对于需要探索或预判战略的复杂任务来说，传统或简单的提示技巧是不够的。最近，Yao et el. (2023) 提出了思维树（Tree of Thoughts，ToT）框架，该框架基于思维链提示进行了总结，引导语言模型探索把思维作为中间步骤来解决通用问题。ToT 维护着一棵思维树，思维由连贯的语言序列表示，这个序列就是解决问题的中间步骤。使用这种方法，LM 能够自己对严谨推理过程的中间思维进行评估。LM 将生成及评估思维的能力与搜索算法（如广度优先搜索和深度优先搜索）相结合，在系统性探索思维的时候可以向前验证和回溯。ToT 框架原理如下：图片援引自：Yao et el. (2023)ToT 需要...

谁懂啊！我实习遇到的公司，真的太把实习生当正式员工使唤了，刚入职没几天，连项目代码结构都没摸透，就被安排写项目了！一开始都是些接口对接、数据格式转换的基础活，听起来不难，但架不住我对项目的业务逻辑、代码规范一窍不通。对着前辈丢过来的需求文档，我一边查代码注释，一边翻技术文档，磕磕绊绊写完功能，也只知道 “这么写能跑通”，根本不明白 “为什么要这么设计”，妥妥的知其然不知其所以然。本以为这种基础活会干很久，结果没过多久，领导直接甩给我一个小功能的开发方案，让我负责从方案落地到功能对接、测试上线的全流程。当时我直接懵了，硬着头皮啃需求、画流程图、写核心代码，遇到不懂的就逮着前辈狂问，加班加点成了家常便饭。更没想到的是，后面居然让我独立负责一个模块的开发，还要做性能优化。从数据库索引调整，到接口响应速度提升，每一步都得自己琢磨、自己验证。那段时间真的累到飞起，每天下班脑子都是懵的尤其是发版的时候，我比谁都紧张，盯着监控屏大气不敢喘，生怕自己写的代码出 bug 导致系统崩溃。一旦出问题，就得立刻配合运维回滚版本，然后自己留下来加班排查修复，常常整栋办公楼只剩我一个人的工位亮着灯。每天加班到深夜，工作量比正式员工还饱和，我不止一次对着电脑发呆：我到底是来实习的，还是来打工的？虽然这段经历确实让我的技术能力突飞猛进，但那种被推着往前走的疲惫感，直到现在想起来都觉得累。

给LLM提示你可以通过简单的提示词（Prompts）获得大量结果，但结果的质量与你提供的信息数量和完善度有关。一个提示词可以包含你传递到模型的指令或问题等信息，也可以包含其他详细信息，如上下文、输入或示例等。你可以通过这些元素来更好地指导模型，并因此获得更好的结果。看下面一个简单的示例：提示词： The sky is 输出： blue. 如果你正在使用OpenAI Playground或其他任何LLM Playground，你可以按照以下屏幕截图中的方式提示模型：需要注意的是，当使用 OpenAI 的 gpt-4 或者 gpt-3.5-turbo 等聊天模型时，你可以使用三个不同的角色来构建 ...