总结七种提示优化方案的核心实现流程
总结七种提示优化方案的核心实现流程
目录
- 总结七种提示优化方案的核心实现流程
- 一、核心方案对比表
- 二、详细案例解析
- 1. Empty CoT
- 2. CoT（Chain of Thought）
- 3. SGDM（Stochastic Gradient Descent for Prompt）
- 4. APE（Auto Prompt Evolution）
- 5. APO（Auto Prompt Optimization）
- 6. OPRO（Objective-Driven Prompt Optimization）
- 7. PE2（Prompt Engineering Evolution）
- 三、核心差异对比
- 四、总结：如何选择？
以数学推理（GSM8K）和常识推理（WSC）任务为例：
一、核心方案对比表
| 方法 | 核心思想 | 实现流程（以数学推理为例） | 优势 | 劣势 | 适用场景 |
|---|---|---|---|---|---|
| Empty CoT | 无显式提示，直接提问 | 输入：“计算18×5+30÷2” → 模型直接输出答案 | 极简、零成本 | 推理步骤缺失，复杂题准确率低 | 简单任务、基线对比 |
| CoT | 显式添加“链式思维”提示，引导中间步骤 | 输入：“让我们一步一步思考：计算18×5+30÷2。首先计算乘法和除法，18×5=90，30÷2=15，然后相加90+15=105” | 提升复杂推理准确率 | 固定模板，缺乏个性化 | 数学/逻辑推理任务 |
| SGDM | 梯度优化提示参数（ |