对于卡片生成任务，如果提供了编写卡片的原则，大型语言模型（LLM）的表现可能会有所提升

间隔重复记忆系统^[1]社区已经发现了许多高质量间隔重复记忆卡片的重要属性^[2]。当我将这些属性提供给 GPT-4 时，它似乎在生成间隔重复卡片方面做得更好。与这些提示相关的思维链式提示词也可能有所帮助（例如「解释这些卡片是如何满足每个原则的......」）。

目前还不清楚这些效果的强度或可靠性如何。在我的非正式实验中，有时这些因素似乎很重要，有时则没什么影响。如果有一份由专家编写的卡片的数据集进行评估，那将对卡片生成系统的发展大有裨益。

参见示例 20230614114329。

参考文献

最初是在 Twitter 上有人向我提出这个建议（抱歉，我找不到那条信息了！），然后在 2023 年 5 月，Yuval Milo 通过一个具体的提示词再次提醒了我。

链接至本文（已汉化）

• 对于卡片生成任务，大型语言模型（LLM）缺乏为复杂概念材料编写卡片的模式
• GPT-4 在指导下，通常能够从解释性文本中为陈述性知识生成可用的间隔重复卡片
• 叶峻峣：使用机器学习从解释性文本中生成优质的间隔重复卡片

声明

此内容发布由 Andy Matuschak 许可。未经允许，不得转载或修改。保留所有权利。

Thoughts Memo 汉化组译制
感谢主要译者 GPT-4、校对 JarrettYe
原文：In prompt generation, LLMs may perform better when given prompt-writing principles (andymatuschak.org)

← 返回目录