什么是链式思维提示法？

如果你用过GPT 聊天机器人（如 ChatGPT），你可能注意到输出质量参差不齐。

有时候它能给出你正需要的答案，有时候你会怀疑AI的“智能”其实有点名不副实。

你可以通过改进提示方式，让你的ChatGPT技能更进一步。链式思维提示鼓励LLM代理逐步推理任务，再生成回复。

更新的 AI 模型和功能已经开始内置链式思维推理，让模型无需额外提示就能自动推理解决问题。

什么是链式思维提示法？

链式思维提示是一种 AI 提示工程技术，指导模型将复杂任务拆解为多个步骤，逐步推理后再给出回应。

你可能还会听到“链式思维推理”这个术语。它指的是模型在处理任务时，逐步推理的过程。

OpenAI o1 模型无需链式思维提示，因为它们本身就内置了链式思维推理。但你仍然可以在任何基于 LLM 的聊天机器人上使用链式思维提示。

链式思维推理是如何工作的？

链式思维推理是将一个问题分解为更小的逻辑步骤，让AI聊天机器人依次解决。

首先，AI会识别出问题的关键部分。然后依次处理每个部分，考虑每一步如何衔接。每一步都建立在前一步的基础上，使AI能够有条不紊地推理出合理结论。

链式思维提示示例

著名的“草莓”提示词

ChatGPT和其他大语言模型有一些众所周知的弱点。其中之一就是无法正确判断“strawberry”这个单词里有多少个“R”。（这可能也是o1模型代号“Strawberry”的著名由来。）

ChatGPT-4o 并不采用链式思维推理。它是基于训练数据，按照每个词最有可能跟随前一个词的概率生成回复。虽然大多数时候听起来很合理，但它只是为了模仿人类语言——并不是在推理或做研究。

当你向ChatGPT-4o提出著名的草莓问题时，它无法给出正确答案：

‍

不过，你可以使用链式思维提示技巧，帮助由LLM驱动的聊天机器人得出正确答案：

‍

由OpenAI o1-preview驱动的最新ChatGPT，是首个无需额外提示即可使用链式思维推理的大型语言模型。

它第一次就能答对，因为它被指示自动按照上面ChatGPT-4o第二个提示的流程来解题。唯一不同的是，这一过程无需额外提示即可完成。

数学

如果你问旧版本的ChatGPT一道小学数学题，它未必总能答对。

多步数学题需要推理能力，而早期的大型语言模型并不具备。如果你能分解每一步，模型可以协助，但如果你不知道正确步骤，LLM 也帮不上忙。

ChatGPT-4o能够通过分解问题中的步骤，推理出该问题的答案：

连接到Hubspot的AI智能体

举个实际应用例子，假设有一个集成到Hubspot的LLM驱动AI代理。销售团队用这个AI代理处理各渠道收集到的新线索。

场景

‍销售人员将新线索发送给AI代理，并要求其在Hubspot中登记并发送首次联系邮件，但如果该线索所在公司已是潜在客户，则不填写。

没有链式思维推理的大语言模型

‍这个由LLM驱动的AI代理在未检查公司是否已为潜在客户的情况下注册了线索并发送了邮件，遗漏了关键条件。

具备链式思维推理的 LLM

‍由LLM驱动的AI智能体会在采取行动前检查该公司是否已是潜在客户。如果是，则跳过注册和发送邮件；如果不是，则会注册线索并发送邮件，准确执行销售人员的指令。

什么时候应该使用链式思维提示？

链式思维提示适用于需要逐步推理的场景。

最适合的任务包括逻辑推理、数学问题、流程性任务或任何需要多步解答的场景。

但等等：推理听起来很棒——为什么不一直用它？

好问题。并不是所有问题都需要推理。例如：

• 简单的事实类问题，如“加拿大的首都是什么？”
• 单步问题，例如“145 + 37等于多少？”
• 内容生成任务，例如“写一封礼貌的三句话邮件，询问同事项目是否完成”。

提示词变化与链式思维提示

虽然名字相似，提示链和链式思维提示其实是两种不同的生成式AI提示策略。

链式思维提示

通过链式思维提示，用户可以引导AI在一次回复中解释其答案背后的推理过程。这种方式促使AI逐步阐述解决问题的每一步，但只需一次提示和回复即可完成。

例如，链式思维提示可以通过一条消息完成：

“人力资源团队需要审核5份员工绩效评估，每份需30分钟，事前准备需15分钟。高级评估每份还需额外10分钟。完成5份高级和25份初级评估总共需要多长时间？请逐步分解你的推理过程。”

提示链

使用提示链时，任务被拆分为多个独立步骤，每个提示都基于上一步的结果。这有助于为AI梳理和引导复杂任务，通常涉及推理。

第一个提示可能是：

提示 1：识别企业在转向远程办公时可能面临的主要挑战。

输出：

• 沟通障碍
• 保持生产力
• 技术基础设施
• 员工参与度

接下来的提示可以进一步探讨这些概念。例如：

提示2：请说明公司在转向远程办公时，如何解决沟通障碍。

在下一轮输出后，链的下一个环节可能是：

提示3：企业在采用这些解决方案时通常会遇到哪些挑战？

因此，虽然两者相似，但它们在从生成式AI工具中提取深入且相关内容时采用了不同的方法。

在Botpress上实现链式思维提示

Botpress 用户已经熟悉了一项采用链式思维推理的功能。

Autonomous Node于2024年7月在Botpress平台首次亮相，这是一款用于构建AI代理的平台。Autonomous Node能够自动化多步骤流程，并自主做出决策。

只需一句简单的文本，就能创建并激活一个Autonomous Node，比如：“你的目标是生成合格线索。当用户有购买意向时，在Salesforce中创建线索。”

你用这个Autonomous Node构建的AI代理将会自主采取多种行动以达成目标，无需依赖人工设计的流程。它还可以根据需要在不同LLM之间切换，灵活选择速度或性能优先。

构建自定义自主代理

Botpress是唯一能够让你构建真正自主代理的AI代理平台。

开放灵活的Botpress Studio适用于各行各业的无限场景，从人力资源到线索获取。我们预置的集成库和丰富的教程，让用户可以轻松从零开始构建AI代理。

立即开始构建。 免费使用。

或联系我们的销售团队。

常见问题

1. 链式思维提示只对AI模型有用，还是也反映了人类解决问题的方式？

链式思维提示不仅对AI模型有用，也反映了人类解决问题的方式，因为它模拟了人们逐步推理、分解复杂问题的自然过程。

2. 链式思维推理与单纯“逐步思考”有何不同？

虽然“逐步思考”是一种通用方法，但链式思维推理更具结构性和条理性，鼓励AI模型明确表达中间推理步骤，而不是直接给出结论。

3. 为什么有些LLM默认不使用链式思维推理？

部分大型语言模型，尤其是早期或体量较小的模型，默认并不采用链式思维推理，因为它们没有经过多步骤输出的微调，而是更侧重于根据训练数据模式预测最可能的答案。

4. 链式思维提示是否算是推理阶段对模型的一种“训练”？

不，链式思维提示不是一种训练方式；它不会改变模型的权重或知识。它是在推理阶段通过提示引导模型进行结构化推理，从而影响输出行为。

5. 链式思维提示总是能提升准确率吗？

链式思维提示并不总能提升准确率。它通常对需要多步推理的任务有帮助，但在简单任务中可能会增加不必要的复杂性，甚至降低性能。