思考链(Chain-of-Thought)
思考链(Chain-of-Thought, CoT)是一种高级的提示词技术,它鼓励语言模型(LLM)在生成答案之前进行逻辑推理和解释。这种方法特别适用于需要逻辑推理的复杂任务,可以提高模型输出的准确性。
由于目前大模型发展迅猛,在不复杂任务的情况,大模型有了比以前更强的推理能力;思考链在简单的应用场景下已经变得不那么重要了,以下举一个简单的例子来看看kimi的表现如何
标准提示词
带CoT的提示词
在处理复杂任务时,结合思考链和少量样本提示的策略,仍然是解决复杂逻辑问题的重要手段。
目前,这种技术已经被广泛应用于AI代理(Agent)的开发中。通过可视化代码编排,将复杂的任务分解为一系列子任务,并且在关键节点让大模型介入。这些子任务可以由大型模型逐一高效完成,最终再将它们整合起来,形成完整的解决方案。
目前这种方案被广泛应用于智能机器人、私有知识库等各种领域;
如下图所示的例子,展示了如何通过简单的提示词制作一个提供天气类服务的智能助理
自动思维链(Auto-CoT)
我们也可以考虑通过简单的启示,来促使机器人自我思考,保证每个思考链都是正确的;当然最简单的例子就是要求大模型自己自动分析和拆解,如:
示例Auto-CoT提示词:
问题:如果一个数字的平方加上8等于该数字的3倍,求这个数字。
提示:请自动展示你的推理过程,以解决这个问题。
这个提示词简洁明了,直接引导模型使用Auto-CoT技术。模型将尝试自动地展示从设置方程到解方程的整个推理过程。
同时你也可以自己先把复杂任务的前置条件设定好,引导大模型自发的思考,如:
自动思考链技术对比思考链,提示词可以做到更精简的同时达到一样的效果
往期文章:
第一章:提示词编写入门&1.1提示词(prompt)基本概念