融入提示技巧（高级）
输入“/”快速插入内容
融入提示技巧（高级）
融入提示技巧（高级）
2024年7月23日修改
思维链提示工程
思维链(CoT)提示过程是一种最近开发的提示方法，它鼓励大语言模型解释其推理过程。下图显示了 %%few shot standard prompt|few shot standard prompt%%（左)与链式思维提示过程（右）的比较。
常规提示过程 vs 思维链提示过程
思维链的主要思想是通过向大语言模型展示一些少量的 %%样例%%，在样例中解释推理过程，大语言模型在回答提示时也会显示推理过程。这种推理的解释往往会引导出更准确的结果。
示例
以下是演示。通过使用思维链提示过程成功解决相同的问题。
//逻辑思维链
代码块
赵粥粥打算去涠洲岛玩，以下那种方式是更快的旅游方式？
选项1：乘坐1000分钟的公共汽车，然后半小时的火车，最后90分钟的渡船。
选项2：乘坐800分钟的公共汽车，然后1小时的火车，最后一个半小时的渡船。
选项3：乘坐3小时的飞机，但需要提前2小时到达，然后是40分钟的汽车，最后2个小时的渡船
思考逻辑：1个小时=60分钟，你可以将所有时间换算为分钟
“思考逻辑：1个小时=60分钟，你可以将所有时间换算为分钟”这一段，便是思维链具象化的结果，你可以在文本中直接加上这段话，这有助于生成更正确的回答。
结论
思维链已被证明对于算术、常识和符号推理等任务的结果有所改进。
限制
思维链也存在一些限制，较小的模型编写了不合逻辑的思维链会导致精度比标准提示更差。通常，模型从思维链提示过程中获得性能提升的方式与模型的大小成比例。
零样本思维链
思维链的过程，就像是人类思考的过程。但相比人类会有很多情感的干扰，思维链则更像是AI基于自身掌握的知识，进行的逻辑思考。
而我们的指令，就起到了触发AI进行“思考”这样的过程。
零样本思维链（Zero Shot Chain of Thought，Zero-shot-CoT）提示过程(1)是对 %%指令%%(2) 的后续研究，引入了一种非常简单的零样本提示。他们发现，通过在问题的结尾附加“让我们一步步思考。”这几个词，大语言模型能够生成一个回答问题的思维链。从这个思维链中，他们能够提取更准确的答案。