大模型提示工程技术 | 六十二、Chain of thought prompting（思路链提示）

最新推荐文章于 2025-04-02 17:51:00 发布
最新推荐文章于 2025-04-02 17:51:00 发布
阅读量671 收藏 26
点赞数 18
文章标签： 人工智能 大模型 AI大模型 ai agi 思路链提示 提示工程
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/Androiddddd/article/details/141558385
版权

Chain of thought prompting（思路链提示）是一种用于指导人工智能模型进行推理和生成连贯文本的方法。在这种方法中，用户或模型首先提出一个初始问题或假设，然后根据这个初始问题或假设，逐步引导模型进行逻辑推理，最终得出一个结论或生成一段连贯的文本。

1. 工作原理：

  • 初始问题或假设：用户或模型首先提出一个初始问题或假设。这个问题或假设可以是关于某个主题的，也可以是关于某个问题的。
  • 逻辑推理：基于初始问题或假设，用户或模型逐步引导模型进行逻辑推理。在这个过程中，可以提出一系列相关的问题或假设，以帮助模型更好地理解问题或假设。
  • 结论或文本生成：通过逐步的逻辑推理，模型最终得出一个结论或生成一段连贯的文本。这个结论或文本应该与初始问题或假设相关，并且是逻辑上连贯的。

2. 优点：

  • 提高连贯性：通过逐步的逻辑推理，可以提高生成的文本或结论的连贯性。
  • 增强可解释性：用户或模型可以清楚地看到模型是如何进行推理的，从而增强模型的可解释性。
  • 适应性强：可以根据不同的场景和需求，灵活地调整逻辑推理的步骤和问题。

3. 应用场景：

  • 文本生成：在生成连贯的文本时，可以使用Chain of thought prompting来引导模型进行逻辑推理，从而生成更加连贯和有意义的文本。
  • 问题解答：在回答问题时，可以使用Chain of thought prompting来引导模型进行逻辑推理，从而给出更加准确和有说服力的答案。
  • 决策支持：在做出决策时，可以使用Chain of thought prompting来引导模型进行逻辑推理，从而提供更加可靠和合理的决策支持。

4. 挑战：

  • 逻辑推理的复杂性：在一些复杂的场景中，逻辑推理可能非常复杂，需要用户或模型具备较强的逻辑推理能力。
  • 模型的理解能力：模型可能无法完全理解用户或模型的逻辑推理过程，从而影响模型的性能。
  • 资源消耗：在某些情况下，Chain of thought prompting可能需要较多的计算资源，从而影响模型的效率。

Chain of thought prompting是一种非常有用的方法，可以帮助用户或模型更好地引导人工智能模型进行推理和生成连贯的文本。随着技术的发展，这种方法有望在更多领域得到应用。

最后

AI大模型作为人工智能领域的重要技术突破，正成为推动各行各业创新和转型的关键力量。抓住AI大模型的风口，掌握AI大模型的知识和技能将变得越来越重要。

学习AI大模型是一个系统的过程，需要从基础开始，逐步深入到更高级的技术。

这里给大家精心整理了一份全面的AI大模型学习资源，包括：AI大模型全套学习路线图（从入门到实战）、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频，免费分享！

在这里插入图片描述

一、大模型全套的学习路线

L1级别：AI大模型时代的华丽登场
L2级别：AI大模型API应用开发工程
L3级别：大模型应用架构进阶实践
L4级别：大模型微调与私有化部署

在这里插入图片描述

达到L4级别也就意味着你具备了在大多数技术岗位上胜任的能力，想要达到顶尖水平，可能还需要更多的专业技能和实战经验。

二、640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。

在这里插入图片描述

三、大模型经典PDF书籍

随着人工智能技术的飞速发展，AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型，如GPT-3、BERT、XLNet等，以其强大的语言理解和生成能力，正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。

在这里插入图片描述

四、AI大模型商业化落地方案

在这里插入图片描述

作为普通人在大模型时代，需要不断提升自己的技术和认知水平，同时还需要具备责任感和伦理意识，为人工智能的健康发展贡献力量。

有需要全套的AI大模型学习资源的小伙伴，可以微信扫描下方CSDN官方认证二维码，免费领取【保证100%免费】

在这里插入图片描述

[论文笔记]Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
日积月累，天道酬勤
05-21 1937
⭐ 思维链轮笔记：作者提出了通过生成一系列中间推理步骤的思维链，可以显著提升大型语言模型在进行复杂推理时的能力，但是仅限于100B以上的大模型。
chain of thought prompting elicits reasoning in large language models
liguandong
03-19 663
cot需要更多计算量，因为更多的推理过程；
AUTOMATIC CHAIN OF THOUGHT PROMPTING IN LARGE LANGUAGE MODELS大型语言模型中的自动推理链提示
aikun315的博客
11-10 962
大型语言模型（LLMs）可以通过生成中间推理步骤来执行复杂的推理任务。提供这些步骤作为提示示范被称为推理链（Chain-of-Thought，CoT）提示。CoT提示有两种主要的方式。其一使用简单的提示语，如“让我们一步一步思考”，在回答问题之前帮助模型进行逐步思考。另一种方式是通过手工逐个提供示范每个示范都包含一个问题和一个推理链，推理链引导模型得出答案。第二种方法的优越性在于需要逐个手工设计任务特定的示范。
论文翻译 | Chain-of-Thought Prompting Elicits Reasoningin Large Language Models 思维链提示在大型语言模型中引出推理
m0_49651195的博客
07-09 3411
我们探讨了如何生成思维链——一系列中间推理步骤——显著提高大型语言模型执行复杂推理的能力。特别是，我们通过一种称为思维链提示的简单方法，展示了这种推理能力如何在足够大的语言模型中自然出现，其中提供了一些思维链演示作为提示的示例。在三个大型语言模型上的实验表明，思维链提示提高了一系列算术、常识和符号推理任务的性能。经验上的收获可能是惊人的。例如，在GSM8K的数学单词问题基准测试中，仅使用八个思维链示例就可以实现最先进的精度，甚至超过了经过微调的带有验证器的GPT-3。
人工智能|预训练大模型——思维链详解[Chain of Thought, CoT]
也许有一天我们再相逢 睁开眼睛看清楚 我才是英雄！
12-17 4010
Chain-of-Thought(CoT)是一种改进的Prompt技术，目的在于提升大模型LLMs在复杂推理任务上的表现，对于复杂问题尤其是复杂的数学题大模型很难直接给出正确答案。如算术推理（arithmetic reasoning）、常识推理（commonsense reasoning）、符号推理（symbolic reasoning）。COT通过要求模型在输出最终答案之前，显式输出中间逐步的推理步骤这一方法来增强大模型的算数、常识和推理能力。简单，但有效。2022 年，在 Google 发布的论文。
大模型思维链论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》简要介绍
qq_37261357的博客
04-03 1767
本文是关于2022年NIPS论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》的简要技术介绍。论文提出使用思维链提示（Chain-of-thought Prompting）可以有效促进大语言模型的逐步推理能力，进而获得更加准确的效果，尤其对于需要逐步推理的任务。
【大模型理论篇】思维链(Chain Of Thought)、Auto-CoT、 Diverse Prompts、思维树(Tree Of Thought)、思维树提示语等概念解析及相应提示语示例
源泉的小广场
10-18 3714
提示语、大模型、llm、提示语工程、cot、tot、chain of thought、tree of thought、思维链、思维树、推理链
论文翻译 | Active Prompting with Chain-of-Thought for Large Language Models 基于思维链的大型语言模型主动提示(上）
m0_49651195的博客
09-27 1183
特别是，对于复杂的问答任务，一种有效的方法是基于示例的思维链(CoT)推理提示，这大大提高了LLM的性能。借鉴基于不确定性的主动学习方法（Gentile等人，2022年）的相关问题，我们引入了几种指标来刻画模型对每个问题的预测中的不确定性。利用u，我们选择不确定性最大的n个问题，并由专家注释这些问题以制定新的示例E。应用LLMs的一种典型方式是通过提供一系列指令和示例进行上下文学习（Brown等人，2020年），这在传统的语言理解和生成任务上表现良好，但在复杂的推理任务上表现较差（Rae等人，2021年；
大模型Chain-of-Thought（CoT）与Agent基础知识与介绍
夏栀的博客
06-04 4020
大语言模型Chain-of-Thought与Agent
《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》【大模型思维链】
艰难困苦，玉汝于成。
04-19 1481
思维链，是一系列中间推理步骤，可以显著提高大语言模型执行复杂推理的能力。
提示词工程——思维链（Chain of Thoughts, CoT）
2201_75445395的博客
06-11 880
在提问时以「Let’s think step by step」开头，AI 会把问题分解成多个步骤后逐步解决，使得输出的结果更加准确。让 AI 生成更多相关的内容，构成更丰富的「上文」，从而提升「下文」正确的概率。对涉及计算和逻辑推理等复杂问题尤为有效。
YO-CSA-T：基于上下文与空间注意力的实时羽毛球轨迹追踪系统解析
hasakie的博客
03-31 778
本文围绕羽毛球轨迹实时追踪问题展开，提出了一种基于改进YOLOv8的检测网络（YO-CSA）和集成多模块的3D轨迹追踪系统。全文结构如下：​摘要提出YO-CSA检测网络，结合上下文与空间注意力机制提升检测精度（mAP@0.75达90.43%）。构建实时3D轨迹追踪系统，集成检测、预测、补偿模块，帧率超130fps。​引言​背景：羽毛球高速飞行、易与环境混淆，传统检测方法精度不足。​挑战：实时性、3D轨迹重建、遮挡补偿。​贡献：轻量化检测网络、多维度时空约束策略、完整系统设计。​相关工作​。
当前制造业为何不宜自行部署训练人工智能？
qq_35209305的博客
03-30 497
人工智能（AI）正以前所未有的速度渗透到各行各业，其在提高效率、降低成本、改善决策和创造新机会方面的潜力已被广泛认可。制造业作为国民经济的重要支柱，自然也对AI寄予厚望。AI在制造业中展现出巨大的应用价值，尤其是在质量控制、预测性维护、流程优化、供应链管理和产品设计等方面。然而，尽管AI的益处显而易见，当前绝大多数制造企业，尤其是传统制造企业，并不适合自己部署和训练AI模型。这主要是由于投资回报率不高、数字化基础薄弱、数据质量差、存在信息孤岛、缺乏相关AI人才和高人力成本等多重因素所致。
毫米波雷达设计：1.原理与分类
qq_53529450的博客
03-31 1165
毫米波雷达
监测预警中心工作流程汇总
形上得其象，形下合于数；阴阳自济，玄理自明。
04-01 112
【代码】监测预警中心工作流程汇总。
目标识别与双目测距(1)环境搭建：Ubuntu+yolov5+pcl库
SHIE_Ww的博客
03-29 1040
识别不到摄像头（解决如上）问题2：库等不匹配相关问题不匹配1：yolov5 要求的是 torchvision 0.9.1解决：# S1.卸载当前torchvision 版本# S2.安装正确版本的 torchvision# S3.确认 torch 版本是否匹配# S4.如果当前版本与 YOLOv5 要求的不匹配，安装兼容版本# S5.检查依赖是否正确不匹配2：YOLOv5 需要版本 >=2.2 的 tensorboard。
《边缘计算风云录：FPGA与MCU的算力之争》
云轩阁
03-30 430
大漠边缘的“传感器客栈”里，老板娘赛博娘愁眉紧锁——近日，过往商队（物联网设备）激增十倍，客栈的算力结界濒临崩溃： • 视频骆驼队要求实时处理4K驼铃影像； • 温湿度镖局哀求秒级响应粮仓警报； • 机械臂马帮嘶吼着要0.5ms精确控制…… 赛博娘掏出两枚令牌，一枚刻着**“FPGA”（现场可编程门阵列），一枚印着“MCU”**（微控制器），咬牙道：“今夜，谁能镇住这算力沙暴，谁就是边城新主！”
langchain embedding 自定义模型(bge)实现
Python/Java/MySQL技术栈，快来和我一起学习吧 ~
04-02 325
该实现方案在保持 LangChain 兼容性的同时，提供了灵活的自定义能力，可以方便地替换不同的 Transformer 模型，适应各种业务场景需求。
一套AI训推一体化解决方案约等于100万个应用？
最新发布
weixin_43140076的博客
04-02 282
一套AI训推一体化解决方案，加上开源模型，约等于100万个应用。
如何在人工智能项目中应用提示工程技术提高模型的泛化能力？请举例说明。
11-08
提示工程（Prompt Engineering）是人工智能领域中一种新兴的技术，它通过对输入提示的精心设计，来引导和优化模型的行为和输出。这种方法在语言模型和对话系统中尤为常见。在实践中，应用提示工程可以提高模型的泛化能力，让模型在面对未见过的数据时，依然能够给出合理的响应。以下是一些关键提示工程技术的介绍以及如何应用它们的例子： 参考资源链接：[人工智能-提示工程-课件](https://wenku.csdn.net/doc/4yc1kuwipx?spm=1055.2569.3001.10343) - Zero-Shot Prompting：这是一种提示方法，允许模型直接回答它从未明确学习过的问题。例如，如果有一个模型经过训练可以回答有关动物的问题，我们可以直接提问“海豚是哺乳动物吗？”而无需提供示例答案。 - Few-Shot Prompting：在此方法中，模型通过少量的示例来理解任务。例如，给模型提供几个问题和答案的示例，然后询问一个新问题，模型会根据这些示例来回答新问题。 - Chain-of-Thought Prompting：这种方式通过提供一系列逐步的思考过程，帮助模型解决复杂问题。例如，在数学问题中，通过一步一步展示解题过程来引导模型理解问题并找到解决方案。 - Self-Consistency：通过生成多个响应，并选择其中最一致的答案来提高模型的可靠性。例如，在处理多义性问题时，模型会生成多个解释，并选择最合适的那个。 - Generate Knowledge Prompting：这种方法涉及利用外部知识库来增强模型的性能。例如，模型可以在回答问题时引用事实或数据，这些内容来自于一个预先构建的知识库。 - Tree of Thoughts (ToT)：在ToT中，模型生成一个思考过程的树状结构，而不是一个简单的线性答案。这有助于展示模型如何逐步推理出答案。 - Retrieval Augmented Generation (RAG)：结合检索和生成，模型在提供答案之前，会先检索相关的文档或信息。例如，模型在回答关于特定主题的问题之前，会查阅相关的背景资料。 为了深入理解和掌握这些技术，建议参阅《人工智能-提示工程-课件》。这份课件详细介绍了上述各种提示工程技术，包括它们的实现方法、应用场景和潜在风险。通过学习这些内容，你能够更好地将提示工程应用于自己的人工智能项目中，从而提升模型的性能和泛化能力。 参考资源链接：[人工智能-提示工程-课件](https://wenku.csdn.net/doc/4yc1kuwipx?spm=1055.2569.3001.10343)
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值