![]()
点击上方
蓝色
“
顶层架构领域
”，关注精彩与你分享
Prompt的技巧策略应适应LLM大模型框架进行改进，主要框架包括链式思考、思维树和检索增强生成。本文将深入学习思维树，探讨如何建立解决通用问题的语言模型，并使LLM深思熟虑地解决问题。思维树是进化版的提示策略，引入复杂思维结构，以引导模型生成准确、连贯的输出。
一、何为思维树(ToT)
想象一下，你正在驾驶一辆汽车，没有地图的情况下如何进入正确的路口，找到最佳的路径？在这样的场景下，思维树就像是一张详细的道路地图。在这张地图上，不同的道路代表着不同的语义信息，而交叉口和路标则代表着不同的思维节点。当你提出一个问题或者输入一个请求时，就相当于输入了目的地，而思维树会根据你的输入在地图上找到最佳的路径，指引你达到目的地。
思维树作为一种新型导航系统，在智能和灵活性方面超越了传统模型。它不仅规划出最短路线，还根据个人需求和具体情境进行路线调整。
例如，在提出问题时，思维树能够综合考虑问题的多维度，探索多条相关路径，并呈现多样化的解决方案。
随着问题表述的更改或更多信息的添加，思维树能够动态调整其路线规划，以提供更加精确的答案。这种系统如同一个富有洞察力的向导，助力我们更深入地理解和生成自然语言，确保信息输出的准确性和连贯性。
ToT框架的核心概念是以树状结构来表示语义信息。
这种结构是一个数据形式和抽象概念，帮助模型理解输入序列的语义信息并在生成输出时参考这些信息。它使得ToT框架能更好地模拟人类思维，产生自然、准确的文本。
-
-
-
-
图1：展示了利用LLMS解决问题的方法。每个框表示一个连贯的思考过程，作为解决步骤。
二、TOT核心框架
ToT核心框架的讲解深入，但本文避免使用复杂公式。
CoT方法通过逐步展示模型的响应过程，降低了结果不准确的风险并简化了评估。
这种方法不仅显示最终答案或解决方案，还展示了达到答案的具体步骤，特别适用于教育和解释复杂问题，以及需要详细说明决策过程的情况。它让用户能够跟踪模型的思考过程，理解从问题描述到结论的路径。
ToT(Tree of Thoughts)被视为CoT (Chain of Thoughts)的升级版，主要是因为它在表示和利用语义信息方面更加强大和灵活。ToT使用树状结构表示语义信息，与CoT的线性链式不同，ToT能更好地捕捉和表示复杂语义关系，提高对自然语言的理解和生成。
通过引入树状结构，ToT能够同时考虑多个思维路径，不仅限于单一线性结构。这使得ToT能根据不同的语境和需求生成多样化的输出，实现语义的分层和组织。
在ToT框架中，节点代表语义单元如概念或主题。节点通过边相连形成关联网络。模型接收序列后寻找相关节点并据此生成输出。
ToT框架能同时考虑多条思维路径并根据语义信息动态调整输出策略，使其生成文本灵活、多样化并适应不同语境。
点击上方
