--- title: "Least-to-most Prompting — 由简入难提示" source: "https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA" wiki: "systems-analysis.info/int" article: "Least-to-most_Prompting_—_由简入难提示" language: "zh" categories: - "Category:Chinese" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 3842 wiki_created_at: 2026-09-06T23:26:54Z wiki_modified_at: 2026-09-06T23:26:54Z downloaded_at: 2026-09-07T22:59:24Z --- # Least-to-most Prompting — 由简入难提示 **Least-to-Most Prompting** (**LtM**) 是一种为大型语言模型 (**LLM**) 设计**提示**的方法，它通过将复杂任务**分解**为更简单的子任务，然后按顺序解决这些子任务来解决复杂问题^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-pdf-1)}。该方法由**丹尼·周** (Denny Zhou) 领导的谷歌大脑 (Google Brain) 研究团队于2022年提出，并在ICLR 2023会议上发表^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。该方法的主要目标是克服“思维链”（Chain-of-Thought）提示的局限性，因为后者在处理比提示示例更复杂的任务时表现不佳^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。Least-to-Most Prompting 使模型能够**泛化到更复杂的任务上**，同时保持可解释性，且无需对神经网络进行额外训练^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。该方法的名称借鉴自教育心理学，其中“least to most prompting”（由少到多提示）指的是为帮助学生掌握新技能而提供一系列辅助程度递增的提示^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-aisafety-info-3)}。 ## 方法描述 Least-to-Most Prompting 方法分**两个阶段**实现^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}，每个阶段都通过精心设计的提示（carefully-crafted prompts）向语言模型发出指令（无需对模型进行额外的微调）： 1. **任务分解**。在第一阶段，模型会接收到一条指令和一些示例，这些示例展示了如何将一个复杂任务分解为一系列更简单的子任务。然后，模型会面对一个具体的复杂问题，并需要生成一个简化的**中间问题**列表^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。例如，对于一个复杂的任务，模型可以自行提出一个针对原始问题一部分的 уточняющий子问题。 2. **顺序解决子任务**。在第二阶段，模型会**按顺序**解决生成的子任务——从最简单的到最复杂的。为此，每个子任务的提示都包含上下文信息：解决类似子问题的示例，以及（如果存在）先前已解决的子任务及其答案^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-medium-oxenai-4)}。在解决第一个子任务后，模型会将其答案添加到提示文本中，然后接收下一个子任务，并将之前的解决方案作为上下文^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-medium-oxenai-4)}。这个过程会一直持续，直到解决了最后一个、也是最复杂的子任务，从而直接回答了原始问题。例如：一个原始的文字问题通过Least-to-Most方法被分解为两个步骤。首先，模型提出并解决一个中间问题（“How long does each trip take?”——“每次行程需要多长时间？”），得到答案“each trip takes 5 minutes”（“每次行程需要5分钟”）。这个答案被包含在一个新的提示中，连同下一个子任务——即原始问题（“How many times can she slide before it closes?”——“在设施关闭前她能滑多少次？”）。利用上一步的结果，模型计算出最终答案（在此例中为：3次）。原则上，Least-to-Most Prompting与标准的“思维链”方法的不同之处在于，它将推理过程分解为多个独立的、知识累积的请求，而不是在单个回答中生成一个连续的“思想链”^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-aisafety-info-3)}。这种**分阶段、递归的方法**使模型能够逐步处理任务中越来越复杂的方面，从而有效解决**“从易到难泛化”（easy-to-hard generalization）**的问题（即模型遇到比训练示例更复杂的任务时出现的问题）^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-aisafety-info-3)}。值得注意的是，LtM方法的两个阶段都是通过小样本提示（few-shot prompting，即展示几个示例）实现的，不需要对模型进行额外的训练或在新数据上进行微调^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。此外，该方法与其他提升LLM推理能力的技术兼容，例如，在生成答案时可以与“思维链”和“自洽性”（self-consistency，即对多个解决方案进行抽样选择）相结合，尽管这不是必需的^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-pdf-1)}。 ## 实验结果与应用提出Least-to-Most Prompting的论文表明，该方法在一系列需要复杂多步推理的任务上**优于标准的提示方法**（包括“思维链”）^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-pdf-1)}。它在三个关键任务类别中成功展示了其优势： - **符号与算法任务**。例如，在**连接单词末尾字母**的任务中（按顺序取列表中每个单词的最后一个字母组成一个新词），LtM方法显著提高了模型对更长单词序列的泛化能力。未经专门训练的GPT-3模型（code-davinci-002）在使用“思维链”提示时，当单词列表长度为12时，仅在约**32%**的情况下能正确解决这类任务，而使用Least-to-Most Prompting的准确率达到了**约74%**^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-pdf-1)}。对于较短的列表（长度与示例中出现的相似），两种策略都表现良好，但随着序列长度的增加，“思维链”方法的性能急剧下降，而Least-to-Most方法则表现出更平缓的性能下降，并保持了较高的准确率^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-pdf-1)}。这表明LtM方法能够将**解决方案的逻辑泛化**到更复杂（更长）的输入数据上。 - **组合泛化** (compositional generalization)。这类任务包括将文本指令翻译为一系列动作（如**SCAN**基准测试，要求执行“jump twice and run”等命令并泛化到更长的组合）^{[\[4\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-medium-oxenai-4)}。LtM方法使LLM能够成功解决甚至是最复杂的此类任务变体。具体来说，使用LtM提示的GPT-3模型仅凭提示中的14个示例，在SCAN数据集的所有数据划分变体上（包括最困难的长度划分，即测试序列比训练序列更长）达到了**99%**的准确率^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。相比之下，标准的“思维链”方法在类似条件下的准确率仅为**约16%**^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。更重要的是，这一成果是在**没有对模型进行训练数据训练**的情况下实现的，而之前针对SCAN的最佳解决方案依赖于专门的神经符号架构或数据增强方法，这些方法需要使用包含超过15000个示例的整个训练集^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。因此，Least-to-Most Prompting在未经微调的模型中展示了**前所未有的组合泛化能力**。 - **数学应用题**。该方法在文本中的算术任务上进行了测试，例如来自**GSM8K**数据集（复杂的加减法和逻辑文字问题）^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}，以及**DROP**数据集中的一系列问题（测试从文本中提取和计算数字信息的能力）^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。在这些任务上，Least-to-Most Prompting同样显示出比“思维链”方法**更高的准确率**。例如，在使用code-davinci-002模型时，GSM8K任务的答案准确率从约60.9%提高到约62.4%^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。在DROP的子任务上，提升更为显著：例如，在一部分关于“足球”事实的问题上，准确率从约59.6%（“思维链”）提高到约73.4%（LtM）^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。尽管在数学任务上的性能提升不如在SCAN中那么显著，但作者指出了一个重要现象：如果模型能得到正确的**问题分解**，几乎所有的GSM8K任务都能被正确解决^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。这表明成功解决问题的关键在于提出恰当的中间问题；而LtM方法正是旨在自动生成并顺序解决这些问题。总而言之，实验证实，在许多需要多步推理的任务上，Least-to-Most Prompting**显著优于**简单的无推理小样本提示和“思维链”方法^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-pdf-1)}。该方法使LLM能够解决比其最初通过示例接触到的问题更复杂的问题，从而扩展了**上下文学习**（in-context learning，即通过提示进行即时学习）的边界。 ## 局限性与未来方向尽管取得了成功，Least-to-Most Prompting方法仍存在一些**局限性**。首先，不同类型的任务需要**不同的分解方法**。一个能有效分解数学问题的提示模板，可能完全不适用于逻辑问题或常识性问题^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。例如，教会模型将数学文字题分解为步骤的提示，对于“亚里士多德用过笔记本电脑吗？”这样的常识性问题毫无用处——这类任务需要完全不同的分解策略^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。因此，对于每个新的领域或问题类型，都必须**重新设计示例**来展示如何将任务分解为子任务，并构建相应的提示来说明解决方案的结构^{[\[3\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-aisafety-info-3)}。换句话说，LLM本身并不能普遍地泛化如何正确分解任务的知识，这种知识需要通过针对特定任务类别的示例来提供。此外，LtM的有效性在很大程度上取决于任务是否**能够被成功地分解**为独立的子目标。如果模型未能正确地构思出中间步骤，或者遗漏了某些必要的子任务，最终的解决方案也将是错误的。然而，开发者自己也指出，在许多情况下，如果由人类手动提供正确的分解，失败可以转化为成功——模型随后能够轻松地解决每个部分并成功地组合答案^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。这突显了该方法未来发展的潜力：改进自动生成子任务的质量，并可能引入模型的交互式学习。在结论中，LtM的作者推测，未来提示方法的发展方向可能是与模型进行全面的**双向对话**，模型在对话中可以获得即时的反馈并修正其中间步骤^{[\[2\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-2)}。Least-to-Most Prompting可以被视为朝这个方向迈出的一步，它表明通过分解任务并分阶段解决，与模型进行顺序互动，可以在**不进行新数据训练的情况下，显著扩展其推理能力**^{[\[1\]](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_note-arxiv-original-pdf-1)}。 ## 外部链接 - arXiv上的原始论文《Least-to-Most Prompting Enables Complex Reasoning in Large Language Models》 - 原始论文的HTML版本 - 什么是Least-to-Most Prompting？ — AI Safety Info文章 - Medium上的方法概述 - arXiv上关于提示工程方法的综述 ## 参考文献 - Zhou, D. et al. (2022). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. arXiv:2205.10625. - Zhou, D. et al. (2023). *Least-to-Most Prompting Enables Complex Reasoning in Large Language Models*. *ICLR 2023*. OpenReview. - Wei, J. et al. (2022). *Chain-of-Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Kojima, T. et al. (2022). *Large Language Models Are Zero-Shot Reasoners*. arXiv:2205.11916. - Nye, M. et al. (2021). *Show Your Work: Scratchpads for Intermediate Computation with Language Models*. arXiv:2112.00114. - Lake, B. M.; Baroni, M. (2018). *Generalization without Systematicity: On the Compositional Skills of Sequence-to-Sequence Recurrent Networks*. arXiv:1711.00350. - Cobbe, K. et al. (2021). *Training Verifiers to Solve Math Word Problems*. arXiv:2110.14168. - Dua, D. et al. (2019). *DROP: A Reading Comprehension Benchmark Requiring Discrete Reasoning Over Paragraphs*. arXiv:1903.00161. - Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493. ## 注释 1. ↑ ^{[1.0](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original-pdf_1-0)} ^{[1.1](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original-pdf_1-1)} ^{[1.2](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original-pdf_1-2)} ^{[1.3](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original-pdf_1-3)} ^{[1.4](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original-pdf_1-4)} ^{[1.5](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original-pdf_1-5)} ^{[1.6](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original-pdf_1-6)} Zhou, Denny et al. «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models». *ar5iv.org*. [1] 2. ↑ ^{[2.00](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-0)} ^{[2.01](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-1)} ^{[2.02](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-2)} ^{[2.03](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-3)} ^{[2.04](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-4)} ^{[2.05](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-5)} ^{[2.06](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-6)} ^{[2.07](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-7)} ^{[2.08](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-8)} ^{[2.09](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-9)} ^{[2.10](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-10)} ^{[2.11](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-11)} ^{[2.12](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-12)} ^{[2.13](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-13)} ^{[2.14](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-14)} ^{[2.15](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-15)} ^{[2.16](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-16)} ^{[2.17](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-17)} ^{[2.18](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-18)} ^{[2.19](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-arxiv-original_2-19)} Zhou, Denny et al. «Least-to-Most Prompting Enables Complex Reasoning in Large Language Models». *arXiv*. [2] 3. ↑ ^{[3.0](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-aisafety-info_3-0)} ^{[3.1](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-aisafety-info_3-1)} ^{[3.2](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-aisafety-info_3-2)} ^{[3.3](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-aisafety-info_3-3)} «What is least-to-most prompting?». *AI Safety Info*. [3] 4. ↑ ^{[4.0](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-medium-oxenai_4-0)} ^{[4.1](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-medium-oxenai_4-1)} ^{[4.2](https://systems-analysis.info/int/Least-to-most_Prompting_%E2%80%94_%E7%94%B1%E7%AE%80%E5%85%A5%E9%9A%BE%E6%8F%90%E7%A4%BA#cite_ref-medium-oxenai_4-2)} OXEN AI. «Arxiv Dives Toolformer: Language models can teach themselves to use tools». *Medium*. [4]