一、任务类型

在使用 CoT Prompts 时，任务类型是目标，也就是说在设计 CoT Prompts 之前，有必要明确哪些类型的任务更容易受到 CoT Prompts 的推动，或者说是不同任务类型如何影响 CoT 的有效性。

封闭领域推理和问答
  • 任务特点：这类任务要求模型在处理时要考虑所有必要的条件和背景知识。这意味着任务本身包含了完整的信息，模型需要从中提取有用的材料进行分析和推理。
  • 模型需求：模型在执行这些任务时，需要能够识别和选择那些与任务解决直接相关的关键材料。也就是说，模型要有能力从提供的背景信息中找到最重要的部分，然后基于这些关键材料进行推理，以得出正确的答案。
  • CoT Prompts 的作用：CoT Prompts 提供了一种推理模式或框架。这种框架能够引导模型逐步推理，帮助模型在复杂的任务中有效地选择和处理信息。
  • 应用场景：在特定任务中，比如数学推理、符号推理、表格问答等，使用 CoT Prompts 可以显著提升模型的表现。这是因为 CoT Prompts 能够帮助模型更好地组织和利用提供的信息，从而在这些任务中表现得更为优越。
开放领域推理和问答
  • 任务特点：这类任务需要模型基于一个大规模的、非结构化的知识库来回答问题。这意味着任务中没有提供所有必要的知识，模型需要依赖自己的知识储备来推导出答案。
  • 模型的挑战：由于问题中不包含所有的信息，模型需要利用自身已经掌握的知识来解决问题。这对模型的知识储备提出了很高的要求。如果模型的知识储备不够丰富或准确，推理出的答案可能也会不准确。
  • CoT Prompts 的依赖性：在这些任务中，CoT Prompts 的效果很大程度上依赖于大模型所掌握的知识的质量。如果模型的知识储备质量高，CoT Prompts 可以帮助模型更好地利用这些知识来逐步推理出正确的答案。
  • 语义理解的需求：某些任务要求模型对自然语言的语义有更深的理解。也就是说，模型不仅要掌握知识，还要能理解并正确解读语言中的复杂含义。
  • CoT Prompts 的限制：如果在这些知识或语义导向的任务中，不恰当地使用 CoT Prompts，反而可能会降低模型的性能。这可能是因为模型在这些任务中无法有效利用 CoT Prompts 提供的推理链条。
  • 解决方案：为了解决这个问题，一些研究尝试使用外部工具为模型注入所需的知识。这些工具可能帮助模型更好地掌握和利用任务所需的知识，从而提升 CoT Prompts 的效果。
代码生成
  • 代码生成旨在根据输入指令生成代码。由于代码的内部逻辑形式，CoT 的逐步推理链条与代码生成所需的能力相一致。

二、Prompt 设计

当任务类型确定后，就需要设计一个有效的 CoT Prompt。除了查询之外，CoT Prompt 中还有两个特殊元素：

  • CoT 示例（CoT Demonstrations）
  • 文本指令（Textual Instructions）

**CoT 示例是几个逐步推理的范例，而文本指令是用于积极引导逐步解决过程的文本序列。**一个 CoT Prompt 应至少包含这些元素之一。

通常，包含示例的 CoT Prompt 被称为 few-shot CoT，不包含示例的称为 zero-shot CoT。下图展示了三个 CoT Prompt 示例。

大模型 | CoT 综述（二）任务类型、Prompt 设计_大模型

图 3：CoT 提示示例。

在 Few-shot 的 CoT 中，示例是必不可少的部分。如上图所示，它是一个（问题、理由、答案）三元组组成的 CoT Prompt，其中理由包含从问题到答案的中间推理步骤。

以下是在设计 Few-shot CoT Prompt 时的关键考虑因素：

1）复杂性：选择更复杂的问题示例，有助于延长模型的推理链，从而提升模型的推理能力。

2）相关性与多样性：

  • 相关性：确保示例与查询问题相似，可以帮助模型更好地模仿正确的推理模式。
  • 多样性：提供多样化的示例可以使模型的推理更加稳健，但过多示例可能引入噪声，影响性能。

3）结构完整性：推理链应包括关键逻辑元素（连接对象）和相应的语言模板，以确保推理的严密性和完整性。

4）数量与顺序：示例的数量和排列顺序会影响模型的性能。过多示例可能增加计算成本，而示例过少则可能导致模型对单一示例过度依赖。

大模型在 Zero-shot 的情境下也能遵循文本指令的能力已经得到过证明。所以，在 Zero-shot 的 CoT 中，可以显式通过文本指令，如“让我们一步一步地思考”，来引导大模型进行逐步的推理。即使没有示例，这种简单的零样本策略在某些任务中的效果也令人印象深刻，相较于非 CoT 的方法，表明这些文本指令能有效地引发 LLM 的推理能力。一些研究还发现，结合这些文本指令与 few-shot CoT，可以进一步提高模型的性能。