AI大模型上下文学习In-Context Learning原理与优化大语言模型LLM展现出的In-Context LearningICL能力——仅通过提示中的几个示例就能学会新任务——是AI领域最惊人的发现之一。本文将深入解析ICL的工作原理、优化策略和前沿研究帮助开发者更有效地利用这一能力。一、In-Context Learning的本质1.1 什么是ICLIn-Context Learning指模型在不更新参数的情况下仅通过提示prompt中的上下文示例来执行新任务的能力# 传统机器学习需要训练 model.fit(X_train, y_train) predictions model.predict(X_test) # In-Context Learning无需训练仅通过提示 prompt 将以下中文翻译成英文 中文你好 英文Hello 中文谢谢 英文Thank you 中文{input} 英文 response llm.generate(prompt)1.2 ICL的数学直觉class ICLIntuition: ICL的数学理解 staticmethod def explain_transformer_icl(): Transformer在ICL中做了什么 1. 注意力机制将示例(input, label)对存储为键值对 2. 查询token与示例输入匹配 3. 通过注意力权重组合对应的标签 本质上ICL是在做隐式的最近邻分类/回归 return 注意力机制可以看作 Attention(Q, K, V) softmax(QK^T / sqrt(d)) V 在ICL中 - K: 示例输入的表示 - V: 示例输出的表示 - Q: 查询输入的表示 模型通过注意力权重对示例输出进行加权平均 二、Prompt Engineering基础2.1 提示设计模式class PromptPatterns: 常用提示设计模式 staticmethod def zero_shot(task_description, input_text): 零样本提示 return f{task_description} Input: {input_text} Output: staticmethod def few_shot(examples, input_text, task_descriptionNone): 少样本提示 prompt if task_description: prompt f{task_description}\n\n for example_input, example_output in examples: prompt fInput: {example_input}\nOutput: {example_output}\n\n prompt fInput: {input_text}\nOutput: return prompt staticmethod def chain_of_thought(examples, input_text): 思维链提示 prompt Lets solve this step by step.\n\n for example_input, reasoning, example_output in examples: prompt fQ: {example_input}\n prompt fA: {reasoning}\n prompt fTherefore, the answer is {example_output}.\n\n prompt fQ: {input_text}\nA: return prompt staticmethod def self_consistency(prompt, num_samples5): 自一致性采样多个推理路径投票决定 responses [] for _ in range(num_samples): # 使用非零温度采样 response llm.generate(prompt, temperature0.7)
