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: {
