旅游网站建设的功能,wordpress怎么看分类id,seo网上培训课程,做的好的地方网站【LangChain学习之旅】—#xff08;6#xff09; 提示工程#xff08;下#xff09;#xff1a;用思维链和思维树提升模型思考质量 什么是 Chain of ThoughtFew-Shot CoTZero-Shot CoTChain of Thought 实战CoT 的模板设计程序的完整框架Tree of Thought总结 Reference6 提示工程下用思维链和思维树提升模型思考质量 什么是 Chain of ThoughtFew-Shot CoTZero-Shot CoTChain of Thought 实战CoT 的模板设计程序的完整框架Tree of Thought总结 ReferenceLangChain 实战课
什么是 Chain of Thought
CoT 这个概念来源于学术界是谷歌大脑的 Jason Wei 等人于 2022 年在论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models自我一致性提升了语言模型中的思维链推理能力》中提出来的概念。它提出如果生成一系列的中间推理步骤就能够显著提高大型语言模型进行复杂推理的能力。
Few-Shot CoT
Few-Shot CoT 简单的在提示中提供了一些链式思考示例Chain-of-Thought Prompting足够大的语言模型的推理能力就能够被增强。简单说就是给出一两个示例然后在示例中写清楚推导的过程。
论文中给出了一个大模型通过思维链做数学题的示例。图左和图右大模型都读入了 OneShot 示例但是图左只给出了答案而图右则在 OneShot 示例中给出了解题的具体思路。结果只给出了答案的模型推理错误而给出解题思路后同一个模型生成了正确的答案。
在三种大型语言模型的实验中CoT 在一系列的算术、常识和符号推理任务中都提高了性能。在 GSM8K 数学问题基准测试中通过 CoT 指导后大模型的表现可以达到当时最先进的准确性。
CoT 从概念上非常容易理解从应用上非常容易操作。虽然简单但这种思想可以给我们的开发过程带来很多启发。
比如假设我们正在开发一个 AI 花店助手它的任务是帮助用户选择他们想要的花并生成一个销售列表。在这个过程中我们可以使用 CoT 来引导 AI 的推理过程。
问题理解首先AI 需要理解用户的需求。例如用户可能会说“今天要参加朋友的生日 Party想送束花祝福她。”我们可以给 AI 一个提示模板里面包含示例“遇到 XX 问题我先看自己有没有相关知识有的话就提供答案没有就调用工具搜索有了知识后再试图解决。”—— 这就是给了 AI 一个思维链的示例。信息搜索接下来AI 需要搜索相关信息。例如它可能需要查找哪些花最适合生日派对。决策制定基于收集到的信息AI 需要制定一个决策。我们可以通过思维链让他详细思考决策的流程先做什么后做什么。例如我们可以给它一个示例“遇到生日派对送花的情况我先考虑用户的需求然后查看鲜花的库存最后决定推荐一些玫瑰和百合因为这些花通常适合生日派对。”—— 那么有了生日派对这个场景做示例大模型就能把类似的思维流程运用到其它场景。生成销售列表最后AI 使用 OutputParser 生成一个销售列表包括推荐的花和价格。
在这个过程中整体上思维链引导 AI 从理解问题到搜索信息再到制定决策最后生成销售列表。这种方法不仅使 AI 的推理过程更加清晰也使得生成的销售列表更加符合用户的需求。具体到每一个步骤也可以通过思维链来设计更为详细的提示模板来引导模型每一步的思考都遵循清晰准确的逻辑。
其实 LangChain 的核心组件 Agent 的本质就是进行好的提示工程并大量地使用预置的 FewShot 和 CoT 模板。这个在之后的课程学习中我们会理解得越来越透彻。
Zero-Shot CoT
下面的这两个 CoT 提示模板的例子来自于 Google Research 和东京大学的论文《Large Language Models are Zero-Shot Reasoners》。
图中的d示例非常非常有意思在 Zero-Shot CoT 中你只要简单地告诉模型“让我们一步步的思考Let’s think step by step”模型就能够给出更好的答案 不由得让我联想起最简单的提示工程角色设定——模型回答之前先告诉它“你是一个很有经验的 XX 专家”模型应该就会在开始胡说八道之前三思。
简单总结一下Few-Shot CoT指的就是在带有示例的提示过程中加入思考的步骤从而引导模型给出更好的结果。而 Zero-Shot CoT就是直接告诉模型要一步一步地思考慢慢地推理。
Chain of Thought 实战
现在就让我带着你完成一次 Chain of Thought 的 LangChain 应用开发实战。
项目需求在这个示例中你正在开发一个 AI 运营助手我们要展示 AI 如何根据用户的需求推理和生成答案。然后AI 根据当前的用户请求进行推理提供了具体的花卉建议并解释了为什么选择这些建议。
在这个过程中AI 需要理解客户的需求之后按部就班的思考然后给出最符合逻辑的回答。
CoT 的模板设计
针对这个聊天机器人的需求设计了下面这样的思维链模板。 作为一个为花店电商公司工作的 AI 助手我的目标是帮助客户根据他们的喜好做出明智的决定。 我会按部就班的思考先理解客户的需求然后考虑各种鲜花的涵义最后根据这个需求给出我的推荐。 同时我也会向客户解释我这样推荐的原因。 示例 1 人类我想找一种象征爱情的花。 AI首先我理解你正在寻找一种可以象征爱情的花。在许多文化中红玫瑰被视为爱情的象征这是因为它们的红色通常与热情和浓烈的感情联系在一起。因此考虑到这一点我会推荐红玫瑰。红玫瑰不仅能够象征爱情同时也可以传达出强烈的感情这是你在寻找的。 示例 2 人类我想要一些独特和奇特的花。 AI从你的需求中我理解你想要的是独一无二和引人注目的花朵。兰花是一种非常独特并且颜色鲜艳的花它们在世界上的许多地方都被视为奢侈品和美的象征。因此我建议你考虑兰花。选择兰花可以满足你对独特和奇特的要求而且兰花的美丽和它们所代表的力量和奢侈也可能会吸引你。 AI 的模板开始于对其角色的阐述并给出了一些先前的对话示例Few-Shot Learning来帮助 AI 理解如何处理这种类型的请求。这些示例展示了 AI 如何根据思维链进行思考给出深思熟虑之后的答案。
程序的完整框架
程序的完整代码如下
# 设置环境变量和API密钥
import os
os.environ[OPENAI_API_KEY] 你的OpenAI API Key# 创建聊天模型
from langchain.chat_models import ChatOpenAI
llm ChatOpenAI(temperature0)# 设定 AI 的角色和目标
role_template 你是一个为花店电商公司工作的AI助手, 你的目标是帮助客户根据他们的喜好做出明智的决定# CoT 的关键部分AI 解释推理过程并加入一些先前的对话示例Few-Shot Learning
cot_template
作为一个为花店电商公司工作的AI助手我的目标是帮助客户根据他们的喜好做出明智的决定。 我会按部就班的思考先理解客户的需求然后考虑各种鲜花的涵义最后根据这个需求给出我的推荐。
同时我也会向客户解释我这样推荐的原因。示例 1:人类我想找一种象征爱情的花。AI首先我理解你正在寻找一种可以象征爱情的花。在许多文化中红玫瑰被视为爱情的象征这是因为它们的红色通常与热情和浓烈的感情联系在一起。因此考虑到这一点我会推荐红玫瑰。红玫瑰不仅能够象征爱情同时也可以传达出强烈的感情这是你在寻找的。示例 2:人类我想要一些独特和奇特的花。AI从你的需求中我理解你想要的是独一无二和引人注目的花朵。兰花是一种非常独特并且颜色鲜艳的花它们在世界上的许多地方都被视为奢侈品和美的象征。因此我建议你考虑兰花。选择兰花可以满足你对独特和奇特的要求而且兰花的美丽和它们所代表的力量和奢侈也可能会吸引你。from langchain.prompts import ChatPromptTemplate, HumanMessagePromptTemplate, SystemMessagePromptTemplate
system_prompt_role SystemMessagePromptTemplate.from_template(role_template)
system_prompt_cot SystemMessagePromptTemplate.from_template(cot_template)# 用户的询问
human_template {human_input}
human_prompt HumanMessagePromptTemplate.from_template(human_template)# 将以上所有信息结合为一个聊天提示
chat_prompt ChatPromptTemplate.from_messages([system_prompt_role, system_prompt_cot, human_prompt])prompt chat_prompt.format_prompt(human_input我想为我的女朋友购买一些花。她喜欢粉色和紫色。你有什么建议吗?).to_messages() 这里是引用# 接收用户的询问返回回答结果
response llm(prompt)
print(response)程序中首先设置环境变量 OpenAI 的 API 密钥以便能够使用 OpenAI 的 GPT-4 模型。然后创建聊天模型通过调用ChatOpenAI类创建了一个聊天模型。设置 temperature0 可以让模型生成更确定性的回答即输出更倾向于最可能的结果。
接着定义了 AI 的角色和目标该 AI 为花店电商公司的助手其目标是根据客户的喜好来提供购买建议。紧接着定义 CoT 模板其中包括了 AI 的角色和目标描述、思考链条以及遵循思考链条的一些示例显示了 AI 如何理解问题并给出建议。
之后使用 PromptTemplate 的 from_template 方法来生成相应的询问模板。其中包括用于指导模型的SystemMessagePromptTemplate和用于传递人类问题的 HumanMessagePromptTemplate。
然后我使用了 ChatPromptTemplate.from_messages 方法整合上述定义的角色CoT 模板和用户询问生成聊天提示。
最后将生成的聊天提示输入模型中获得模型的回答并打印出来。
在 Few-Shot CoT 提示的指引之下模型针对我们的问题从问题中的具体需求出发返回了不错的建议。 现在根据你的需求你正在寻找你的女朋友喜欢的粉色和紫色的花。 首先我从理解你的需求出发只会推荐粉色或紫色或者两者的组合的花。这些可能包括粉色的玫瑰紫色的兰花或者是粉色和紫色的花的混合花束。玫瑰是象征爱情和亲情的经典符号而兰花象征着美丽和力量。这两种花都蕴含很棒的内涵。当然了无论你选择哪种花卉重要的是表达出你对她的爱和关心。记得附上一张温馨的贺卡写下你的真挚祝福。 Tree of Thought
CoT 这种思想为大模型带来了更好的答案然而对于需要探索或预判战略的复杂任务来说传统或简单的提示技巧是不够的。基于 CoT 的思想Yao 和 Long 等人几乎在同一时间在论文《Tree of Thoughts: Deliberate Problem Solving with Large Language Models》和《Large Language Model Guided Tree-of-Thought》中进一步提出了思维树Tree of ThoughtsToT框架该框架基于思维链提示进行了总结引导语言模型探索把思维作为中间步骤来解决通用问题。
ToT 是一种解决复杂问题的框架它在需要多步骤推理的任务中引导语言模型搜索一棵由连贯的语言序列解决问题的中间步骤组成的思维树而不是简单地生成一个答案。ToT 框架的核心思想是让模型生成和评估其思维的能力并将其与搜索算法如广度优先搜索和深度优先搜索结合起来进行系统性地探索和验证。 ToT 框架为每个任务定义具体的思维步骤和每个步骤的候选项数量。例如要解决一个数学推理任务先把它分解为 3 个思维步骤并为每个步骤提出多个方案并保留最优的 5 个候选方案。然后在多条思维路径中搜寻最优的解决方案。
这种方法的优势在于模型可以通过观察和评估其自身的思维过程更好地解决问题而不仅仅是基于输入生成输出。这对于需要深度推理的复杂任务非常有用。此外通过引入强化学习、集束搜索等技术可以进一步提高搜索策略的性能并让模型在解决新问题或面临未知情况时有更好的表现。
下面我们应用 ToT 的思想给出一个鲜花运营方面的示例。
假设一个顾客在鲜花网站上询问“我想为我的妻子购买一束鲜花但我不确定应该选择哪种鲜花。她喜欢淡雅的颜色和花香。”
AI使用 ToT 框架 思维步骤 1理解顾客的需求。顾客想为妻子购买鲜花。顾客的妻子喜欢淡雅的颜色和花香。 思维步骤 2考虑可能的鲜花选择。 候选 1百合因为它有淡雅的颜色和花香。 候选 2玫瑰选择淡粉色或白色它们通常有花香。 候选3紫罗兰它有淡雅的颜色和花香。 候选 4桔梗它的颜色淡雅但不一定有花香。 候选 5康乃馨选择淡色系列它们有淡雅的花香。 思维步骤 3根据顾客的需求筛选最佳选择。百合和紫罗兰都符合顾客的需求因为它们都有淡雅的颜色和花香。淡粉色或白色的玫瑰也是一个不错的选择。桔梗可能不是最佳选择因为它可能没有花香。康乃馨是一个可考虑的选择。 思维步骤 4给出建议。“考虑到您妻子喜欢淡雅的颜色和花香我建议您可以选择百合或紫罗兰。淡粉色或白色的玫瑰也是一个很好的选择。希望这些建议能帮助您做出决策” 这个例子可以作为 FewShot 示例之一传递给模型让他学着实现 ToT。
通过在具体的步骤中产生多条思考路径ToT 框架为解决复杂问题提供了一种新的方法这种方法结合了语言模型的生成能力、搜索算法以及强化学习以达到更好的效果。
总结
CoT 的核心思想是通过生成一系列中间推理步骤来增强模型的推理能力。在 Few-Shot CoT 和 Zero-Shot CoT 两种应用方法中前者通过提供链式思考示例传递给模型后者则直接告诉模型进行要按部就班的推理。ToT 进一步扩展了 CoT 的思想通过搜索由连贯的语言序列组成的思维树来解决复杂问题。我通过一个鲜花选择的实例展示了如何在实际应用中使用 ToT 框架。在 GitHub 上有一个 Repo专门给大家介绍 ToT 的应用方法和实例他们还给出了几个非常简单的通用 ToT 提示语就像下面这样。 请你模拟三位出色、逻辑性强的专家合作回答一个问题。每个人都详细地解释他们的思考过程考虑到其他人之前的解释并公开承认错误。在每一步只要可能每位专家都会在其他人的思考基础上进行完善和建设并承认他们的贡献。他们继续直到对问题有一个明确的答案。为了清晰起见您的整个回应应该是一个 Markdown 表格。 问题是…
