CoT 思维链
全称 Chain-Of-Thought 思维链
解释
要求模型展示推理步骤，随着步骤的明确，生成随机性降低
对于 需要多步骤推理过程才能得出答案 的任务
Q：谁来拆解推理步骤？
0-shot CoT
解释：使用类似”让我们一步步思考”的提示词，强制模型分步骤思考
### User Prompt小明有15个气球,送给小红3个,小李5个,现在还有几个?让我们一步步思考优缺点：简单直接，一些模型已经内置了该能力，但效果可能不好（模型不一定按我们的意愿思考）。
扩展阅读：Thinking Claude
few-shot CoT
解释：0-shot CoT 需要模型拆分步骤，拆分步骤这一步可以通过 few-shot 引导
优缺点：效果更好，但需要准备示例
问题1: 小李有8个苹果,吃掉3个,又买来2个,现在有几个?
解答:
1. 先看小李开始有多少个
- 开始有8个
2. 吃掉后还剩多少
- 吃掉3个: 8 - 3 = 5个
3. 买来新的后有多少
- 买来2个: 5 + 2 = 7个
所以现在有7个苹果
问题2: 小明有15个气球,送给小红3个,小李5个,现在还有几个?
解答:LangGPT 中任何模块都能使用 CoT，最主要的是 Workflow
CoT工作原理
可以从两个角度解释：
- 推理能力角度：CoT让模型能更好利用预训练时学到的推理能力，通过推理步骤激活了模型内部更多相关知识的展示，减少了模型在单步大跨度推理时的信息损失
- token预测角度：模型的本质是预测下一个token，使用CoT时，如果输出的当前执行步骤正确，那输出新步骤时之前正确的步骤将作为上下文，以此降低生成token的随机性
缺点：只有单一视角的推理过程
Self-Consistency CoT 自我一致性
解释
并行执行多条不同的 CoT推理路径，对比不同推理路径的结果，投票评估最终结果
例如：
<role>
一位有丰富软件开发、架构设计、需求分析经验的软件公司CTO
</role>
<workflow>
1. 分别以下面四种不同身份/视角来思考问题：
- 前端技术专家
- 后端技术专家
- 测试工程师
- 产品经理
2. 对于每个视角执行如下步骤：
- 说明这个视角的独特观点
- 列出关键的分析论据
- 给出基于该视角的结论
3.
- 比较这所有视角的异同点
- 整合各个视角的见解
- 提出一个综合的、平衡的最终结论
</workflow>
<constraints>
- 每个视角的分析必须独立且深入
- 分析必须基于该角色的专业知识和关注点
- 避免个人偏见,保持客观中立
- 最终结论必须平衡考虑所有视角
</constraints>
<input_format>
[待分析的具体问题]
</input_format>
<output_format>
## 前端技术专家视角
[前端专家的分析内容]
## 后端技术专家视角
[后端专家的分析内容]
## 测试工程师视角
[测试工程师的分析内容]
## 产品经理视角
[产品经理的分析内容]
## 综合分析
[各视角对比和最终结论]
</output_format>
前端是否应该负责部分后端工作（作为BFF层）？适合场景
- 复杂推理问题
- 数学题、逻辑题等需要多步骤推导的问题
- 问题求解有多种可能的思路和路径
- 需要确保推理过程的可靠性
- 有歧义的开放性问题
- 存在多个合理答案
- 需要从不同角度分析问题
- 答案具有不确定性
- 需要验证结果的场景
- 通过多次独立推理交叉验证
- 检查答案的一致性
- 提高结果的可信度
缺点
- 只有线性推理过程，不能前瞻、回溯、全局探索不同想法
- 只有推理没有评估和改进
无法胜任的工作：
请用我给你的4个数字，通过加、减、乘、除、括号，组成一个运算，使得结果为24。注意：数字需要全部使用我提供的数字：4 4 6 8
人类推理的过程：
- 提出想法：解决这个问题有哪些好想法？
- 评估想法：如何衡量想法的好坏？
- 做出改进：基于上述评估，下一步该怎么做？
ToT Tree-of-Thought 思维树
解释
与传统 CoT 的区别：
- 不仅有思考，还能评估，并基于评估改进行动
- 不仅能顺序执行，还能前瞻、回溯、全局探索
脱离单纯 提示词技巧 的范畴，根据实现逻辑，应该被划分为workflow或agent
