AI大模型提示工程实战：思维链、思维图与思维树的对比与应用

1次阅读

共计 1806 个字符，预计需要花费 5 分钟才能阅读完成。

最近在做一个客服问答系统的优化时，遇到了典型的提示工程问题：直接提问模型 ” 用户反馈电视无法开机该怎么办 ”，得到的回答往往过于笼统（比如 ” 检查电源 ”）。这种低效提示导致 30% 的会话需要人工介入，严重影响了效率。

通过日志分析发现，问题主要出在：

单次问答缺乏推理过程（模型直接输出最终答案）
复杂问题需要多步分解时容易遗漏关键步骤
不同技术方案的响应质量差异显著

基本思想：通过 ”Let’s think step by step” 等提示词，强制模型展示推理过程。数学上可以表示为：

P(output|input) = P(step1|input) × P(step2|step1) × ... × P(output|step_n)

通过层级结构组织信息，更适合处理多维度问题。伪代码表示：

def mind_map(question):
    main_topic = extract_main_topic(question)
    sub_topics = generate_subtopics(main_topic)
    return synthesize(sub_topics)

模拟人类决策树，在关键节点保留多个可能性。其搜索空间可表示为：

Search Space = Σ(branching_factor^depth)

import openai

def chain_of_thought(prompt):
    response = openai.ChatCompletion.create(
        model="gpt-4",
        messages=[{"role": "system", "content": "Think step by step"},
            {"role": "user", "content": prompt}
        ],
        temperature=0.7
    )
    return response.choices[0].message.content

# 使用示例
print(chain_of_thought("如果冰箱不制冷可能是什么原因？"))

def mind_map_question(question):
    template = """ 请按以下结构分析问题：核心问题: {核心问题}
    ├── 可能原因 1: {原因 1}
    ├── 可能原因 2: {原因 2}
    └── 解决方案: {方案}"""
    return openai.ChatCompletion.create(
        model="gpt-4",
        messages=[{"role": "user", "content": template.format( 核心问题 =question)}]
    )

def tree_of_thought(question, depth=3):
    branches = []
    current_level = [question]

    for _ in range(depth):
        new_level = []
        for node in current_level:
            responses = generate_multiple_options(node)
            new_level.extend(responses)
        branches.append(new_level)
        current_level = new_level

    return select_best_path(branches)

我们在客服场景下设计基准测试（100 个真实用户问题）：