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

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。

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：

XOT框架包括以下关键步骤：

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。

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。