Least-to-Most Prompting
AdvancedAdvanced Reasoning
Least-to-Most prompting opdeler komplekse problemer i mindre, simplere sub-problemer der løses sekventielt. Hvert sub-problem bygger på løsningen fra det forrige.
Eksempel
Prompt:
Problem: Planlæg en 3-dages teambuilding for 25 personer med budget på 50.000 kr. Lad os opdele det: Sub-problem 1: Hvad er budgettet per person? Løsning: 50.000 kr ÷ 25 = 2.000 kr per person Sub-problem 2: Hvor meget kan vi bruge per dag per person? Løsning: 2.000 kr ÷ 3 dage = 667 kr per person per dag Sub-problem 3: Hvad kan vi få for 667 kr per dag? Løsning: Transport + aktiviteter + forplejning. Forslag: - Dag 1: Lokal aktivitet (300 kr) + frokost (200 kr) = 500 kr - Dag 2: Bowling (250 kr) + middag (400 kr) = 650 kr - Dag 3: Workshop (200 kr) + afslutning (100 kr) = 300 kr Total: 1.450 kr per person - under budget!
Output:
Komplet plan baseret på sub-løsninger...
Hvornår skal du bruge denne teknik?
- →Komplekse, multi-step problemer
- →Når Chain-of-Thought ikke er struktureret nok
- →Planlægning og project management
- →Matematiske problemer med flere trin
- →Når dependencies mellem steps er vigtige
Fordele
- ✓Håndterer meget komplekse problemer
- ✓Hver step er verificerbar
- ✓Bygger på tidligere løsninger
- ✓Lettere at debugge
- ✓God til compositional reasoning
Ulemper
- !Kræver mange API calls eller lange prompts
- !Tidskrævende
- !Kan være overkill
- !Dyr at implementere
- !Kræver god problem dekomposition
Tips & Best Practices
- 💡Identificer dependencies mellem sub-problemer
- 💡Løs i rækkefølge fra mindst til mest kompleks
- 💡Brug output fra forrige step som input til næste
- 💡Start med at bede modellen om at opdele problemet
- 💡Verificer hver sub-løsning før du fortsætter
- 💡Kombiner med Few-Shot for bedre dekomposition