能够让大模型推理结果变得更好的基础优化手段已经非常多了，我梳理了常见的技术手段和对应的论文：

- Zero-shot：arxiv.org
- Few-shot：arxiv.org
- CoT：arxiv.org
- ToT：arxiv.org
- GoT：arxiv.org
- SC：arxiv.org
- Multi Persona：arxiv.org
- Least to Most：arxiv.org
- Step Back：arxiv.org
- ART：arxiv.org
- ReAct：arxiv.org
- Reflection：arxiv.org
- RAG：arxiv.org

以上内容在之前的分享中均详细提到过，有一些只需要在 Prompt 上做简单优化便可看到效果；有一些则需要进行框架设计，如对任务进行规划、分解、组合等，包括与外界环境的交互、让人参与交互，存在一定的设计成本，市面上很多 XXXGPT 也是对这些基础手段组合后的工程实践。

学习这些知识的原理有助于帮助我们打开 LLM 推理黑盒，感兴趣的朋友不妨花点时间研究下，也欢迎留言补充更多有趣的技术和论文。