Która metoda dzieli złożone zadanie na sekwencję mniejszych promptów, które są wysyłane do dużego modelu językowego (LLM) jeden po drugim?

Prompt chaining to technika, która rozbija skomplikowane zadanie na serię mniejszych, powiązanych ze sobą promptów. Wynik jednego promptu jest następnie używany jako wejście do następnego, co pozwala LLM na stopniowe budowanie rozwiązania. Jest to efektywne w przypadku zadań wymagających wielu kroków rozumowania lub generowania. One-shot prompting polega na podaniu jednego przykładu w promtcie, aby nauczyć model pożądanego formatu lub stylu, ale nie dzieli zadania na sekwencje. Tree of thoughts to bardziej zaawansowana technika, która eksploruje wiele ścieżek rozumowania, ale nie jest to po prostu sekwencyjne wysyłanie promptów. Retrieval Augmented Generation (RAG) łączy LLM z zewnętrzną bazą wiedzy w celu pobierania informacji, a nie dzieli zadania na sekwencyjne prompty.