Schritt-zurück-Prompting für verbesserte LLM-Schlussfolgerung

Wenn Sie mit einer komplexen Frage konfrontiert sind, beantworten Sie sie nicht direkt. Stattdessen 'treten Sie zuerst einen Schritt zurück' und abstrahieren Sie das Problem auf eine höhere Ebene. Stellen Sie eine breitere, allgemeinere Frage, die nützlichen Kontext liefert. Zum Beispiel: Statt ein spezifisches Physikproblem zu lösen, fragen Sie 'Was ist das zugrunde liegende physikalische Prinzip?' Oder statt nach einem spezifischen Ereignis im Leben einer Person zu fragen, fragen Sie 'Wie ist ihr gesamter Bildungsverlauf?' Kombinieren Sie die Antwort auf diese abstrakte Frage mit der ursprünglichen Frage als Kontext für das LLM. Dies liefert hochwertige kontextuelle Informationen, die dem Modell helfen, genauer zu argumentieren. Diese Technik unterscheidet sich von Chain-of-Thought (CoT), das ein Problem in Schritte zerlegt; Step-Back Prompting formuliert das Problem stattdessen aus einer höheren Perspektive neu, um relevanten Kontext zu erzeugen.