（CoT）方法依赖于一组固定的人工注释示例。问题在于这些示例可能并不是针对不同任务最有效的示例。为了解决这个问题，Diao等人（2023）最近提出了一种新的提示方法，称为主动提示（Active-Prompt），以适应LLMs对不同任务特定示例提示（用人设计的CoT推理进行注释）。
📄️ 方向性刺激提示
Li et al., (2023) 提出了一种新的提示技术，以更好地引导LLM生成所需的摘要。
📄️ 程序辅助的语言模型（PAL）
Gao et al., (2022) 提出了一种利用LLMs来阅读自然语言问题并生成 程序作为中间推理步骤的方法。被称为程序辅助语言模型（PAL），它不同于思维链提示，它不是使用自由形式文本来获得解决方案，而是将解决步骤转移到诸如Python解释器之类的程序运行时。
📄️ ReAct提示
Yao等人，2022 提出了一个名为ReAct的框架，其中LLM被用于以交错的方式生成推理轨迹和任务特定动作。
📄️ 反思
反思（Reflexion）是一个通过语言反馈来加强基于语言的代理的框架。根据Shinn等人（2023）的说法，“反思是一个将策略参数化为代理的记忆编码和LLM参数选择的‘口头’强化的新范式。”
📄️ 多模态 CoT 提示
最近Zhang等人（2023）提出了一种多模态思维链提示方法。传统的 CoT 侧重于语言模态。相比之下，多模态 CoT 将文本和视觉融入到一个两阶段框架中。第一步涉及基于多模态信息的理由生成。随后是第二阶段，答案推理，利用生成的信息性理由。
📄️ 图谱提示
Liu 等，2023 提出了 GraphPrompt，这是一个新的用于图谱的提示框架，旨在提高下游任务的性能。