一文总结提示工程框架，除了CoT还有ToT、GoT、AoT、SoT、PoT

夕小瑶科技说 原创
编译 | 谢年年

大语言模型LLM被视为一个巨大的知识库，它可以根据你提出问题或陈述的方式来提供答案。就像人类可能会根据问题的不同提供不同的答案一样，LLM也可以根据输入的不同给出不同的答案。因此，你的问题或陈述方式就显得非常重要。

如何引导大语言模型给出更恰当的答案，是最近研究的热点。经常用到的方法如让大模型扮演一个角色，或是给出几个示例都可以引导大模型给出更好的答案。除此之外还有一直以来很火热的思维链的方法也是值得尝试的。

在这篇文章中，我们总结了各种增强LLM推理的提示工程框架，包括：

• Chain-of-Thought[1]

• Chain-of-Thought-Self-Consistency[2]

• Tree-of-Thoughts[3]

• Graph-of-Thoughts[4]

• Algorithm-of-Thoughts[5]

• Skeleton-of-Thought[6]

• Program-of-Thoughts[7]

一起来看看吧~

大模型研究测试传送门

GPT-4传送门（免墙，可直接测试，遇浏览器警告点高级/继续访问即可）：
https://gpt4test.com

Chain-of-Thought思维链

与其直接输出答案，不如为语言模型提供中间推理示例来指导其响应。

思维链(CoT) 被认为最具开拓性和影响力的提示工程技术之一，它可以增强大型语言模型在决策过程中的表现。

与传统的提示方法强调直接的输入和输出互动不同，CoT迫使模型将推理过程划分为中间步骤。这种方法类似于人类的认知过程，将复杂的挑战分解为更小、更易于管理的部分。

▲Chain-of-Thought Prompting, source: Wei et al. (2022)

如上图中的例子，对于一个数学问题：“罗杰拥有5个网球，随后购买了2罐网球，每个罐含有3个球。他现在拥有多少个网球？”我们可以通过逐步分析来解答这个问题。

1. 首先