【AIGC】COT思维链：让AI学会拆解问题，像人一样思考

引言

在人工智能领域，我们一直在追求让机器像人类一样思考。然而，即使是最先进的AI，也常常被诟病缺乏“常识”，难以理解复杂问题，更不用说像人类一样进行逻辑推理和解决问题了。最经常的表现就是遇到不会的地方，或者一些人一眼能看出来的地方AI在那里胡扯。

为了解决这个问题，一种名为“思维链（Chain of Thought, COT）”的技术应运而生。COT的核心思想是：将复杂问题分解成一系列简单的子问题，并逐步推理出最终答案。 这就像人类在解决问题时，会先将问题拆解成一个个小步骤，然后一步步推理，最终得出结论。​

理解实践

存疑例子

为了理解COT我们先来看个例子。经典的数strawberry里面的r有几个

from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# 模型
model = ChatOpenAI(
    model='deepseek-chat', 
    openai_api_key='sk-xxx',
    openai_api_base='https://api.deepseek.com',
    max_tokens=4096
)
# 定义一个简单的提示模板
prompt_template = PromptTemplate(
    input_variables=["user_input"],
    template="用户: {user_input}\nAI:"
)
# 创建一个链，将提示模板与模型连接起来
chain = LLMChain(llm=model, prompt=prompt_template)

# 手动输入一个值并发送给模型
user_input = "strawberry里面有几个r"
# 发送消息给模型并获取响应
response = chain.run(user_input=user_input)
print(f"\n\nAI: {response}\n")

我们得到的结果是比较糟糕的：

AI: 在单词 "strawberry" 中，有两个字母 "r"。

COT解决

我们开始试着加入cot，让他进行问题的拆解，在进行回答试一下：

from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate

# 模型
model = ChatOpenAI(
    model='deepseek-chat', 
    openai_api_key='sk-xxx',
    openai_api_base='https://api.deepseek.com',
    max_tokens=4096
)
# 定义一个简单的提示模板
prompt_template = PromptTemplate(
    input_variables=["user_input"],
    template="用户: {user_input}\nAI:"
)
# 创建一个链，将提示模板与模型连接起来
chain = LLMChain(llm=model, prompt=prompt_template)

# 手动输入一个值并发送给模型
user_input = '''
回答下面问题并注意回答的时候严格按照以下步骤，逐步进行：
1．将单词拆开
2．从左到右一个,一个对比字母是不是，是的话你要记录他的位置，并记住数量加一
3，第2步数出来多少个r直接输出 
问题：'strawberry'里面有几个r
'''

# 发送消息给模型并获取响应
response = chain.run(user_input=user_input)
print(f"\n\nAI: {response}\n")

结果很好，llm按照我们的思路去进行了单词拆解，并得到了正确的答案。

AI: 1. 将单词拆开: s, t, r, a, w, b, e, r, r, y
2. 从左到右一个,一个对比字母是不是r:
   - 第1个字母是s，不是r
   - 第2个字母是t，不是r
   - 第3个字母是r，是r，记录位置3，数量加一
   - 第4个字母是a，不是r
   - 第5个字母是w，不是r
   - 第6个字母是b，不是r
   - 第7个字母是e，不是r
   - 第8个字母是r，是r，记录位置8，数量加一
   - 第9个字母是r，是r，记录位置9，数量加一
   - 第10个字母是y，不是r
3. 第2步数出来多少个r直接输出: 3

内置COT

上面提到的例子是我们引导llm解决某个具体的例子，但如果我们不知道用户想问什么，但是又想内置思维链怎么办呢？尝试下像我一样写

from langchain_openai import ChatOpenAI
from langchain.chains import LLMChain
from langchain.prompts import PromptTemplate
import json

# 模型
model = ChatOpenAI(
    model='deepseek-chat', 
    openai_api_key='sk-xxx',
    openai_api_base='https://api.deepseek.com',
    max_tokens=4096
)
# 定义一个简单的提示模板
prompt_template = PromptTemplate(
    input_variables=["user_input"],
    template="用户: {user_input}\nAI:"
)
# 创建一个链，将提示模板与模型连接起来
chain = LLMChain(llm=model, prompt=prompt_template)

# 手动输入一个值并发送给模型
initial_prompt = '''
你是一个能够逐步解释推理过程的专家AI助手。对于每一步，提供一个描述你在该步骤中所做内容的标题，以及相应的内容。决定是否需要另一步骤或你已准备好给出最终答案，
，且每次推理你仅执行一步等我说继续才能执行下一步。输出以JSON格式响应，包含 ‘title’, ‘content’, 和 ‘next_action’（要么是 ‘continue’，要么是 ‘final_answer’）键值。

为了提高指令遵从性，通过大写字母强调指令的重要性，包括一组提示和最佳实践：
1、尽可能多地使用推理步骤。至少5步，且每次推理你仅执行一步等我说继续才能执行下一步
2、意识到作为语言模型你的限制以及你能做什么和不能做什么。
3、包括探索替代答案。考虑你可能是错误的，如果你的推理是错误的，错误可能在哪里。
4、当你说你在重新检查时，实际上要重新检查，并采用另一种方法来做。不要只是说你在重新检查。
5、至少使用3种方法得出答案。
6、使用最佳实践。

问题如下：周五昨天的后天是周几
'''

# 发送消息给模型并获取响应
response = chain.run(user_input=initial_prompt)
print(f"\n\nAI: {response}\n")
# 清理响应内容，去掉 ```json 和 ```标记

response = response.strip('```json').strip('```').strip()

# 解析初始响应
response_json = json.loads(response)
history = [response_json]

# 循环直到 next_action 为 final_answer
while response_json['next_action'] != 'final_answer':
    # 更新用户输入，带上历史记录和初始提示词
    user_input = f"{initial_prompt}\n{json.dumps(history)}\n，继续你的下一步推理Z："
    # 发送消息给模型并获取响应
    response = chain.run(user_input=user_input)
    print(f"\n\nAI: {response}\n")
    
    # 清理响应内容，去掉 ```json 和 ```标记
    response = response.strip('```json').strip('```').strip()
    
    # 解析响应
    response_json = json.loads(response)
    history.append(response_json)

    # 确保我们访问的是列表的第一个元素
    if isinstance(response_json, list):
        response_json = response_json[0]

这样我们就将思维链内置好了，llm可以自己去决定问题拆解或停止思考进行回答。

可以看到结果是非常好的，cot对于这种需要多步推理的问题效果尤其的好。

COT的优势

• 提升复杂问题的解决能力： 传统的AI模型通常只能处理简单、直接的任务，而COT可以将复杂问题分解成多个简单的子问题，从而提升模型解决复杂问题的能力。
• 增强模型的可解释性： COT将推理过程可视化，使得模型的决策过程更加透明，便于人类理解和调试。
• 促进模型的学习和进化： COT可以帮助模型更好地理解问题的本质，从而促进模型的学习和进化，使其在解决新问题时更加高效。

COT的未来展望：

COT作为一种新兴的技术，目前还处于发展初期，但其潜力巨大。未来，随着技术的不断进步，COT有望在以下几个方面取得突破：

• 更强大的推理能力： 未来的COT模型将能够处理更加复杂、抽象的问题，并进行更加深入的推理。

• 更强的可解释性： 未来的COT模型将能够提供更加清晰、易懂的推理过程，使得人类可以更好地理解和信任AI的决策。

• 更广泛的应用场景： 未来的COT模型将能够应用于更多的领域，例如医疗诊断、法律咨询、金融分析等。

​

结语

COT思维链的出现，为AI的发展开辟了一条新的道路。它让AI学会了像人类一样思考，将复杂问题分解成简单的步骤，并逐步推理出最终答案。希望我的引导会对你产生启发。关于非编码版可查看思维链COT优化Prompt