Do LLMs Adhere to Label Definitions? Examining Their Receptivity to External Label Definitions
UMBC(美国马里兰大学伯克利分校);IIIT Hyderabad(印度海得拉巴理工学院);Dataminr, Inc.(数据矿研公司);CrowdStrike(CrowdStrike公司)
研究发现大型语言模型在处理外部标签定义时,通常依赖内部表示而非显式定义,尤其在通用任务中表现更弱,而在领域特定任务中显式定义更有效。
2026-02-24 cs.AI cs.CL cs.LG
Examining Alignment of Large Language Models through Representative Heuristics: The Case of Political Stereotypes
University of Illinois at Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校);Amazon AWS(亚马逊云计算服务);Technical University of Munich(慕尼黑工业大学)
本研究基于代表性启发式视角,分析了LLMs在政治议题上偏离经验立场并夸大政党立场的因素,发现其比人类更易过度强调代表性从而导致政治刻板印象,并验证了基于提示的缓解策略的有效性。
2025-03-02 cs.AI cs.CL
Reasoning Isn't Enough: Examining Truth-Bias and Sycophancy in LLMs
Columbia University(哥伦比亚大学)
本文通过 8 个模型、4,800 项判断的大规模评估,比较推理与非推理 LLM 的真实性检测,发现推理可降低真相偏差但仍逊于人类,且先进模型存在重真相、轻欺骗识别的谄媚问题。
2025-09-28 cs.AI cs.CL
Examining Inter-Consistency of Large Language Models Collaboration: An In-depth Analysis via Debate
Harbin Institute of Technology(哈尔滨工业大学);Singapore Management University(新加坡管理大学)
本文探索多个LLM协作的相互一致性,引入正式辩论框架FORD进行三阶段辩论实验,发现LLM能有效协作达成共识但存在能力失衡主导问题,利用GPT-4作为裁判可提升性能,为未来协作方法奠定基础。
2023-10-18 cs.AI cs.CL
Achieving Tool Calling Functionality in LLMs Using Only Prompt Engineering Without Fine-Tuning
Hunan University(湖南大学)
针对许多 LLM 缺乏稳定工具调用能力且微调成本高的问题,本文提出仅依靠提示工程与巧妙代码设计的方法,并在多个模型和任务上实现 100% 成功率。
2024-07-06 cs.AI cs.HC cs.SE
A Cognitive Framework for Idea Diversity in Large Language Models
Deng, Brucks, and Toubia(邓, 布鲁克斯和托比亚)
本文研究了LLM生成想法的多样性问题,通过四种研究发现,通过链式推理提示和普通人物提示可分别减少固定现象和改善知识分区,从而提升想法多样性。
2026-11-04 cs.AI cs.CY cs.HC
Unequal Opportunities: Examining the Bias in Geographical Recommendations by Large Language Models
EAI, Northeastern University(东北大学EAI(电子与信息工程学院));Northeastern University(东北大学);University of Notre Dame(圣母大学)
本文研究大型语言模型在美国城市推荐中的地理偏见,通过分析搬迁、旅游和创业三个领域回答的一致性与代表性偏差,发现存在系统性人口统计学偏见,可能加剧“富者愈富”的经济不平等。
2025-03-16 cs.AI cs.CL cs.CY
Examining Independence in Ensemble Sentiment Analysis: A Study on the Limits of Large Language Models Using the Condorcet Jury Theorem
Ai for Alpha;CentraleSupelec(中央高等电力学院);Dauphine - PSL(巴黎第九大学-巴黎文理研究大学)
本文基于孔多塞陪审团定理,通过多数投票机制实证检验ChatGPT 4等大语言模型与简单NLP模型在情感分析中的表现,发现大模型仅带来边际改善,表明模型间缺乏独立性,揭示了先进NLP任务中模型独立性的实际局限。
2024-08-26 cs.AI cs.CL
Examining Zero-Shot Vulnerability Repair with Large Language Models
New York University(纽约大学);University of Calgary(卡尔加里大学)
人类开发人员可以编写带有网络安全漏洞的代码。新兴的“智能”代码完成工具能帮助修复这些错误吗?在这项工作中,我们研究了使用大语言模型(LLM)的代码(如OpenAI的Codex和AI 21的Jurassic J-1)进行zero-shot漏洞修复。我们调查的提示,哄骗LLM到生成修复版本的不安全代码的设计挑战。这是困难的,因为有许多方法可以用自然语言在语义和句法上表达关键信息。我们对五个商业上可用的,黑盒子,“现成的”LLM,以及一个开源模型和我们自己的本地训练模型进行了大规模的研究,混合了合成,手工制作和现实世界的安全错误场景。我们的实验表明,虽然该方法有希望(LLM可以共同修复100%的合成生成和手工制作的场景),但对历史真实世界示例语料库的模型性能的定性评估突出了生成功能正确的代码的挑战。
2022-08-15 cs.AI cs.CR
Security and Privacy Prompts in the Wild: What Users Ask LLMs and How LLMs Respond
Carnegie Mellon University(卡内基梅隆大学);RSAC Labs(RSAC实验室)
基于WildChat数据集,分析用户向大语言模型提出的安全与隐私问题,分类并评估模型回答质量与一致性。
2026-11-13 cs.AI cs.CL cs.CR
PROMPTFUZZ: Harnessing Fuzzing Techniques for Robust Testing of Prompt Injection in LLMs
Northwestern University(西北大学);University of the Chinese Academy of Sciences(中国科学院大学)
本文提出 PROMPTFUZZ 框架,利用模糊测试技术系统评估大型语言模型抵御提示注入攻击的鲁棒性,在真实竞赛中取得前 0.14% 的成绩,并构建数据集微调模型,揭示了持续进行鲁棒性测试的重要性。
2025-04-03 cs.AI cs.CR
Is More Context Always Better? Examining LLM Reasoning Capability for Time Interval Prediction
Walmart Global Tech(沃尔玛全球技术)
本文研究LLM在时间间隔预测中的推理能力,发现尽管LLM在某些任务中表现良好,但其在捕捉定量时间结构方面存在局限,且过多上下文反而可能降低性能。
2026-01-26 cs.AI cs.LG
Could you be wrong: Debiasing LLMs using a metacognitive prompt for improving human decision making
Department of Psychology, University of Warwick, Coventry, UK(心理学系,沃里克大学,科文特里,英国)
本文提出利用源自人类决策研究的元认知提示“你会错吗”来对LLM进行去偏,促使模型反思自身偏差并生成矛盾证据与替代方案,为提示工程提供了新途径。
2025-07-14 cs.AI
In Vino Veritas and Vulnerabilities: Examining LLM Safety via Drunk Language Inducement
School of Computer Science and Engineering, UNSW Sydney(计算机科学与工程学院,新南威尔士大学悉尼分校);School of Computing and Information System, the University of Melbourne(计算与信息系统学院,墨尔本大学)
本文通过诱导LLM产生醉酒语言,研究其安全漏洞,发现其易受劫持攻击和隐私泄露,揭示了LLM安全性的潜在风险。
2026-10-02 cs.AI cs.CL cs.CR
Prompt Repetition Improves Non-Reasoning LLMs
Google Research(谷歌研究)
通过重复输入提示提升非推理LLMs性能,无需增加生成token数量或延迟。
2025-12-17 cs.AI cs.CL cs.LG
Theory of Mind in Large Language Models: Examining Performance of 11 State-of-the-Art models vs. Children Aged 7-10 on Advanced Tests
Leiden Institute of Advanced Computer Science(莱顿大学高级计算机科学研究所);Leiden University Medical Centre(莱顿大学医学中心)
本文通过超越错误信念范式的测试,比较11个LLMs与7-10岁儿童的心智理论能力,发现GPT系指令微调模型表现最佳且常优于儿童,并指出语言与ToM的协同进化可解释指令微调的增益。
2023-10-31 cs.AI cs.CL
A Survey on Prompting Techniques in LLMs
George Mason University(乔治梅森大学)
本文对大语言模型的各类提示技术展开综述,梳理现有研究的分类体系,同时指出该领域待解决的问题,为后续研究提供方向。
2024-04-16 cs.AI cs.CL
Model Tuning or Prompt Tuning? A Study of Large Language Models for Clinical Concept and Relation Extraction
University of Florida(佛罗里达大学);University of Florida Health Cancer Center(佛罗里达大学健康癌症中心);NVIDIA(英伟达)
本研究对比大语言模型的4种训练策略在临床概念与关系抽取任务的表现,验证了软提示的优势及冻结大模型在跨机构迁移、小样本场景的应用潜力。
2023-10-10 cs.AI cs.CL
Self-Instructed Derived Prompt Generation Meets In-Context Learning: Unlocking New Potential of Black-Box LLMs
Shenzhen Research Institute of Big Data(深圳大数据研究院);The Chinese University of Hong Kong, Shenzhen(香港中文大学(深圳));Hefei University of Technology(合肥工业大学)
本文提出自指令上下文学习框架,通过强化学习生成可靠派生提示并构建上下文演示,从而提升黑盒大语言模型如GPT-4的响应质量。
2024-09-03 cs.AI cs.CL
Soft Begging: Modular and Efficient Shielding of LLMs against Prompt Injection and Jailbreaking based on Prompt Tuning
Deutsches Forschungszentrum für Künstliche Intelligenz (DFKI)(德国人工智能研究中心);Centre for European Research in Trusted AI (CERTAIN)(欧洲可信人工智能研究中心);sequire technology GmbH(sequire技术有限公司)
本文提出“软乞求”方法,通过训练软提示抵消被破坏提示的影响,以模块化且高效的方式保护大语言模型免受提示注入和越狱攻击。
2024-07-03 cs.AI cs.CL cs.CR
PromptKeeper: Safeguarding System Prompts for LLMs
本文提出PromptKeeper防御机制,通过假设检验检测系统提示词泄露并用虚拟提示词重新生成响应,在保持对话能力与效率的同时抵御提示词提取攻击。
2025-08-27 cs.AI cs.CR
Examining Reasoning LLMs-as-Judges in Non-Verifiable LLM Post-Training
本研究通过受控合成设置检验推理LLM作为裁判在非验证LLM后续训练中的效果,发现推理裁判能生成高性能策略,但易受对抗性输出影响,揭示了其在实际政策训练中的潜力与挑战。
2026-03-12 cs.AI cs.CL cs.LG
FACT: Examining the Effectiveness of Iterative Context Rewriting for Multi-fact Retrieval
DeepWisdom(深度智慧);Université de Montréal(蒙特利尔大学);Mila(米拉研究所);Google(谷歌)
针对LLM生成时多事实检索易丢失关键信息的问题,本文提出迭代上下文重写方法FACT,通过多轮精炼逐步捕获遗漏事实,并在多任务上验证其显著提升效果。
2024-10-28 cs.AI cs.CL
Analysis of LLMs Against Prompt Injection and Jailbreak Attacks
Bishop Cotton Boys’ School(伯希特·康普顿男校)
本文研究了LLMs对提示注入和jailbreak攻击的脆弱性,通过实验分析不同模型的行为差异,并评估了轻量级防御机制的效果。
2026-02-24 cs.AI cs.CR
A Prompt Learning Framework for Source Code Summarization
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);State Key Laboratory for Novel Software Technology, Nanjing University(南京大学计算机软件新技术国家重点实验室);Faculty of Data Science, City University of Macau(澳门城市大学数据科学学院)
针对现有代码摘要LLM适配方案存在的提示设计难、训练成本高、缺乏定制化PEFT方法的问题,提出非侵入式提示学习框架PromptCS,通过训练提示智能体生成连续提示,在低资源消耗下实现媲美甚至超越全参数微调的效果。
2024-12-07 cs.AI cs.SE
LLMs Prompted for Legal Context Object More: Overrefusal from Small On-Premises LLMs in Criminal Legal Context
IEM, HEG, HES-SO Valais-Wallis(瓦莱州-瓦利斯高等专业学院,管理与工程学院,经济与酒店管理学院)
研究小型本地LLM在法律提示中的过度拒绝现象,发现权威性前缀(如“国家最高法院助理”)使拒绝率提高2-20倍,而角色扮演前缀效果不一,表明模型在真实机构用户可能引入的上下文框架下不稳定。
2026-06-24 cs.AI
Can LLMs Effectively Leverage Graph Structural Information through Prompts, and Why?
University of Michigan(密歇根大学);University of Illinois Urbana-Champaign(伊利诺伊大学厄巴纳-香槟分校)
本文通过无泄漏数据集与提示分析,考察LLM能否理解并利用图结构,发现性能提升主要来自邻域中的标签相关短语而非结构本身。
2024-06-15 cs.AI cs.LG
EvoPrompt: Connecting LLMs with Evolutionary Algorithms Yields Powerful Prompt Optimizers
Tsinghua University(清华大学);Microsoft Research(微软研究院);Northeastern University(东北大学)
本文提出离散提示优化框架 EvoPrompt,通过将 LLMs 与进化算法结合,利用 LLMs 生成提示和进化算子迭代优化,在 31 个数据集上显著优于人工和现有自动提示生成方法。
2025-05-01 cs.AI cs.CL
Time-Prompt: Integrated Heterogeneous Prompts for Unlocking LLMs in Time Series Forecasting
Central South University, Changsha, China(中南大学,长沙,中国)
本文提出Time-Prompt框架,通过构建统一的提示范式、设计语义空间嵌入和跨模态对齐模块以及高效微调LLM参数,提升时间序列预测性能,并在碳排放数据集上验证其有效性。
2026-05-20 cs.AI cs.LG
PRIME: Evaluating Prompt Resolution Under Incompatible Instructions in LLMs
School of Electrical Engineering;Computer Science (SEECS), National University of Sciences
提出PRIME框架,通过生成校准冲突(响应长度、输出格式、推理)并采用确定性行为分类法,分析大语言模型处理冲突指令的行为,发现冲突类型比模型规模对行为影响更大。
2026-06-23 cs.AI
Testing LLMs on Code Generation with Varying Levels of Prompt Specificity
Vanderbilt University(范德堡大学)
本研究评估了Bard、ChatGPT-3.5、ChatGPT-4和Claude-2在104个编程问题上生成Python代码的性能,发现提示词具体程度显著影响代码准确性、时间和空间效率,并揭示了最佳提示策略。
2023-11-10 cs.AI cs.SE
A Survey of Prompt Engineering Methods in Large Language Models for Different NLP Tasks
New York University(纽约大学)
本文综述了44篇研究论文,总结了29个NLP任务上的39种提示工程方法,分类讨论了这些技术在各数据集上的性能、所用LLMs及对应SoTA。
2024-07-24 cs.AI cs.CL
Evaluating and Explaining Prompt Sensitivity of LLMs Using Interactions
School of Computer Science and Technology, Tongji University(同济大学计算机科学与技术学院)
本文提出基于交互作用的IPS指标,分析50个开源LLMs的提示敏感性,发现监督微调等四个因素可通过降低低阶交互作用的敏感性减少提示波动。
2026-08-20 cs.AI cs.CL cs.LG
Enhancing Jailbreak Attacks on LLMs via Persona Prompts
The Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Tencent(腾讯)
本文通过遗传算法生成人格提示,有效降低大语言模型拒绝率,提升劫持攻击成功率,揭示人格提示对模型安全机制的影响。
2026-03-25 cs.AI cs.CR
Agent-based Automated Claim Matching with Instruction-following LLMs
Queen Mary University of London(伦敦大学女王学院)
本研究提出基于智能体的两阶段LLM声明匹配流水线,用LLM生成提示词再完成二分类匹配,证明LLM生成提示词优于人工提示的SOTA,小模型生成效果媲美大模型可省算力,且分阶段用不同LLM有效,还揭示了LLM对任务的理解特性。
2025-10-27 cs.AI cs.CL
Too Easily Fooled? Prompt Injection Breaks LLMs on Frustratingly Simple Multiple-Choice Questions
Guilin University of Electronic Technology(桂林电子科技大学);The Ohio State University(俄亥俄州立大学);University of California, Berkeley(加州大学伯克利分校)
本文通过在PDF中嵌入隐藏提示注入指令,测试LLMs在简单算术选择题上的表现,发现其极易被误导,揭示了LLM-as-a-judge应用的严重鲁棒性风险。
2025-08-16 cs.AI cs.CR
Jailbreak Instruction-Tuned LLMs via end-of-sentence MLP Re-weighting
Peking University(北京大学);School of Science(理学院);Westlake University(西湖大学);Beijing International Center for Mathematical Research(北京国际数学研究中心);Center for Machine Learning Research(机器学习研究中心)
本文研究指令微调LLM的安全机制,发现重新加权句末MLP神经元可破坏模型安全性,并据此提出两种白盒越狱方法,在7个开源LLM上表现稳健,揭示了安全漏洞。
2024-10-14 cs.AI cs.CL
From Good to Great: Improving Math Reasoning with Tool-Augmented Interleaf Prompting
Hong Kong University of Science and Technology (Guangzhou)(香港科技大学(广州));Hong Kong University of Science and Technology(香港科技大学)
本文提出IMP-TIP框架,通过自我提示与工具增强交错提示结合LLM和工具增强LLM的多个解答并交叉检验,在GSM8K-Hard上将准确率从56.0%提升至65.2%,显著增强数学推理能力。
2023-12-18 cs.AI math.HO
MPSelectTune: Prompt-type Selection for Fine-tuning improves Concept Unlearning in LLMs
IIT Kharagpur(印度理工学院卡拉格布尔分校);MPI-SWS(马克斯·普朗克软件系统研究所);HPE Labs(慧与实验室)
研究大语言模型中去除有害概念难题,提出对抗方法用联合提示预测主任务和概念任务,MPSelectTune两阶段方法可提升平均遗忘性能,实验显示能提高主任务精度并降低概念精度。
2026-07-07 cs.AI cs.LG
When Emotional Stimuli meet Prompt Designing: An Auto-Prompt Graphical Paradigm
Xiamen University(厦门大学);Dartmouth College(达特茅斯学院);Peking University(北京大学)
本研究将大语言模型提示词分为刺激型与框架型,提出融合二者的自动提示图形化范式APGP及对应框架,结合自动生成与情绪刺激,经多数据集验证可提升大语言模型解题的效率与准确率。
2024-04-16 cs.AI cs.CL
Towards Goal-oriented Prompt Engineering for Large Language Models: A Survey
Nanyang Technological University(南洋理工大学)
该综述梳理现有提示工程方法,指出拟人化提示设计的局限,提出目标导向提示构建可显著提升LLMs性能,构建五阶段分类框架并提出未来研究方向,凸显该方向的应用潜力。
2024-09-17 cs.AI cs.CL
PoisonPrompt: Backdoor Attack on Prompt-based Large Language Models
Zhejiang University(浙江大学);ZJU-Hangzhou Global Scientific and Technological Innovation Center(浙江大学杭州国际科创中心)
本文提出新型后门攻击方法POISONPROMPT,可攻破基于硬、软提示的大语言模型,经多数据集、多模型和多提示方法的实验验证其有效性,揭示了该类模型的潜在安全风险。
2023-12-18 cs.AI cs.CL
LangGPT: Rethinking Structured Reusable Prompt Design Framework for LLMs from the Programming Language
Northeastern University(东北大学);Wuhan University(武汉大学);Zhejiang University(浙江大学);Shenyang Aerospace University(沈阳航空航天大学)
本文提出受编程语言启发的双层提示设计框架 LangGPT,通过规范化结构和扩展机制降低提示设计成本并提升复用性,实验和用户调查验证其能显著改善大语言模型表现。
2024-06-29 cs.AI cs.CL cs.PL
Flaw or Artifact? Rethinking Prompt Sensitivity in Evaluating LLMs
UC Santa Barbara(加州大学圣芭芭拉分校);UC Irvine(加州大学伊尔弗雷德分校);University of Oxford(牛津大学);University of Pennsylvania(宾夕法尼亚大学)
本研究重新审视大语言模型的提示敏感性问题,通过多基准多模板实验发现该现象多源于启发式评估方法的局限,采用大语言模型评判可降低性能方差,证明现代大语言模型对提示的鲁棒性更强。
2025-09-01 cs.AI cs.CL cs.LG
Selective Prompting Tuning for Personalized Conversations with LLMs
University of Surrey(萨里大学);Southern University of Science and Technology(南方科技大学);ByteDance AI Lab(字节跳动AI实验室);MIT-IBM Watson AI Lab(麻省理工学院-IBM沃森AI实验室)
针对LLMs个性化对话中文本提示效果不佳和直接微调易产生重复回复的问题,提出选择性提示调优(SPT),通过可训练密集检索器自适应选择软提示,结合对比和融合学习,在CONVAI2上使回复多样性提升高达90%。
2024-06-26 cs.AI cs.CL cs.LG
Ignore This Title and HackAPrompt: Exposing Systemic Vulnerabilities of LLMs through a Global Scale Prompt Hacking Competition
University of Maryland(马里兰大学);Mila(米拉研究所);Stanford(斯坦福大学);Technical University of Sofia(索非亚技术大学);University of Milan(米兰大学);NYU(纽约大学);University of Arizona(亚利桑那大学)
研究通过全球提示词黑客竞赛收集 60 万余条对抗性提示词,验证了三个先进 LLM 的提示注入与越狱漏洞,并构建了对抗性提示词分类体系。
2024-03-03 cs.AI cs.CL cs.CR
Sysformer: Safeguarding Frozen Large Language Models with Adaptive System Prompts
Georgia Institute of Technology(佐治亚理工学院);Visa Research(Visa研究)
Sysformer通过自适应系统提示提高大语言模型的安全性,显著提升对有害提示的拒绝率和对安全提示的合规性。
2026-03-06 cs.AI cs.CL cs.LG
PromptTailor: Multi-turn Intent-Aligned Prompt Synthesis for Lightweight LLMs
Whitman College(惠特曼学院)
PromptTailor通过意图对齐的提示合成提升轻量级大语言模型的输出质量,以更少的模型调用次数实现更高的用户偏好率。
2025-11-20 cs.AI cs.CL
The Prompt Alchemist: Automated LLM-Tailored Prompt Optimization for Test Case Generation
The Chinese University of Hong Kong(香港中文大学);Harbin Institute of Technology(哈尔滨工业大学);Monash University Malaysia(莫纳什大学马来西亚分校);Peng Cheng Laboratory(鹏城实验室)
本文提出面向测试用例生成的自动化LLM定制提示优化方法,解决现有提示依赖人工编写且未针对不同LLM定制的问题,通过引入引导式优化和领域上下文知识提升提示质量与测试用例生成效果。
2025-01-02 cs.AI cs.CL cs.SE
Context information can be more important than reasoning for time series forecasting with a large language model
Penn State Abington(宾州州立大学阿宾顿分校)
本文探索LLMs在时间序列预测中的特性,发现无普适提示方法,仅提供适当上下文信息即可达到与最佳推理提示相当的性能,还指出了LLMs在提示遵循、代数计算及语义理解上的三个弱点。
2025-02-08 cs.AI cs.LG
ProMoral-Bench: Evaluating Prompting Strategies for Moral Reasoning and Safety in LLMs
ProMoral-Bench通过统一道德安全评分评估多种提示策略,发现紧凑示例引导框架在道德和安全方面表现更优。
2026-11-06 cs.AI cs.CL
Bring Your Own Prompts: Use-Case-Specific Bias and Fairness Evaluation for LLMs
CVS Health(CVS健康公司)
本文提出一种决策框架,通过映射LLM用例到相关偏见和公平性指标,考虑任务类型、提示中是否包含受保护属性提及及利益相关者优先级,引入新型指标并开源库langfair进行实践验证。
2026-05-09 cs.AI cs.CL
Evaluating the Evaluator: Measuring LLMs' Adherence to Task Evaluation Instructions
本文研究LLMs在任务评估中的表现,发现提示对评估结果影响有限,困惑度有时比提示更符合人类判断。
2024-08-16 cs.AI cs.CL
A Prompt Pattern Catalog to Enhance Prompt Engineering with ChatGPT
Vanderbilt University(范德堡大学)
快速工程提示工程是与大语言模型(LLM)(如ChatGPT)进行有效对话所需的越来越重要的技能。指令是给予LLM的指令,用于执行规则,自动化流程,并确保生成的输出的特定质量(和数量)。脚本也是一种编程形式,可以自定义输出和与LLM的交互。本文描述了一个目录的提示工程技术模式的形式,已被应用于解决常见问题时,与LLM交谈。提示模式是一种类似于软件模式的知识转移方法,因为它们为特定上下文中面临的常见问题提供了可重用的解决方案,即,使用LLM时的输出生成和交互。本文提供了以下贡献的提示工程,应用LLM自动化软件开发任务的研究。首先,它提供了一个框架,用于记录模式,以结构化提示来解决一系列问题,以便它们可以适应不同的领域。其次,它提供了一个已成功应用于改善LLM对话输出的模式目录。第三,它解释了如何从多个模式中构建提示,并说明了与其他提示模式相结合的提示模式。
2023-02-21 cs.AI cs.SE