ChatGPT高效提问—prompt常见用法（续篇七）
1.1 零样本、单样本和多样本
ChatGPT拥有令人惊叹的功能和能力，允许用户自由向其提问，无须提供任何具体的示例样本，就可以获得精准的回答。这种特性被称为零样本（zero shot）prompt。然而，如果你希望获得更具针对性的回答，可以选择向ChatGPT提供一个或者多个示例样本加以引导。根据提供示例样本的书了，可以分为单样本（one shot）prompt和多样本(multiple shot) prompt。
1.1.1 零样本
在零样本模式下，即在没有任何示例样本的前提下，直接让ChatGPT回答问题。示例如下。
输入prompt:
ChatGPT输出：
ChatGPT直接给出了对老虎的描述。
1.1.2 单样本
相较于零样本prompt，单样本prompt则要求我们提供一个明确的示例。比如，可以先以特定的格式描述大象，然后引导ChatGPT以同样的格式描述老虎，从而使回答更加精准。
输入prompt:
ChatGPT输出：
观察输出可知，ChatGPT描述老虎的格式与我们提供的关于大象的示例样本格式高度一致。这表明，ChatGPT通过我们提供的单一样本有效地掌握了任务的执行方式。
1.1.3 多样本
对于更高难度的任务，我们可以提供多更多的示例样本，这种方法被称为多样本prompt。例如，我们可以给出多个示例样本，然后让ChatGPT自行完成任务。这种方式在处理复杂任务时效果往往出奇的好。下面是一个基于情感识别的多样本示例。
输入prompt:
ChatGPT输出：
从上述答案可以看出，ChatGPT凭借所给的示例样本，成功判断出最后一句话所含情绪为悲观。我们还可以进一步考验它，通过随机化标签，甚至故意制造错误，来观察ChatGPT是否仍能准确地进行判断。
输入prompt:
ChatGPT输出：
显然，尽管我们将标签进行了随机化排列，故意使得表述错误，ChatGPT仍然能够准确地进行判断。接下来继续增加难度，这次我们不提供任何样本提示，看看ChatGPT会如何应答。
输入prompt：
ChatGPT输出：
观察输出结果可以发现，即使在多论对话结束后，ChatGP也能在无须示例样本的情况下，准确地生成结果。它的反应方式与人类的思考方式高度一致，展现出了极其优秀的分析和辨别能力。
通过样本提示，我们可以获得更加规整、符合要求的回答。
1.2 思维链
思维链（chain of thought, CoT）———prompt范式进化史上的一大功臣。简单来说，思维链就是一系列中间推理步骤。使用思维链的一大好处是无须微调模型参数，仅仅改变输入即可大幅提升模型进行复杂推理时的准确率。
人类解决复杂推理问题的过程是，首先将其分解为一些中间问题，然后逐步解决，直至得到最终结论，也称“自顶向下，逐步求精”。思维链就是参考人类解决问题的方法，从输出问题开始的一系列自然语言形式的推理过程，直到输出最后的结论。和之前的提示词模式（问题，答案）不同，思维链提示词模式是：输入问题，思维链，输出结论。相较于样本提示学习，思维链提示学习有几个吸引人的性质。
- 在思维链的加持下，模型可以将需要多步推理的问题分解为一系列中间步骤，这可以分配更多的计算资源到需要推理的问题上。
- 思维链为模型的推理行为提供了一个可解释的窗口，使通过调试推理路径来探测黑盒语言模型成为可能。
- 思维链推理应用广泛，不仅可以用于数学应用题求解、常识推理和符号操作等任务，而且可能适用于任何需要通过语言解决的问题。
- 思维链的使用方式非常简单，非常容易融入语境学习（in-context learning），从而诱导大型语言模型展现出推理能力。
下面通过示例做一下对比，体会其中的区别。先看第1个示例。
输入prompt:
ChatGPT输出：
从输出结果来看，ChatGPT给出了错误回答。再看第2个示例。
输入prompt:
ChatGPT输出：
从输出结果来看，当我们给ChatGPT提供了计算推理的引导后，ChatGPT参考示例进行思考，给出了计算推理过程和正确结果，与第一个示例的错误结果形成鲜明对比。再看第3个示例。
输入prompt:
ChatGPT输出：
输入prompt:
这次增加了“让我们一步一步思考”，看看ChatGPT输出。
ChatGPT输出：
很明显，当在prompt增加“让我们一步步思考”后，ChatGPT最后没有把送出去的苹果再加上，同样给出了正确结果，但是细节分析更加清晰和符合逻辑。简单地加上这么一句话，让ChatGPT自己先思考一下，会给出更加相信而准确的结果。
最后，总结一下使用思维链范式时的两种主要方法：
- 输入一个多步推理的prompt模版，把我们的逻辑推导过程告诉ChatGPT；
- 在问题的最后添加“让我们一步步思考”，让ChatGPT思考后再给出答案。
思维链让模型能够像人一样进行思考，但是人也会犯错，更何况是模型呢。为了让模型输出更加安全、准确，需要了解对抗在其中的作用。
