COT思维链
- 引言
- 理解实践
- 存疑例子
- COT解决
- 内置COT
- COT的优势
- COT的未来展望：
- 结语
引言
在人工智能领域，我们一直在追求让机器像人类一样思考。然而，即使是最先进的AI，也常常被诟病缺乏'常识'，难以理解复杂问题，更不用说像人类一样进行逻辑推理和解决问题了。最经常的表现就是遇到不会的地方，或者一些人一眼能看出来的地方AI在那里胡扯。
为了解决这个问题，一种名为'思维链（Chain of Thought, COT）'的技术应运而生。COT的核心思想是：将复杂问题分解成一系列简单的子问题，并逐步推理出最终答案。 这就像人类在解决问题时，会先将问题拆解成一个个小步骤，然后一步步推理，最终得出结论。
理解实践
存疑例子
为了理解COT我们先来看个例子。经典的数strawberry里面的r有几个
from langchain_openai import ChatOpenAI from langchain.chains import LLMChain from langchain.prompts import PromptTemplate # 模型 model = ChatOpenAI( model='deepseek-chat', openai_api_key='sk-xxx', openai_api_base='https://api.deepseek.com', max_tokens=4096)# 定义一个简单的提示模板 prompt_template = PromptTemplate( input_variables=["user_input"], template="用户: {user_input}\nAI:")# 创建一个链，将提示模板与模型连接起来 chain = LLMChain(llm=model, prompt=prompt_template)# 手动输入一个值并发送给模型 user_input ="strawberry里面有几个r"# 发送消息给模型并获取响应 response = chain.run(user_input=user_input)print(f"\n\nAI: {
