通过提示词可以在一定程度上提高模型的数学计算能力。例如 PoT 技术，它是思维链技术的衍生，适用于数值推理任务，会引导模型生成一系列代码，再通过代码解释器工具进行运算，这种方式能显著提升模型在数学问题求解上的表现。PoT 作为 CoT 的衍生技术，遵循零样本和少样本的学习范式，零样本 PoT 与 CoT 方法相似，不需要大量样本即可进行有效推理，少样本 PoT 也通过较少样本优化模型表现。但需要注意的是，大模型在解决数学问题时可能存在不够可靠的情况。
更系列文章合集请访问：[蓝衣剑客-AIGC思维火花](https://waytoagi.feishu.cn/wiki/IYtowrzONiysdTkeA5QcEraxntc)[heading1]一、前言[content]各位，时间飞逝，转眼间我们已经迎来了学习的第三阶段。在这一阶段，我们将深入探讨一些最新的技术发展，包括但不限于提示词工程和智能体的进一步教学。这些内容无疑将为我们的认知带来新的深度。现在，让我们直接进入主题，开始我们的探索之旅吧！[heading1]二、Part3课程导览[heading1]三、上节回顾[heading1]四、进阶技术——CCoT[content]首先，让我们来了解第一个提示词进阶技术——CCoT。CCoT通过正反力矩的机制，指导模型识别正确与错误。这种方法简洁而直观，非常容易理解。[heading1]五、进阶技术——PoT[content]在日常使用中，我们会发现一个非常有意思的问题：大模型在解决数学问题时可能不够可靠（甚至连简单的加法都会算错）。那么如果有数学运算的任务，大模型岂不就是不行了？不要着急，接下来我们就来讨论下数值增强类的提示词技术。PoT技术，实际上是思维链技术的一个衍生。PoT特别适用于数值推理任务，它会引导模型生成一系列代码，模型再通过代码解释器工具进行最后运算。通过这种引导模型生成代码再进行执行的手段，可以显著提升模型在数学问题求解上的表现。PoT作为CoT的衍生技术，也遵循了零样本和少样本的学习范式。零样本PoT与CoT在方法上极为相似，它们都不需要大量的样本即可进行有效的推理。同样，少样本PoT也采用了类似的策略，通过较少的样本来优化模型的表现。
现在，让我们来讨论另一种称为ToT的技术。ToT实际上是CoT的一个变种，这种技术的核心是通过构建一个树状结构来组织思考过程。在ToT中，模型需要在每个树的层级上进行选择，以寻找最优的答案。最终，模型会综合这些选择，输出一个经过深思熟虑的结果。使用ToT时，我们在提示词层面上用语言来构建这棵树，通过不断对话引导模型选择最优的路径，以得到最佳的答案。ToT的应用可以显著提升模型的推理能力，尤其是在面对复杂问题时，它能够帮助模型避免陷入局部最优解，而是寻找到全局最优解。[heading1]七、进阶技术——后退一步[content]接下来，我们将介绍另一种高级的提示词技术，名为"后退一步"。这项技术要求模型在处理具体指令之前，先进行一次抽象化的思考。这种技术要求模型从具体的指令内容中抽离出来，先抽象出一个更高层次的概念。在这个过程中，模型需要识别并抽取出相关的背景信息，然后将这些背景信息与具体的任务结合起来，一并提供给模型进行处理。通过这种方式，模型能够在更广阔的背景下理解任务，从而在执行时获得更全面、更深入的视角，进而提高执行效果。
Alex Albert：我觉得主要是很多人都没有理解什么是提示词。很多人看到一个输入框时，会把它当成一个谷歌搜索框，输入几个关键词。人们总是想在提示中偷懒，用一些简单的捷径，以为一两行文字就能起到很大的作用。David Hershey：是的。在写提示词的时候不能依赖直觉、不能偷懒。Amanda Askell：偷懒就会导致模型在很多边缘情况上犯错。比如刚刚评价表格的数据集里混进了一张山羊的图片，模型就不知道该怎么办了，这甚至不是一张图表。一张山羊的图片作为图表有多好？而如果你补充一下，比如「如果发生一些奇怪的事情，你真的不确定该怎么办，就输出：不确定」。Zack Witten：而且你也通过这样做提高了你的数据质量，因为你找到了所有搞砸的例子。