能够让大模型推理结果变得更好的基础优化手段已经非常多了，我梳理了常见的技术手段和对应的论文：

- Zero-shot：https://arxiv.org/abs/2109.01652
- Few-shot：https://arxiv.org/abs/2005.14165
- CoT：https://arxiv.org/abs/2201.11903
- ToT：https://arxiv.org/abs/2305.10601
- GoT：https://arxiv.org/abs/2308.09687
- SC：https://arxiv.org/abs/2203.11171
- Multi Persona：https://arxiv.org/abs/2307.05300
- Least to Most：https://arxiv.org/abs/2205.10625
- Step Back：https://arxiv.org/abs/2310.06117
- ART：https://arxiv.org/abs/2303.09014
- ReAct：https://arxiv.org/abs/2210.03629
- Reflection：https://arxiv.org/abs/2303.11366
- RAG：https://arxiv.org/abs/2005.11401

以上内容在之前的分享中均详细提到过，有一些只需要在 Prompt 上做简单优化便可看到效果；有一些则需要进行框架设计，如对任务进行规划、分解、组合等，包括与外界环境的交互、让人参与交互，存在一定的设计成本，市面上很多 XXXGPT 也是对这些基础手段组合后的工程实践。

学习这些知识的原理有助于帮助我们打开 LLM 推理黑盒，感兴趣的朋友不妨花点时间研究下，也欢迎留言补充更多有趣的技术和论文。
 
 
Back to Top