Prompt Engineering
Prompt engineering is the practice of crafting structured natural-language instructions — prompts — to elicit targeted outputs from large language models (LLMs). Formalised by Brown et al. (2020) in the context of GPT-3 and extended by Wei et al. (2022) with chain-of-thought prompting, it encompasses four main strategies: zero-shot, few-shot, chain-of-thought, and tree-of-thought. Rather than re-training a model, the analyst shapes the model's behaviour entirely through the design of the input text.
Källpost
Citat kopierade ordagrant från metodens källpost. Ingen verifiering på källnivå härleds från dem.
- Brown, T. et al. (2020). Language Models are Few-Shot Learners. Advances in Neural Information Processing Systems (NeurIPS), 33, 1877-1901. · URL
- Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. Advances in Neural Information Processing Systems (NeurIPS), 35. · URL
Kuraterade påståenden
Påståenden lagrade i bevisloggen, var och en med sin egen bedömning.
Denna vy hittar inte på en påståendebedömning när loggen saknar en.
Relaterade metoder
Genererade från metodgrafen och visade som maskinföreslagna relationer – inga bevispåståenden härleds.