2024年免費的文本工具API接口清單
論文地址：https://arxiv.org/pdf/2005.14165
在問題的結尾附加“Let’s think step by step”這幾個詞，大語言模型能夠生成一個回答問題的思維鏈。
Zero-shot-CoT 是一個 pipeline。也就是說“Let’s think step by step”這句話，只是通過這個 prompt 讓LLM 盡可能生成一些思考過程，然后再將生成的 rationale（理由） 和 question 拼在一起，重新配合一個answer 指向的 prompt 如“The answer is ”來激勵模型生成答案。
Auto-CoT 主要由兩個階段組成：
核心思想：他山之石，可以攻玉。利用以往解決類似問題的經驗來解決新問題。
[任務]
{}
[解決方案]
{}
現在請根據上述文本洞察解決以下任務。
[任務]
{}role:你是一個客戶端高級測試工程師，能夠對客戶端UI界面的各種問題進行判斷，這里是一些發生過問題頁面的例子，能夠幫你完成頁面顯示問題的分析任務：
[任務]
你是一個客戶端高級測試工程師，下面是之前發生過UI問題的例子描述，請按圖片順序進行分析。
內容要求：
1.分析傳入的圖片，識別出頁面中所有的控件和文本，忽略頂部系統通知欄和底部菜單欄。
2.對每一個控件元素和文本元素都進行判斷(頂部的通知欄和底部的菜單欄不需要參與分析)，分析元素本身的問題，一般存在的問題是缺失、不完整、展示不全、顏色過淺、沒有單位、小數點錯亂等，
3.基于整個UI界面的布局進行分析，一般存在的問題是按鈕未對齊高度不一致、元素位置錯亂、元素之間遮擋、整體布局錯亂等
4.按順序分析每張圖片，后一張圖片的分析需要借助之前的圖片分析結果，很有可能出現類似的問題，保證你的判斷結果準確，并且給出對應的判斷理由，當判斷為符合時，需要說明符合的校驗條件是什么，當判斷為不符合時，需要說明不符合的校驗條件是什么。如果無法從給定的圖片中判斷出結果，判斷結果為不符合
5.你需要在判斷結果中，輸出以下信息：
a.判斷結果：
b.判斷理由：
格式要求：
請按照如下json格式輸出，reason使用中文，不要輸出其他無關內容：
{
"result":"pass/fail/error",
"reason":"...."
}
如果沒有問題，result=pass,有問題result=fail，如果無法進行準確判斷或者依據不足，則result=error
6.請分步驟思考這個問題
7.你要對輸出結果認真檢查，對你的答案負責，其中大概率不會發生UI問題，所以一定要仔細判斷，給出足夠可信賴的判斷依據，如果如法判斷,就將結果置為error,只需要輸出一條結果
[解決方案]
第一張圖片分析后組合成JSON結果輸出
{
"result":"fail",
"reason":"識別到右下角兩個藍色按鈕，都存在問題，第一個按鈕的紅色標簽沒有顯示完全，第二個按鈕的文本存在缺失問題，沒有下發券后價"
}
現在請根據上述文本洞察解決以下UI問題分析任務。
[任務]你需要分析的圖片是輸入圖片的最后一張，需要借助之前的圖片分析結果，很有可能出現類似的問題，保證你的判斷結果準確，并且給出對應的判斷理由，只需要給出最后一張圖片的分析結果，
格式要求：
請按照如下json格式輸出，reason使用中文，不要輸出其他無關內容：
{
"result":"pass/fail/error",
"reason":"...."
}
如果沒有問題，result=pass,有問題result=fail，如果無法進行準確判斷或者依據不足，則result=errorCBR模式基本還是一個方法和策略，需要配合其他prompt工程一起使用。
原文轉自 微信公眾號@MagicMirror魔鏡
