mirror of
https://github.com/dair-ai/Prompt-Engineering-Guide
synced 2024-11-10 01:13:36 +00:00
3de62e5bd3
- Update Chinese translation of the techniques section - For a better reading experience on the Chinese internet, modify the spacing between Chinese and English characters.
110 lines
4.5 KiB
Plaintext
110 lines
4.5 KiB
Plaintext
# Chain-of-Thought Prompting
|
||
|
||
import {Screenshot} from 'components/screenshot'
|
||
import COT from '../../img/cot.png'
|
||
import ZEROCOT from '../../img/zero-cot.png'
|
||
import AUTOCOT from '../../img/auto-cot.png'
|
||
|
||
|
||
## 链式思考（CoT）提示
|
||
|
||
<Screenshot src={COT} alt="COT" />
|
||
|
||
图片来源：[Wei等人（2022）](https://arxiv.org/abs/2201.11903)
|
||
|
||
在 [Wei等人（2022）](https://arxiv.org/abs/2201.11903) 中引入的链式思考（CoT）提示通过中间推理步骤实现了复杂的推理能力。您可以将其与少样本提示相结合，以获得更好的结果，以便在回答之前进行推理的更复杂的任务。
|
||
|
||
*提示：*
|
||
```
|
||
这组数中的奇数加起来是偶数：4、8、9、15、12、2、1。
|
||
A：将所有奇数相加（9、15、1）得到25。答案为False。
|
||
|
||
这组数中的奇数加起来是偶数：17、10、19、4、8、12、24。
|
||
A：将所有奇数相加（17、19）得到36。答案为True。
|
||
|
||
这组数中的奇数加起来是偶数：16、11、14、4、8、13、24。
|
||
A：将所有奇数相加（11、13）得到24。答案为True。
|
||
|
||
这组数中的奇数加起来是偶数：17、9、10、12、13、4、2。
|
||
A：将所有奇数相加（17、9、13）得到39。答案为False。
|
||
|
||
这组数中的奇数加起来是偶数：15、32、5、13、82、7、1。
|
||
A：
|
||
```
|
||
|
||
*输出：*
|
||
```
|
||
将所有奇数相加（15、5、13、7、1）得到41。答案为False。
|
||
```
|
||
|
||
哇！我们可以看到在提供推理步骤时得到了完美的结果。实际上，我们可以通过提供更少的示例来解决此任务，即仅一个示例似乎就足够了：
|
||
|
||
*提示：*
|
||
```
|
||
这组数中的奇数加起来是偶数：4、8、9、15、12、2、1。
|
||
A：将所有奇数相加（9、15、1）得到25。答案为False。
|
||
|
||
这组数中的奇数加起来是偶数：15、32、5、13、82、7、1。
|
||
A：
|
||
```
|
||
|
||
*输出：*
|
||
```
|
||
将所有奇数相加（15、5、13、7、1）得到41。答案为False。
|
||
```
|
||
|
||
请记住，作者声称这是足够大的语言模型才会出现的新兴能力。
|
||
|
||
## 零样本 COT 提示
|
||
|
||
<Screenshot src={ZEROCOT} alt="Zero-shot COT" />
|
||
|
||
图片来源：[Kojima等人（2022）](https://arxiv.org/abs/2205.11916)
|
||
|
||
最近提出的一个新想法是 [零样本CoT](https://arxiv.org/abs/2205.11916)（ Kojima 等人，2022年），它基本上涉及将“让我们逐步思考”添加到原始提示中。让我们尝试一个简单的问题，看看模型的表现如何：
|
||
|
||
*提示：*
|
||
```
|
||
我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。我还剩下多少苹果？
|
||
```
|
||
|
||
*输出：*
|
||
```
|
||
11个苹果
|
||
```
|
||
|
||
答案是不正确的！现在让我们尝试使用特殊提示。
|
||
|
||
*提示：*
|
||
```
|
||
我去市场买了10个苹果。我给了邻居2个苹果和修理工2个苹果。然后我去买了5个苹果并吃了1个。我还剩下多少苹果？
|
||
|
||
让我们逐步思考。
|
||
```
|
||
|
||
*输出：*
|
||
```
|
||
首先，您从10个苹果开始。
|
||
您给了邻居和修理工各2个苹果，所以您还剩下6个苹果。
|
||
然后您买了5个苹果，所以现在您有11个苹果。
|
||
最后，您吃了1个苹果，所以您还剩下10个苹果。
|
||
```
|
||
|
||
令人印象深刻的是，这个简单的提示在这个任务中非常有效。这在您没有太多示例可用于提示时特别有用。
|
||
|
||
## 自动思维链（Auto-CoT）
|
||
当使用思维链提示时，这个过程需要手工制作有效且多样化的例子。这种手动工作可能会导致次优解决方案。[Zhang et al. （2022）](https://arxiv.org/abs/2210.03493) 提出了一种消除人工的方法，即利用 LLMs “让我们一步一步地思考” 提示来生成一个接一个的推理链。这种自动过程仍然可能在生成的链中出现错误。为了减轻错误的影响，演示的多样性很重要。这项工作提出了Auto-CoT，它对具有多样性的问题进行采样，并生成推理链来构建演示。
|
||
|
||
Auto-CoT 主要由两个阶段组成：
|
||
- 阶段1：**问题聚类**：将给定问题划分为几个聚类
|
||
- 阶段2：**演示抽样**：从每组数组中选择一个具有代表性的问题，并使用带有简单启发式的 Zero-Shot-CoT 生成其推理链
|
||
|
||
简单的启发式方法可以是问题的长度（例如，60 个 tokens）和理由的步骤数（例如，5 个推理步骤）。这鼓励模型使用简单而准确的演示。
|
||
|
||
该过程如下图所示：
|
||
|
||
<Screenshot src={AUTOCOT} alt="AUTOCOT" />
|
||
|
||
图片来源：[Zhang等人（2022）](https://arxiv.org/abs/2210.03493)
|
||
|
||
Auto-CoT 的代码可在这里找到：[Github](https://github.com/amazon-science/auto-cot)。 |