这是我最喜欢的思维链（COT）提示，不是我自己创建的。这个提示对逻辑和创意都很有用，请分享你喜欢的提示！开始时将所有想法放在<思考>标签内，探索多种角度和方法。在<步骤>标签内将解决方案分解为清晰的步骤。先设定20个步骤的预算，如有需要，针对复杂问题可请求更多。在每个步骤后使用<计数>标签显示剩余预算。当预算为0时停止。根据中间结果和反思不断调整推理过程，随着进展调整策略。使用<反思>标签定期评估进展。对推理过程保持批判性和诚实态度。在每次反思后使用<奖励>标签在0.0到1.0之间分配质量分数。根据这个来指导方法：0.8+：继续当前方法；0.5 - 0.7：考虑小调整；低于0.5：认真考虑回溯并尝试不同方法。如果不确定或者奖励分数低，回溯并尝试不同方法，在<思考>标签内解释你的决定。对于数学问题，使用LaTeX明确显示所有计算过程并提供详细证明。如果可能，单独探索多种解决方案，在反思中比较方法。将想法用作草稿本，明确写出所有计算和推理过程。在<答案>标签内合成最终答案，提供清晰、简洁的总结。最后对整体解决方案进行反思，讨论有效性、挑战和解决方案，并分配最终奖励分数。
讨论总结
这是一个围绕思维链提示（COT prompt）展开的讨论。原帖分享了一个思维链提示的内容，评论者们从不同角度进行了讨论，包括工作流应用对思维链提示的作用、角色扮演式的推理方法、利用提示微调模型、思维链提示在不同模型中的情况等，整体氛围积极，大家分享着各自的观点和经验。
主要观点
- 👍 工作流应用对研究思维链提示有帮助
- 支持理由：可以将多步骤工作流分解为多个步骤并控制前端最终响应，如N8N、Omnichain、Langflow等工作流应用可供选择
- 反对声音：无
- 🔥 可以用特定提示的答案微调cot模型
- 正方观点：之前简单提示下模型效果超预期，类似操作可能有好结果
- 反方观点：无
- 💡 思维链提示可能不如构建ReAct循环
- 解释：在相关工具能力提升后（如DSPy、大纲、textgrad和引导方面），就很少使用自定义提示，所以认为原帖中的思维链提示可能不如构建ReAct循环实用
- 🌟 特定图形存在误导性
- 解释：从80%开始的图形使得质量提升看起来像是2倍，误导性的不良影响大于美观需求
- 🤔 对思维链是否在提示层面构建表示疑惑
- 解释：评论者一直认为思维链是某种低秩适应，所以对其是否在提示层面构建产生疑惑
金句与有趣评论
- “😂 You broke my Qwen!! I want a refund!”
- 亮点：以幽默的方式表达对链思维提示的一种反应
- “🤔 A lot of these CoT prompts are awesome, but if those of you who are seriously interested in this stuff have some time, you really should sit down and play more with a workflow application.”
- 亮点：强调工作流应用对研究思维链提示的重要性
- “👀 They will brainstorm the answer step by step reasoning carefully and taking all facts into consideration.”
- 亮点：体现了角色扮演式推理方法的步骤性
- “😎 This is neat but I really, really can’t believe the misleading graph that starts at 80%. It makes the jump in quality look 2x as much.”
- 亮点：指出图形误导性的问题
- “💡 I打算使用来自这样一个提示的答案来微调一个cot模型。”
- 亮点：表达了对模型微调的一种计划
情感分析
总体情感倾向是积极的。主要分歧点在于对思维链提示的实用性和构建方式的看法，例如思维链提示是否不如构建ReAct循环，以及思维链是否在提示层面构建等。可能的原因是不同评论者的知识背景、使用经验和对不同工具的理解不同。
趋势与预测
- 新兴话题：可能会进一步探讨思维链提示在更多模型中的应用和优化，以及如何解决误导性图形这类问题。
- 潜在影响：对人工智能领域中思维链提示的使用、模型优化和数据可视化等方面可能产生影响，促使人们更加理性和科学地对待这些工具和方法。
详细内容：
《Reddit热门话题：思维提示链的多样讨论》
在Reddit上，一则关于分享最喜欢的思维提示链（Chain of Thought Prompts）的帖子引发了广泛关注。该帖子提供了一种复杂的思维提示链模板，包含了详细的步骤和规则，吸引了众多用户参与讨论，获得了大量的点赞和评论。
讨论的焦点主要集中在各种不同的思维提示链应用和观点上。有人提出了一个有趣的设想，想象七位不同的专家共同解答问题，并详细描述了他们的思考和交流过程。也有人探讨了不同的工作流应用对于思维提示链的作用和价值。
比如，有用户分享道：“A lot of these CoT prompts are awesome, but if those of you who are seriously interested in this stuff have some time, you really should sit down and play more with a workflow application. I know I’m a broken record on this, and it doesn’t have to be Wilmer; there are lots of options- Omnichain, N8N, Langflow, whatever. Any workflow api will do.” 同时，对于新用户，有人推荐了N8N，并介绍了其受欢迎的原因和相关的教程。
还有用户提到在尝试不同的思维提示链时遇到的问题和解决方法，比如语言输出错误、模型不兼容等。例如：“oh yeah, chain of thought prompts tend to break ai’s that already use COT. Closedai recommends to not use chain of thought prompts on the o1 models!”
在讨论中，也存在一些争议和疑问。比如，有人质疑某些示例中的设定是否合理，有人询问哪些模型支持特定的语法，还有人对展示的图表的准确性提出了看法。
总之，这次关于思维提示链的讨论展现了其在实际应用中的多样性和复杂性，为参与者提供了丰富的思考和借鉴。但如何更好地运用思维提示链，以及解决其中出现的问题，仍需要进一步的探索和交流。
感谢您的耐心阅读！来选个表情，或者留个评论吧！