通过预训练和调整适应性来应用大型语言模型（LLMs）的一个主要方法是采用合适的prompt策略来解决各种任务。上下文学习（in-context learning）是其中一个典型的prompt方法，它以自然语言文本的形式提供任务描述或演示。思维链prompting方法通过将一系列中间推理步骤整合到prompt中来进一步加强上下文学习。在本文第六节中，我们详细介绍了这两种技术的细节。上下文学习（ICL）作为一种特殊的prompt形式，是GPT-3首次提出的，并且已经成为利用LLMs的典型方法之一。思维链prompt（CoT）是一种改进的prompt策略，可以提高LLM在复杂推理任务（如算术推理、常识推理和符号推理）中的表现。与ICL不同，CoT在构建prompt时将导致最终输出的中间推理步骤纳入考虑。在第6.2节中，我们详细说明了使用CoT和ICL的方法，并详细讨论了CoT何时有效以及为何有效。能力评估方面，我们利用大量任务和基准对LLMs的有效性和优越性进行了实证评估和分析。