Decomposed Prompting: A MODULAR APPROACH FOR SOLVING COMPLEX TASKS

本文是LLM系列文章，针对《Decomposed Prompting: A MODULAR APPROACH FOR SOLVING COMPLEX TASKS》的翻译。

摘要

小样本提示是一种使用大型语言模型（LLM）来解决各种任务的强大方法。然而，随着任务复杂性的增加，或者当任务本身的各个推理步骤很难学习时，尤其是当嵌入到更复杂的任务中时，这种方法会很困难。为了解决这一问题，我们提出了分解提示，这是一种通过将复杂任务分解（通过提示）为更简单的子任务来解决复杂任务的新方法，这些子任务可以委托给专用于这些子任务的基于提示的LLM的共享库。这种模块化结构允许每个提示都针对其特定的子任务进行优化，必要时进行进一步分解，甚至可以根据需要轻松地用更有效的提示、经过训练的模型或符号函数替换。
我们表明，分解提示的灵活性和模块性使其在使用GPT-3的小样本提示方面优于先前的工作。在符号推理任务中，我们可以将LLM难以解决的子任务进一步分解为更简单的可解子任务。当复杂性来自输入长度时，我们可以递归地将任务分解为相同的任务，但输入较小。我们还评估了我们在文本多步骤推理任务上的方法：在长上下文多跳QA上，我们可以通过单独的子任务提示更有效地教授子任务；在开放域多跳QA上，我们可以很容易地将符号信息检索模块纳入我们的分解框架中，从而提高这两项任务的性能。

1 引言

2 相关工作

3 分解提示

4 案例

5 结论

我们提出了一种新的方法，分解提示，通过将复杂任务分解为一个由更简单的子任务构建的提示程序，使用小样本提示来解决复杂任务。从软件库中汲取灵感，我们的分解器和共享子任务以模块化的方式设计：它们使用自己的少量提示，允许独立优化每个提示，必要时进一步分解子任务，甚至用符号系统无缝替换它。我们表明，分解提示在四种不同的任务和泛化设置上优于先前的工作，使其成为解决复杂任务的有效的小样本范例。