提示设计与提示工程 (Prompting and prompt engineering)
Prompting：向模型输入文本（称为prompt），以生成响应的文本（称为completion）。
Inference：生成文本的过程称为inference。
Context Window：模型可用于参考的整个输入文本或内存称为context window。
Prompt Engineering：多次修正prompt的语言或格式，以使模型按期望行为。
In-Context Learning：在prompt中包含任务示例，帮助模型理解和执行任务。
Zero-Shot Inference：不包含示例，直接让模型根据输入的指令和上下文执行任务。
One-Shot Inference：在prompt中包含一个示例，以提高小型模型的性能。
Few-Shot Inference：包含多个示例，尤其是对小型模型更有效，有助于模型理解复杂任务。
模型规模与任务性能：大型模型（如最新版本的GPT）在执行多种任务上表现更好，尤其擅长zero-shot inference；小型模型则通常仅适用于与其训练任务相似的任务。
Fine-Tuning：如果模型在包含多个示例时仍表现不佳，可以通过fine-tuning（使用新数据对模型进行额外训练）来提升其性能。