5、LangChain —— 提示工程 (下) 思维链和思维树

---

一、Chain of Thought (CoT)

 如果生成一系列的中间推理步骤，就能够显著提高大型语言模型进行复杂推理的能力。

---

二、Few-Shot CoT 和 Zero-Shot CoT

 Few-Shot CoT 简单的在提示中提供了一些 链式思考示例 (Chain-of-Thought Prompting)，足够大的语言模型的推理能力就能够被增强。简单说，就是给出一两个示例，然后在示例中写清楚推导的过程。

其实 LangChain 的核心组件 Agent 的本质就是进行好的提示工程，并大量地使用预置的 FewShot 和 CoT 模板。这个在之后的课程学习中我们会理解得越来越透彻。

 在 Zero-Shot CoT 中，你只要简单地告诉模型 “让我们一步步的思考 (Let’s think step by step)”，模型就能够给出更好的答案！
 这不由得让我联想起最简单的提示工程，角色设定——模型回答之前，先告诉它“ 你是一个很有经验的 XX 专家”，模型应该就会在开始胡说八道之前三思。

 总结一下，Few-Shot CoT，指的就是在带有示例的提示过程中，加入思考的步骤；Zero-Shot CoT，就是直接告诉模型要一步一步地思考，慢慢地推理。

---

三、CoT的模板设计

 针对这个花店电商公司工作的 AI助手的需求，我设计了