本文主要是介绍LLM之Prompt（三）| XoT：使用强化学习和蒙特卡罗树搜索将外部知识注入Prompt中，性能超过CoT，ToT和GoT，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！
论文地址：https://arxiv.org/pdf/2311.04254.pdf
一、当前Prompt技术的局限性
LLM使用自然语言Prompt可以将复杂的问题分解为更易于管理的“thought”可以回复用户的问题。然而，大多数现有的Prompt技术都有局限性：
- 输入输出（IO）Prompt：仅适用于具有单步解决方案的简单问题，它缺乏灵活性；
- 思维链（CoT）：能够解决多步问题，但仅限于线性思维结构，也缺少灵活性；
- 思维树（ToT）和思维图（GoT）：允许更灵活的思维结构，如树或图。然而，它们需要LLM来评估中间的thought，由于多次调用LLM会产生巨大的计算成本。
PS：当前的Prompt技术面临“Penrose Triangle”约束——最多可以实现（性能、效率和灵活性）中两个属性，三个属性不能同时实现。
常见Prompt技术对比，如下图所示：
输入输出（IO）Prompt（图1（a））：IO方法在不提供任何中间thought过程的情况下，直接指导LLM解决问题；
思维链（CoT）（图1（b））：CoT将待解决问题分解为一系列的thought链，让LLM能够一步一步地处理复杂的问题；
自洽CoT（CoT-SC）（图1（c））：CoT SC使用多个CoT实例从而让LLM生成多个输出，它从中选择最佳的输出，与普通的CoT相比，提供了更稳健和一致的推理；
思维树（ToT）（图1（d））：ToT以树状结构组织思想并利用搜索算法（例如，广度优先搜索、深度优先搜索）将树扩展到追求最佳解决方案。但是ToT中的thought评价依赖于LLM本身，需要多次调用LLM进行推理，这昂贵且低效；
思维图（GoT）（图1（e））：GoT扩展了ToT方法，通过thought聚合和细化生成类似图形的思想结构。
PS：在中间搜索阶段期间。尽管这种方法允许更灵活的思维结构仍然需要多次LLM推理调用进行评估，从而产生显著的计算成本。
二、XOT介绍
为了解决上述Prompt的这些局限性，本文将介绍一种新的Prompt技术XOT（Everything of Thoughts）。XOT使用强化学习和蒙特卡罗树搜索（MCTS）将外部知识注入Prompt过程。
XOT的关键组成部分是：
- MCTS模块——使用轻量级的策略和价值网络，通过模拟有效地探索任务的潜在思维结构；
- LLM求解器——利用LLM的内部知识，对MCTS中的思想进行提炼和修正。这种协作过程提高了思维质量。
三、XOT工作原理
XOT框架包括以下关键步骤：
-
预训练阶段：对MCTS模块进行特定任务的预训练，以学习有关高效thought搜索的领域知识。轻量级策略和价值网络指导搜索；
-
Thought搜索：在推理过程中，预训练的MCTS模块使用策略/价值网络来有效地探索和生成LLM的thought轨迹；
-
Thought修正：LLM审查MCTS生成的thought，并识别其中可能的任何错误，如果有错误，再通过额外的MCTS模拟产生修正后的thought；
-
LLM推理：把包括修改thought后的最终Prompt提供给LLM来解决问题。
下图说明了XOT框架：
MCTS模块针对特定任务进行预训练，使用策略和价值网络来指导搜索和学习领域知识。
-
在thought搜索过程中，预训练的MCTS使用策略和价值网络来有效地探索搜索空间并生成thought轨迹。整个过程迭代地选择、扩展、评估和反向传播节点；
-
thought轨迹提供给LLM作为Prompt；
-
LLM使用其内部知识来检测thought中的任何错误；
-
如果发现错误，MCTS模块将用于通过额外的模拟来修改thought；
-
该过程重复进行，直到LLM使用修订后的高质量thought解决问题。
四、XOT Pocket Cube问题实战
我们使用Pocket Cube问题（2x2x2魔方）来看一下XOT是如何工作的？
-
选择：算法从根节点开始，从可用集合中选择一个动作，用于在当前状态下生成单步思想。这个过程一直持续到到达当前树中的一个叶节点为止。该选择由PUCT算法指导，旨在最大化置信上限（UCB）；
-
评估和扩展：到达之前未选择的叶节点后，我们扩展到下一步新思想探索的状态。这种扩展涉及对其值和状态的作用概率的评估，这些值和作用概率由θ参数化的神经网络建模，(Pθ(s), vθ(s)) = fθ(s)。这里，Pθ(s)是s上所有动作的先验概率，vθ(s)表示其预测状态值。这两个值被保留和存储用于备份目的，状态s被标记为“已访问”；
-
反向传播：在上述阶段对叶节点进行扩展后，可能是未探索状态或终端状态，算法继续通过反向传播更新所有Q(s,a)值。对于未探索的节点，这种更新涉及计算其估计值vθ的平均值，而对于终止的节点，它是基于真实奖励r。这些更新是在信息沿着轨迹反向传播到后续节点时发生的。此外，每个状态操作对的访问计数也会增加；
-
思想推理：在MCTS完成搜索后，提取思想并将其提供给LLM。LLM然后审查和提炼这些想法，如果需要，继续MCTS搜索过程，并最终通过将这些外部想法与其内部知识相结合来制定最终答案。
PS：重复此过程，直到问题得到解决或达到预定义的迭代次数。
五、XOT的主要优点
与现有Prompt技术相比，XOT有以下优点：
- 性能：MCTS探索将领域知识注入思想来增强LLM能力。协作修订过程进一步提高了thought质量；
- 效率：轻量级策略/价值网络指导MCTS，最大限度地减少昂贵的LLM呼叫。推理过程中只需要调用1-2次即可；
- 灵活性：MCTS可以探索不同的思维结构，如链、树和图，从而实现创造性思维。
PS：XOT实现了其他Prompt范式不能同时满足“Penrose Triangle”。
六、XOT实验结果
研究人员在需要长期规划的复杂任务上评估了XOT，如《24小时游戏》、《8拼图》和《口袋魔方》。一些关键发现：
- XOT在所有任务中的准确性显著优于IO、CoT、ToT和GoT等基线；
- 经过thought修正，XOT在《24小时游戏》中仅使用1–2个LLM调用就实现了高达90%的准确率，证明了高效性；
- XOT高效地生成了多种多样的问题解决方案，展现了灵活性；
- 对于8-Puzzle和Pocket Cube等空间推理任务，XOT使LLM能够解决他们以前遇到的问题。
PS：这些结果突出了XOT如何通过高效灵活的提示释放LLM在复杂问题解决方面的潜力。
参考文献：
[1] https://medium.com/@raphael.mansuy/xot-a-new-prompting-technique-for-ai-the-secret-sauce-to-level-up-your-llms-reasoning-prowess-3e19703ab582
这篇关于LLM之Prompt（三）| XoT：使用强化学习和蒙特卡罗树搜索将外部知识注入Prompt中，性能超过CoT，ToT和GoT的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！
