人类在面对具有挑战性的任务时，往往会退一步进行抽象，从而得出高层次的概念和原则来指导推理过程，受此启发，研究人员才提出了后退一步（step-back）的prompt技术，将推理建立在抽象概念的基础上，从而降低在中间推理步骤中出错的几率。
图中的上半部分中，以MMLU的高中物理为例，通过后退抽象，LLM得到理想气体定律的第一条原理。
而在下半部分中，是来自TimeQA的示例，教育史这一高层次概念是依照这种策略，LLM抽象出来的结果。
从整张图的左边可以看到，PaLM-2L未能成功回答原始问题。思维链（Chain-of-Thought）提示在中间推理步骤中，LLM出现了错误（红色高亮部分）。
而右边，应用了后退prompt技术的PaLM-2L则成功回答了问题。
结果表明，PaLM-2L的性能有了明显提高（高达27%），这证明了后退推理在处理复杂任务方面的性能十分显著。
