Add and Enhance Chinese Translation of Techniques Section

pages/techniques/_meta.zh.json

@@ -4,17 +4,18 @@
     "cot": "链式思考（CoT）提示",
     "consistency": "自我一致性",
     "knowledge": "生成知识提示",
-    "prompt_chaining": "Prompt Chaining",
+    "prompt_chaining": "链式提示",
     "tot": "思维树（ToT）",
     "rag": "检索增强生成 (RAG)",
     "art": "自动推理并使用工具（ART）",
     "ape": "自动提示工程师",
-    "activeprompt": "Active-Prompt",
+    "activeprompt": "主动提示",
     "dsp": "方向性刺激提示",
-    "pal": "Program-Aided Language Models",
+    "pal": "PAL（程序辅助语言模型）",
     "react": "ReAct框架",
-    "reflexion": "Reflexion",
+    "reflexion": "自我反思（Reflexion）",
     "multimodalcot": "多模态思维链提示方法",
-    "graph": "基于图的提示"
+    "graph": "基于图的提示",
+    "meta-prompting": "元提示词（Meta Prompting）"
 }
-
+

pages/techniques/activeprompt.zh.mdx

@@ -1,10 +1,10 @@
-# Active-Prompt
+# 主动提示（Active-Prompt）
 
 import { Callout, FileTree } from 'nextra-theme-docs'
 import {Screenshot} from 'components/screenshot'
 import ACTIVE from '../../img/active-prompt.png'
 
-思维链（CoT）方法依赖于一组固定的人工注释范例。问题在于，这些范例可能不是不同任务的最有效示例。为了解决这个问题，[Diao 等人（2023）](https://arxiv.org/pdf/2302.12246.pdf)最近提出了一种新的提示方法，称为 Active-Prompt，以适应 LLMs 到不同的任务特定示例提示（用人类设计的 CoT 推理进行注释）。
+思维链（CoT）方法依赖于一组固定的人工注释范例。问题在于，这些范例可能不是不同任务的最有效示例。为了解决这个问题，[Diao 等人（2023）](https://arxiv.org/pdf/2302.12246.pdf)最近提出了一种新的提示方法，称为主动提示，以适应 LLMs 到不同的任务特定示例提示（用人类设计的 CoT 推理进行注释）。
 
 下面是该方法的说明。第一步是使用或不使用少量 CoT 示例查询 LLM。对一组训练问题生成 *k* 个可能的答案。基于 *k* 个答案计算不确定度度量（使用不一致性）。选择最不确定的问题由人类进行注释。然后使用新的注释范例来推断每个问题。
 

pages/techniques/meta-prompting.zh.mdx

@@ -0,0 +1,73 @@
+# 元提示词（Meta Prompting）
+import { CoursePromo, CoursesSection, CourseCard } from '../../components/CourseCard'
+
+## 介绍
+
+元提示词是一种高级提示技术，它关注任务和问题的结构与句法层面，而非具体的细节内容。元提示词的目标是构建一种与大语言模型（LLM）交互的更抽象、结构化的方式，强调信息的形式与模式，而非传统的以内容为中心的方法。
+
+## 核心特性
+
+根据[Zhang等人，2024](https://arxiv.org/abs/2311.11482)的研究，元提示词的核心特性可归纳如下：
+
+**1. 结构导向**: 优先考虑问题和解决方案的格式与模式，而非具体内容。
+
+**2. 句法聚焦**: 利用句法作为预期回答或解决方案的引导模板。
+
+**3. 抽象示例**: 使用抽象示例作为框架，展示问题和解决方案的结构，而不关注具体细节。
+
+**4. 多用途**: 适用于各种领域，能够针对广泛的问题提供结构化的响应。
+
+**5. 分类方法**: 借助类型理论，强调提示中组件的分类和逻辑排列。
+
+## 与少样本提示 (Few-Shot Prompting) 的优势对比
+
+[Zhang等人, 2024](https://arxiv.org/abs/2311.11482) 指出，元提示词与少样本提示的不同之处在于，元提示词侧重于结构导向的方法，而少样本提示则强调内容驱动的方法。
+
+以下示例(原自[Zhang等人， 2024](https://arxiv.org/abs/2311.11482))展示了在解决 MATH 基准测试问题时，结构化元提示词与少样本提示词之间的区别：
+
+!["Meta Prompting"](../../img/techniques/meta-prompting.png)
+
+元提示词相比少样本提示的优势包括：
+
+**1. Token 效率**: 通过聚焦结构而非详细内容，减少了所需的 Token 数量。
+
+**2. 公平比较**: 通过最小化具体示例的影响，为比较不同解题模型提供了一种更公平的方法。
+
+**3. 零样本效能**: 可以被视为一种特殊的零样本提示，使具体示例的干扰降至最低。
+
+## 应用场景
+
+通过聚焦解题的结构模式，元提示词为处理复杂话题提供了清晰的路线图，增强了 LLM 在各个领域的推理能力。
+
+需要注意的是，元提示词假设 LLM 对所处理的特定任务或问题具有内在知识。虽然 LLM 可以泛化到未见过的任务，但对于非常独特且新颖的任务，元提示词的表现可能会像零样本提示一样有所下降。
+
+元提示词受益的应用领域包括但不限于：复杂推理任务、数学问题求解、编程挑战以及理论查询。
+
+<CoursesSection title="Related Learning">
+  <CourseCard
+    tag="Course"
+    tagColor="blue"
+    title="Prompt Engineering for LLMs"
+    description="Master meta prompting, structure-oriented techniques, and advanced methods for complex reasoning."
+    href="https://academy.dair.ai/courses/introduction-prompt-engineering"
+    level="Beginner"
+    duration="2 hours"
+  />
+  <CourseCard
+    tag="Course"
+    tagColor="purple"
+    title="Building Effective AI Agents"
+    description="Learn to build effective AI agents. Covers function calling, tool integration, and debugging agentic systems."
+    href="https://academy.dair.ai/courses/building-effective-ai-agents"
+    level="Intermediate"
+    duration="5 hours"
+  />
+</CoursesSection>
+
+<CoursePromo
+  title="Explore All Courses"
+  description="Discover our full catalog of AI and prompt engineering courses. From beginners to advanced practitioners."
+  href="https://academy.dair.ai/"
+  buttonText="Browse Academy"
+  promoCode="PROMPTING20"
+/>

pages/techniques/reflexion.zh.mdx

@@ -1,6 +1,6 @@
 # 自我反思（Reflexion）
 
-自我反思是一个通过语言反馈来强化基于语言的智能体的框架。根据 [Shinn et al. (2023)](https://arxiv.org/pdf/2303.11366.pdf)，“自我反思是一种‘口头’强化的新范例，它将策略参数化为智能体的记忆编码与 LLM 的参数选择配对。”
+自我反思是一个通过语言反馈来强化基于语言的智能体的框架。根据 [Shinn等人， (2023)](https://arxiv.org/pdf/2303.11366.pdf)，“自我反思是一种‘口头’强化的新范例，它将策略参数化为智能体的记忆编码与 LLM 的参数选择配对。”
 
 在高层次上，自我反思将来自环境的反馈（自由形式的语言或者标量）转换为语言反馈，也被称作 **self-reflection**，为下一轮中 LLM 智能体提供上下文。这有助于智能体快速有效地从之前的错误中学习，进而提升许多高级任务的性能。