Prompt提示工程上手指南:基础原理及实践-思维树 (ToT)策略下的Prompt

fanstuck

已于 2024-11-05 15:39:55 修改

阅读量3.8k

点赞数 42

分类专栏：一文速学-人工智能项目实战文章标签： prompt 人工智能 LLM AIGC

于 2024-04-16 14:33:36 首次发布

本文链接：https://blog.csdn.net/master_hunter/article/details/137824280

版权

一文速学-人工智能项目实战专栏收录该内容

56 篇文章 ¥29.90 ¥99.00

订阅专栏

超级会员免费看

本文介绍了思维树(ToT)框架，一种用于提升通用语言模型解决问题能力的技术。它扩展了传统的CoT，通过树状结构表示语义信息，使AI能够深思熟虑并生成多样化的答案。文章详细阐述了ToT的工作原理，包括树构建、路径选择和信息整合，以及其在实验中的表现和优势。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

前言

此篇文章已经是本系列的第五篇文章，之前我们已经将检索增强生成(RAG)策略，逐渐我们掌握的知识和技术都在不断提高，对于Prompt的技巧策略也不能只局限于局部运用而要适应LLM大模型的整体框架去进行改进休整。较为主流的LLM模型框架设计基于链式思考（CoT）、思维树 (ToT)和检索增强生成 (RAG)这三大框架我们现在要开始了解学习思维树 (ToT)。

如何建立一个[解决通用问题的语言模型]？如何能够让LLM能够深思熟虑的解决问题？我们人类通过搜索一个组合式问题空间来解决问题。这可以看作一棵树，其中节点表示部分解，分支对应修改它们的运算符。选择哪个分支是由启发式决定的，这些启发式帮助导航问题空间并引导问题解决者朝着解决方案的方向前进。正因如此思维树（ToT）可以被视为一种进化版的提示（prompt）策略，它扩展了这一概念并引入了更加复杂的思维结构，以更好地引导模型生成准确、连贯的输出。

博主承诺每篇文章我都会尽可能将简化涉及到垂直领域的专业知识，转化为大众小白可以读懂易于理解的知识，将繁杂的程序创建步骤逐个拆解，以逐步递进的方式由难转易逐渐掌握并实践，欢迎各位学习者关注博主，博主将不断创作技术实用前沿文章。