AI Agents系列—— 探究大模型的推理能力，关于Chain-of-Thought的那些事儿

本文主要是介绍AI Agents系列—— 探究大模型的推理能力，关于Chain-of-Thought的那些事儿，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！

一、写在前面：关于AI Agents与CoT

本文是2023.07.24发表在同名公众号「陌北有棵树」上的一篇文章，个人观点是基础理论的学习现在仍是有必要的，所以搬运过来。

今天要读的论文是《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》，算是关于大模型思维链研究的开山之作。

至于为什么把它归到AI Agents系列，其实我最开始是在写一篇关于AI Agents的文章，但是写着写着发现里面的细节太多，如果只用一篇总结式的文章来写的话，有些浅尝辄止，所以决定拆开来一步步完成。我先跑个题说说AI Agents…

关于大家最近都不卷大模型了，开始卷AI Agents这件事儿，我的理解是这样的：在LLM诞生之初，大家对于其能力的边界还没有清晰的认知，以为有了LLM就可以直通AGI了，所以当时大家以为的路线是这样：

但是，过了一段时间，大家发现，LLM的既有问题（比如幻觉问题、容量限制问题…），导致它并不能直接到达AGI，于是路线变成了如下图，我们需要借助一个或者多个Agent，构建一个新的形态，来继续实现通往AGI的道路。但这条路是否能走通，以及还面临着哪些问题，都是有待进一步验证的。

关于AI Agents这个概念也不是最近才出现，只是由于大模型的出现，衍生出了一种新的架构形式。OpenAI的应用主管写了一篇博文，详细介绍了这个架构，并将其命名为“LLM Powered Autonomous Agents”，这种基于大模型能力的自动化智能体的主要组成部分如下：

仔细地仔细的阅读了《LLM Powered Autonomous Agents》这篇文章之后，整理了一份思维导图（为了便于展示折叠了部分内容），该架构将LLM类比为大脑一样的角色，结合Memory、Tools组件，构成该体系的全貌。

在这套框架里，将最重要的「任务规划」部分完全交由LLM，而做出这一设计的依据在于默认LLM具有任务分解和反思的能力。对于任务分解，就不得不说到「思维链（CoT，Chain of thought）」和「思维树（Tree of Thoughts）」：思维链是通过提示模型“逐步思考”，以利用更多的测试时间计算将困难任务分解为更小，更简单的步骤。思维树首先将问题分解为多个思考步骤，并且每个步骤都生成多个想法，从而可以创建一个树形结构。

但无论是任务分解还是反思，目前都是在「LLM具有逻辑推理能力」这个预设上面的，基于此我们才将大脑所承担的功能交给LLM。其实说白了就都还是Prompt工程，也就是如何通过Prompt来激发LLM的任务分解能力和反思能力。而思维链和思维树，当前也还是既不能证实也不能证伪的阶段。与此同时，这种架构设计下，LLM的能力上限也就约等于AI Agents的上限。

所以我暂时把感兴趣的Generative Agents、Auto-GPT放到一边，先对思维链种草了…

二、CoT的概念和解释

先举个栗子来说明CoT Prompting，下图的左右分别是一个标准Prompting和 CoT Prompting来处理推理任务的代表。

对于标准Prompting，首先这是一个少样本学习的方法，需要给出一些问题和答案的样例，然后拼接想要求解的问题，最后再拼接一个字符串“A:”之后输入到大语言模型中，让大语言模型进行续写。大语言模型会在所提供的问题和答案的样例中学习如何求解，结果发现很容易出错。

对于CoT Prompting，它与 Standard prompting 唯一的区别就是，CoT 在样例中在给出问题的同时，不仅给出了答案，在答案之前还给出了人为写的中间推理步骤。在把问题、中间推理步骤和答案的若干样例拼接上所想要求解的问题和字符串“A”，再输入到语言模型之后，语言模型会自动地先续写中间推理步骤，有了这些推理步骤之后，它就会更容易地给出正确答案。

论文中对于CoT（Chain of thought）的定义如下：在处理推理任务时，给出答案之前产生的一系列连贯的中间推理步骤。

如果简单点概括本文的内容，一句话就是：在问LLM问题前，手工在prompt里面加入一些包含思维过程（Chain of thought）的问答示例，就可以让LLM在推理任务上大幅提升。

然后作者介绍了COT几个值得研究的地方：

1、COT在原则上能够让模型把一个多步问题可以分解出多个中间步骤，就可以使那些需要更多推理步骤的问题，就有机会分配到更多的计算量。

这个怎么理解呢？因为语言模型在生成下一句的时候是token by token，假设你的问题越难，COT又使得你生成的中间步骤够多，那么总体上生成的token就会越多，自然在解决更难问题时，就可以用到更多的计算量。

类比我们人脑，在解决更难问题时会消耗更多的脑力，COT也可以让LLM在解决更难的问题时，消耗更多的计算资源。

2、COT提供了可解释性，也就是通过COT，可以不仅仅知道答案，也可以知道答案是怎么来的。

3、COT在原则上适用于任何人类能用语言所解的问题，不只是数学、逻辑、推理问题。

4、当一个语言模型训练好后，就可以像比如few-shot prompting这种范式，在每个样例中写入中间推理步骤，再跟上要解的问题，丢给语言模型，就能够引发语言模型帮你续写出中间的推理步骤。

三、论文中实验结果

论文中实验主要分为三类：Arithmetic Reasoning（算数推理）、Commonsense Reasoning（常识推理）、Symbolic Reasoning（符号推理），这里先用一张图列出这三类实验用到的所有例子（绿色的是算数推理、橙色的是常识推理，蓝色的是符号推理）

3.1 关于算数推理

作者人工设计了一套 8 个带有 CoT 推理链条的 few-shot 样例，并且在所有数据集中统一使用了这 8 个带有 CoT 推理链条的 few-shot 样例，在这里，所有的样例都是人工构造，同时人工构造 CoT 推理链条的 few-shot 样例的成本是很高的，不仅要找到具有代表性的问题，还要为每个问题设计中间推理步骤以及答案，而最后的性能对这些人工设计非常敏感，所以需要反复进行调试。

实验结果如下：

由实验结果可得到如下结论：

1、 CoT Prompting对于小模型的效果并不明显，只在大于100B参数的模型中才产生了优于 Standard Prompting的效果。

2、 CoT Prompting对于复杂问题的效果更明显，实验中用了三个数据集，其中GSM8K是最复杂的，从实验结果上也是它相对于Standard Prompting提升的效果大于1倍。

3、GPT-3 175B 和 PaLM 540B 结合CoT Prompting的效果是提升最高的。

3.2 关于常识推理和符号推理

其实这里和前面算数推理的结论大差不差，也就不细说了，常识推理作者选取了5种涵盖各种常识推理类型的数据集（需要先验知识的常识性问题、需要模型推断的multi-hop strategy问题、日期理解、体育问题理解、自然语言映射）；符号推理作者选取了两个问题：末位字母连接、抛硬币。下面两张图分别是常识推理和符号推理的实验结果:

常识推理实验结果

符号推理实验结果

四、局限性分析

在论文的Discussion部分，作者讨论了CoT当前的局限性，主要有以下4点：

1、虽然CoT模拟了人类推理的思维过程，但是仍然不能确认神经网络是否真的在“推理”，这仍是个尚未解决的问题。

2、手动生成CoT样例的成本问题。

3、无法保证正确的推理路径。

4、CoT仅仅能在大模型上出现。

五、番外：Zero-shot CoT 和 Auto-CoT

在读这篇论文时，还看到了关于CoT的其他研究，比较有代表性的有两个：

5.1 Zero-shot CoT

Zero-shot CoT来自论文《Large language models are zero-shot reasoners. NeurIPS2022》，这篇文章发现：大模型可能不需要写一堆CoT来作为prompt，它自己可能就会推理了，秘诀就是加上一句咒语：“Let’s think step by step.”

通过实验发现，Zero-shot CoT还是可以显著提升LLM的数学推理能力的。虽然Zero-shot CoT和Few-shot CoT都会犯错，但是犯错误时的特点很不一样：Zero-shot方法在推出正确答案后，可能会继续“画蛇添足”，导致最终错误；另外，Zero-shot有时候干脆不推理，直接重复题目。Few-shot方法则是在生成的推理过程中包含三元运算的时候很容易出错，例如(3+2)*4。另外Zero-shot CoT在常识推理问题上的提升不大。

总体上，Few-shot CoT的效果还是比Zero-shot CoT更好的。