Providing examples

提示工程：示例提供法 (Prompt Engineering: Providing Examples)

• 核心概念： 在提示（Prompt）中提供示例，以指导大型语言模型（LLM）的行为和输出格式。
• 分类定义：
• 单示例提示 (One-shot Prompting)： 提供单个输入-输出示例。
• 多示例提示 (Multi-shot Prompting)： 提供多个输入-输出示例。
• 应用场景与目的：
• 提高准确性： 为模型提供具体的行为范例，增强其理解。
• 处理边缘情况 (Corner Cases)： 通过提供包含复杂或反常情况（如讽刺/Sarcasm）的示例，确保模型能正确分类。
• 结构化输出： 引导模型生成复杂的输出格式（例如，特定的 JSON 结构）。
• 实施技巧：
• 使用 XML 标签： 将输入 (Input) 和理想输出 (Ideal Output) 封装在 XML 标签内，以清晰地界定提示的结构。
• 提供推理/理由 (Optional)： 在理想输出后，可以附带解释该输出被认为是“理想”的原因，从而更深入地强化模型的理解。
• 应用价值： 在提示评估 (Prompt Evals) 过程中，提供高质量的示例有助于指导模型达到更高的评分标准。

Takeaways

• 提供示例是指导大型语言模型（LLM）行为和输出格式的核心方法。
• 单示例提示（One-shot）和多示例提示（Multi-shot）是根据示例数量分类的主要技术。
• 提供示例的主要目的是提高模型准确性、处理边缘情况和实现结构化输出。
• 实施技巧包括使用 XML 标签清晰界定输入和理想输出，并可附带推理理由强化理解。