Learn Prompt-Prompt 高级技巧:零样本思维链 Zero-shot-CoT

正如在提示中存在few-shot和zero-shot一样，CoT也有一个zero-shot的版本。有了Zero-shot-CoT，我们就不需要为不同的复杂推理问题精心设计具体的任务步骤；在回答每一个问题之前，我们只需添加一个简单的提示 "Let’s think step by step"，以引导模型逐步思考。最重要的是，Zero-shot-CoT是通用的，与任务无关的。

算术推理​

我们重复尝试了上一页的算术题，看看不同CoT带来的效果。

Chain of Thought Prompting​

Zero-shot Chain of Thought Prompting​

这一次，ChatGPT 不仅算出了我们想要的答案，还省去了我们编写推理步骤的过程。

知识提示 Knowledge Prompting

纳入外部知识是否能促进常识性推理仍然是一个开放的问题。一系列的工作表明，外部知识的整合可以提高模型的任务表现。知识提示（ Knowledge Prompting ）不需要对知识整合的具体任务进行监督，也不需要访问结构化的知识库。相反，知识提示可以直接从语言模型中产生知识，然后在回答问题时将这些知识作为附加输入。

用作者的一句话来说“我们提出了一种简单但有效的方法，在few-shot的情况下从通用语言模型中获取知识陈述（即以自然语言陈述形式表达的知识）”。

知识提示主要分为两阶段：

1. 使用少量示范从语言模型中生成与问题相关的知识陈述
2. 使用第二个语言模型对每个知识陈述进行预测，然后选择最高置信度的预测。

知识生成​

这里我们打算通过 ChatGPT 回复常识性问题；“How many wings does a penguin have?”

ChatGPT认为企鹅是没有翅膀的。

接着我们让 ChatGPT 生成一些跟企鹅有关的知识：

知识注入​

这时候我们通过外部知识的注入，重新向 ChatGPT 提问：

这次企鹅终于要回了它的两只翅膀