DSPy：构建一个逻辑推理器

介绍

让我们使用 DSPy 构建一个逻辑推理器。
推理器的原理很简单。给定一段文本，它首先提取事实，并将它们归类为前提和结论。

• 前提是论点声称将支持其结论的陈述或事实。它们是认为结论为真的理由。
• 结论是前提应该支持或证明的陈述。这是演讲者或作者试图让你基于所提供的前提相信的内容。

正确识别前提和结论至关重要。这涉及到理解论点的结构，这些结构可能是明确的或隐含的。逻辑、批判性思维或论证理论的训练可以提高这项技能。
在识别了前提和结论之后，推理者必须检查所做论点的有效性和合理性。

• 有效性涉及的是论点的逻辑结构是否是这样的：如果前提是真的，那么结论也必然是真的。这是对论点形式的检验。
• 健全性是关于前提本身的真理。如果一个论证既有效，其前提又为真，则该论证是健全的。

代码实现

第一步，显然，是配置我们将要使用的语言模型。由于我们将进行逻辑推理，使用 GPT-4 是明智的。它比 GPT-3.5-turbo 具有更好的“推理”能力。

import dspy
import os
from dotenv import load_dotenv

load_dotenv()

llm = dspy.OpenAI(
    model='gpt-4',
    api_key=os.environ['OPENAI_API_KEY'],
    max_tokens=100
)

dspy.settings.configure(lm=llm)

第二步是定义 check_logic 签名，这将帮助我们验证从输入文本中提取的结论与提取的前提是否一致。

class check_logic(dspy.Signature):
   """给定一个论点的前提和结论，检查结论是否合乎逻辑。"""
# 创建一个输入字段，用于输入论点的前提
    premises = dspy.InputField(desc="论点的前提")
    
    # 创建一个输入字段，用于输入论点的结论
    conclusions = dspy.InputField(desc="论点的结论")
    
    # 创建一个输出字段，用于指示给定前提下结论是否合乎逻辑
    logical = dspy.OutputField(desc="给定前提，结论是否合乎逻辑")

最后，我们定义了 logical_reasoner 模块，并在示例上对其进行了测试。如前所述，logical_reasoner 首先提取前提和结论。然后，它检查结论是否与前提一致。

# 定义一个名为 logical_reasoner 的类，它继承自 dspy.Module 类。
class logical_reasoner(dspy.Module):
    # 类的构造函数（初始化方法）。
    def __init__(self):
        # 调用父类 dspy.Module 的构造函数。
        super().__init__()
        # 初始化一个用于文本到前提、结论预测的 Predict 对象。
        self.logical_reasoner = dspy.Predict("text -> premises, conclusions")
        # 初始化一个用于检查逻辑的 ChainOfThought 对象。
        self.checker = dspy.ChainOfThought(check_logic)

    # 定义 forward 方法，它是逻辑推理器的主要执行方法。
    def forward(self, text):
        # 使用 logical_reasoner 对象对输入文本进行预测，得到前提和结论。
        prediction = self.logical_reasoner(text=text)
        # 使用 checker 对象检查预测得到的前提和结论是否逻辑一致。
        result = self.checker(premises=prediction.premises, conclusions=prediction.conclusions)
        # 返回检查结果。
        return result

# 定义一个输入文本，这是一个逻辑推理的示例。
text = "如果正在下雨，那么草是湿的。草是湿的。因此，并没有下雨。"

# 实例化 logical_reasoner 类。
lr = logical_reasoner()

# 使用逻辑推理器实例对输入文本进行推理，并打印结果。
print(lr(text=text))

结果，我们的 logical_reasoner 正确地检测到了文本中的逻辑问题。

Prediction(
    rationale='推导出逻辑性。我们从第一个前提知道，如果下雨，那么草就会湿。然而，第二个前提仅仅告诉我们草是湿的。它并没有告诉我们草为何会湿。草湿可能有其他原因，比如有人浇了水或者早晨的露水。因此，我们不能仅仅因为草是湿的就得出没有下雨的结论。',
    # 逻辑性判断部分明确指出，根据给出的前提，得出的结论在逻辑上是不成立的。
    logical='根据前提，结论不合逻辑。'
)

第二代码实现

在第一次代码实现中，我们没有检查每个前提是否在一开始就是合理的。错误的前提仍然可以逻辑上导致一个结论。但是，由于前提是错误的，所以这个结论也将是错误的。

import dspy
import os
from dotenv import load_dotenv

# 加载环境变量。
load_dotenv()

# 初始化一个与 OpenAI API 交互的 dspy.OpenAI 对象。
llm = dspy.OpenAI(
    模型='gpt-4',  # 使用 OpenAI 的 gpt-4 模型。
    api_key=os.environ['OPENAI_API_KEY'],  # 从环境变量中获取 API 密钥。
    最大令牌数=100  # 设置生成的最大令牌数。
)

# 配置 dspy 的设置，将 llm 设置为语言模型。
dspy.settings.configure(lm=llm)

# 定义 check_logic 类，它是一个用于检查结论逻辑性的 dspy.Signature。
class check_logic(dspy.Signature):
    """
    给定论点的前提和结论，检查结论是否逻辑上合理。
    """
    premises  = dspy.InputField(desc="论点的前提")
    conclusions  = dspy.InputField(desc="论点的结论")
    sound  = dspy.InputField(desc="前提是否合理")
    logical  = dspy.OutputField(desc="给定前提，结论是否逻辑上合理")

# 定义 check_premises 类，它是一个用于检查前提是否合理的 dspy.Signature。
class check_premises(dspy.Signature):
    """
    给定论点的前提，检查前提是否合理。
    """
    premises  = dspy.InputField(desc="论点的前提")
    sound  = dspy.OutputField(desc="前提是否合理")

# 定义 logical_reasoner 类，它是一个用于逻辑推理的 dspy.Module。
class logical_reasoner(dspy.Module):
    def __init__(self):
        super().__init__()
        self.logical_reasoner = dspy.Predict("text -> premises, conclusions")
        self.check_prems = dspy.Predict(check_premises)
        self.checker = dspy.ChainOfThought(check_logic)

    def forward(self,text):
        prediction = self.logical_reasoner(text=text)
        sound = self.check_prems(premises=prediction.premises)
        result = self.checker(premises=prediction.premises, conclusions=prediction.conclusions, sound=sound.sound)
        return result

text="If it is raining, then the grass is wet. The grass is wet. Therefore, it is raining."

lr = logical_reasoner()

print(lr(text=text))

这是检查前提合理性的代码。如果你理解了我们之前所做的，它应该是不言自明的。