GoT 思维图：使用图论来建模并增强LLMs的推理过程

GoT 思维图：使用图论来建模并增强LLMs的推理过程

引用

CSDN

1.

https://blog.csdn.net/weixin_40446737/article/details/140677488

GoT（Graph of Thoughts）思维图是一种基于图论的推理框架，用于增强大语言模型（LLMs）的推理能力。通过将推理过程建模为一个有向图，GoT能够更好地模拟人类思维中的非线性和复杂性，从而提高LLMs的推理效果。本文将详细介绍GoT的背景、优势、子解法、流程和具体应用。

提出背景

在AI推理领域，传统的CoT（思维链）和ToT（思维树）方法存在一定的局限性。CoT生成单一的线性推理路径，无法充分捕捉到症状之间的交互作用；ToT虽然提供了并行处理的能力，但不同分支之间的信息整合仍显不足。

相比之下，GoT通过创建一个图形结构，其中节点代表不同的诊断思考，边代表节点之间的逻辑关系。这种结构不仅支持并行处理，还允许节点之间的广泛互动，能够更全面地分析问题。

为什么使用 GoT？

在医疗问诊场景中，GoT的优势尤为明显。例如，当患者同时出现发烧、咳嗽和疲劳的症状时，GoT可以帮助医生建立一个包含流感、普通感冒和肺炎等多个可能疾病的思维图。这个图将显示这些疾病如何可能与各种症状相关联，还可以根据诊断测试结果动态更新。

GoT的核心子解法

GoT框架主要由三个子解法组成：

1. 子解法1：图形结构化

• 特征：使思维模型具备高度互联和灵活性。
• 逻辑链：这是一种网络结构，因为每个节点可以与多个节点直接连接，形成一个复杂的网络。

2. 子解法2：自我评估

• 特征：增强模型的自适应能力和动态决策能力。
• 逻辑链：这是一个链条结构，因为自我评估通常是顺序进行，一个评估的结果会影响下一步的决策。

3. 子解法3：模块化任务处理

• 特征：通过分解复杂任务来简化问题解决过程。
• 逻辑链：这是一个决策树形式，因为每个子任务的完成是基于之前子任务的完成情况，形成了一个阶段性的决策过程。

聚合与生成

聚合是将多个信息源或数据点合并成一个综合的单元，以便进行更全面的分析或决策。生成是基于现有信息或数据点创造新的元素或思考路径，以探索新的可能性或解决方案。

GoT 流程

GoT框架的主要组件包括：

1. Prompter（提示器）：输入患者的症状，如发烧、咳嗽和胸痛，并将这些症状作为查询问题发送给LLM。
2. Parser（解析器）：解析LLM生成的回答，提取出关键信息，如提到的疾病名称和推荐的检查项目。
3. Scoring module（评分模块）：对LLM的回答进行评分，判断每个诊断建议的可靠性。
4. Controller（控制器）：根据评分模块的输出选择最可能的诊断，并指导如何进一步进行检查以确认诊断。
5. Graph of Operations (GoO)（操作图）：定义了一系列预设的操作，如查询症状、获取诊断建议、请求额外检查等。
6. Graph Reasoning State (GRS)（图推理状态）：动态记录整个推理过程的状态，确保所有必要的步骤都被执行。

GoT 分析

1. 属性（Attributes）

• 多维性：能够同时表示多种数据和决策路径。
• 灵活性：能够动态调整思考节点和边的配置。
• 可扩展性：结构允许随着数据量的增加而扩展。
• 互动性：支持用户与系统之间的互动。
• 可视化：直观展示复杂关系和决策过程。

2. 构成（Composition）

• 节点（Vertex）：代表思考或决策的单元。
• 边（Edge）：连接节点，表示节点之间的逻辑关系或数据流。
• 图（Graph）：整个结构，由多个节点和边组成。

3. 交互（Interaction）

• 节点间交互：节点之间通过边相互影响，传递信息或决策支持。
• 系统与用户交互：用户可以修改图形结构，添加或删除节点和边。
• 系统与外部系统交互：可以与外部数据库、API等集成。

4. 生态（Ecosystem）

• 技术栈：依赖于数据科学、人工智能、图形数据库和前端可视化技术。
• 应用领域：广泛应用于医疗、金融、教育等多个领域。
• 用户群：研究人员、数据分析师、决策制定者等。

5. 动态（Dynamics）

• 实时更新：系统可以根据新输入的数据实时更新图形。
• 自适应学习：可以整合机器学习算法优化决策模型。
• 扩展性：随着使用的深入持续演进。

6. 趋势（Trends）

• 更广泛的自动化：实现更高程度的自动化决策。
• 跨平台集成：与更多类型的系统和平台集成。
• 增强的用户定制性：提供更多定制选项。
• 更深入的数据分析能力：提高数据处理和分析的能力。

GoT 应用

1. 生成操作

• 应用场景：生成潜在的诊断列表。
• 具体提示词：针对以下症状生成一系列可能的诊断：患者报告有持续头痛、恶心和视力模糊。

2. 分割操作

• 应用场景：分割复杂的医疗检查结果。
• 具体提示词：将以下全面血液检查结果分割成关键参数和次要参数两部分：{血液检查数据}。

3. 改进操作

• 应用场景：修正初步诊断。
• 具体提示词：审查以下初步诊断并纠正任何错误：初步诊断为糖尿病，但患者血糖水平正常。

4. 聚合操作

• 应用场景：汇总患者的多次访问记录。
• 具体提示词：将以下患者的多次访问记录合并成一个综合病历：访问记录包括多次心脏检查和药物治疗反应。

5. 评分操作

• 应用场景：评估不同治疗方案的有效性。
• 具体提示词：评估以下治疗方案，并根据它们的有效性进行排名：方案一为使用药物A治疗高血压，方案二为采用药物B加运动治疗。

参考资料

• 论文：GoT: Graph of Thoughts for Large Language Models
• 代码：GoT GitHub Repository