此为观看视频 4 Methods of Prompt Engineering 后的笔记。
从通用模型到专用模型，fine tuning（微调）和prompt engineering（提示工程）是2种非常重要的方法。本文深入探讨了prompt engineering的4种方法。
首先，作者回顾了大语言模型的3种用例：聊天机器人，生成摘要，检索信息。在这3个用例中，prompt engineering对于和大语言模型进行有效的沟通至关重要。prompt engineering被设计用来提出适当的问题，以从大型语言模型中获得准确可信的答案，从而避免幻觉（hallucination）。 幻觉是指你从大语言模型中得到错误的结果，因为大语言模型主要基于互联网数据进行训练，其中可能存在不一致的信息，过时的信息和误导的信息。
下面将逐一介绍4种prompt engineering方法。
RAG (Retrieval Augmented Generation)
RAG就是检索增强生成，是一种将私域知识库与大语言模型集成的方案，之前在什么是RAG？中详细介绍过。RAG为模型增加了专域的知识。大语言模型是基于互联网数据训练的，他并不知道你的专域/私域信息。而我们希望将特定于行业，特定于企业的知识代入大模型，此时我们需要两个组件（看图），即检索器（Retriever）和生成（Generator）器。检索器将专域知识库的上下文带到大型语言模型的生成器，从而实现根据内容的领域特殊性来回答问题。 检索器可以像数据库搜索一样简单，确切地说，它可以是向量数据库。
例如，通过大语言模型询问一家公司特定年份的总收入，它会通过学习和互联网数据得出一个可能不准确的数字。 如果想获得准确的答案，那么就需要向领域知识库提出相同的问题。 然后大型语言模型将参考您的知识库来得出准确的答案。
在4种Prompt Engineering方法中，RAG是首选的方法。RAG的所有content grounding，就是让答案更接地气。
CoT（Chain of Thoughts）
第2种方法是思想链（CoT）。大语言模型，就像一个八岁的孩子一样，也需要引导以得到正确的答案。 思维链将一个大的任务分解为小任务，然后将小任务的答案合并以得到最终答案。例如，我们想知道一家公司 2022 年的总收入，我们可以问大语言模型，给我某公司2022年软件、硬件、咨询的总收入。像图中的例子，本质上是三个独立的查询，三个独立的提示。和大语言模型沟通的方式是告知问题并解释如何分解问题。RAG是基于专域知识库优化答案，CoT是基于子问题的答案优化最终答案。
ReAct (Thought, Action, and Observation)
ReAct与CoT类似，也是通过一些简短的提示技巧来改进最终结果。但ReAct比COT更进一步，不仅仅推理，而且会根据所需的其他条件来采取行动。例如，私域知识库并未包含所需的答案，ReAct 方法能够实际进入公共知识库中的私有信息并收集信息，然后得出响应。因此，ReAct 的行动部分是它能够访问外部资源（公共知识库）以获取更多信息，从而得出响应。
ReAct和CoT相比，都有推理（reasoning）的部分，但ReAct多了一个行动（acting）的部分。ReAct与RAG先比，都使用了私域数据库，不同的是，ReAct可以引入公开的内容和知识库。
例如，我们查询某公司2010和2022年的总收入，私域数据库中只有2022年的数据，2010年的数据就可以在外部资源中获取。
ReAct分为3个步骤：
- thought（思考，找什么）
- action（行动，去哪里，得到什么）
- observation（观察，第2步的汇总）
DSP (Direct Stimulus Prompting)
DSP（定向刺激提示）是一种全新方式，它指明一个方向，使大型语言模型能够从任务中提取特定信息。
例如，您提出一个问题：“某公司的年收入是多少？”，但你并想要一个总的数字，而是其中具体的软件或咨询的年收入。所以你给出一个提示：“软件或咨询”。然后，大语言模型就可以从中提取软件或咨询的具体数值。这就像你试图让某人画一幅画，通过你的提升，最终的画像会越来越清晰。但需要从任务中寻找特定值时，DSP的效果非常好。
