[ PROMPT_NODE_22936 ]
chain-of-thought
[ SKILL_DOCUMENTATION ]
# 思维链 (Chain-of-Thought) 提示词
## 概述
思维链 (CoT) 提示词通过引导大语言模型进行逐步推理，显著提升了其在复杂推理、数学和逻辑任务中的表现。
## 核心技术
### Zero-Shot CoT (零样本思维链)
添加简单的触发短语来引导推理:
python
def zero_shot_cot(query):
return f"""{query}
让我们一步步思考:"""
# 示例
query = "如果一列火车以 60 英里/小时的速度行驶 2.5 小时，它行驶了多远？"
prompt = zero_shot_cot(query)
# 模型输出:
# "让我们一步步思考:
# 1. 速度 = 60 英里/小时
# 2. 时间 = 2.5 小时
# 3. 距离 = 速度 × 时间
# 4. 距离 = 60 × 2.5 = 150 英里
# 答案: 150 英里"
### Few-Shot CoT (少样本思维链)
提供带有明确推理链的示例:
python
few_shot_examples = """
问: Roger 有 5 个网球。他买了 2 罐网球。每罐有 3 个球。他现在有多少个网球？
答: 让我们一步步思考:
1. Roger 开始有 5 个球
2. 他买了 2 罐，每罐 3 个球
3. 罐子里的球: 2 × 3 = 6 个球
4. 总计: 5 + 6 = 11 个球
答案: 11
问: 食堂有 23 个苹果。如果他们用了 20 个做午餐，又买了 6 个，他们现在有多少个？
答: 让我们一步步思考:
1. 开始有 23 个苹果
2. 午餐用了 20 个: 23 - 20 = 3 个苹果剩余
3. 又买了 6 个: 3 + 6 = 9 个苹果
答案: 9
问: {user_query}
答: 让我们一步步思考:"""
### 自洽性 (Self-Consistency)
生成多条推理路径并采取多数投票:
python
import openai
from collections import Counter
def self_consistency_cot(query, n=5, temperature=0.7):
prompt = f"{query}nn让我们一步步思考:"
responses = []
for _ in range(n):
response = openai.ChatCompletion.create(
model="gpt-5",
messages=[{"role": "user", "content": prompt}],
temperature=temperature
)
responses.append(extract_final_answer(response))
# 多数投票
answer_counts = Counter(responses)
final_answer = answer_counts.most_common(1)[0][0]
return {
'answer': final_answer,
'confidence': answer_counts[final_answer] / n,
'all_responses': responses
}
## 高级模式
### 由浅入深 (Least-to-Most) 提示词
将复杂问题分解为更简单的子问题:
python
def least_to_most_prompt(complex_query):
# 第一阶段: 分解
decomp_prompt = f"""将这个复杂问题分解为更简单的子问题:
问题: {complex_query}
子问题:"""
subproblems
粤公网安备44030002003366号