• Hướng dẫn prompt từ cơ bản đến nâng cao P1: zero-shot và few-shot prompting
• Hướng dẫn prompt từ cơ bản đến nâng cao P2: Role prompt, Contextual Prompt và System Prompt

Step-back Prompting

• Cải thiện khả năng suy luận đối với các task phức tạp.
• Kích thích kiến thức rộng hơn
• Giảm bias thông qua việc tập trung vào nguyên tắc trước khi đi vào chi tiết.

Prompt Chain of Thought (CoT)

• Dễ thực hiện nhưng rất hiệu quả.
• Hoạt động tốt với các LLM phổ quát (không cần tinh chỉnh).
• Có tính giải thích cao. Chúng ta có thể kiểm tra các phản hồi của LLM và xem các bước suy luận đã được thực hiện để phát hiện lỗi nếu có.
• Cải thiện tính hiệu quả khi chuyển đổi giữa cácmodel khác nhau. Hiệu suất prompt của bạn sẽ ít bị ảnh hưởng hơn khi dùng các LLM khác nhau so với khi prompt không sử dụng CoT.
• Có thể hữu ích cho nhiều trường hợp sử dụng, chẳng hạn như tạo code (chia yêu cầu thành các bước nhỏ và ánh xạ chúng tới các dòng code cụ thể) và tạo dữ liệu tổng hợp.
• Nói chung, bất kỳ nhiệm vụ nào có thể giải quyết bằng cách "nói rõ từng bước" đều là thích hợp sử dụng CoT. Nếu bạn có thể giải thích các bước để giải quyết một vấn đề nào đó, hãy thử CoT để chạy hàng loạt những tác vụ đó.

• Prompt thường dài và phức tạp do chứa nhiều thông tin, chỉ dẫn.
• Đầu ra thường dài, do đó cũng tiêu tốn nhiều token đầu ra, dẫn tới chi phí sử dụng cũng cao hơn, thời gian xử lý lâu hơn.

• Tạo code: CoT cực kỳ thích hợp để cùng với model Code.
• Các tác vụ số học
• Các lý luận thông thường lẫn lý luận tượng trưng trong đó các bước trung gian đóng vai trò quan trọng đối với độ chính xác của đầu ra.
• Cải thiện khả năng diễn giải.