大模型的6种设计模式

大模型的六种设计模式

目录

• 1. 链式思考模式 (Chain-of-Thought, CoT)
• 2. ReAct模式 (Reasoning and Acting)
• 3. 自洽性模式 (Self-Consistency)
• 4. 代理模式 (Agent)
• 5. 检索增强生成 (RAG - Retrieval Augmented Generation)
• 6. 提示工程模式 (Prompt Engineering Patterns)
• 总结

1. 链式思考模式 (Chain-of-Thought, CoT)

概念

通过引导大模型一步步展示其推理过程，而不是直接给出结论，从而提高复杂任务的准确性。

流程图

示例

prompt = """
问题: 如果一个水果摊有8个苹果，卖出了3个，又进货5个，现在有多少个苹果?让我们一步步思考:
1. 初始数量: 8个苹果
2. 卖出数量: 3个苹果
3. 卖出后剩余: 8-3=5个苹果
4. 进货数量: 5个苹果
5. 最终数量: 5+5=10个苹果所以现在有10个苹果。
"""

2. ReAct模式 (Reasoning and Acting)

概念

结合推理(Reasoning)和行动(Acting)，让模型先思考再执行，适合需要与外部环境交互的任务。

流程图

示例

prompt = """
任务: 查找2023年全球GDP排名前三的国家思考: 我需要查询最新的全球GDP数据
行动: 搜索"2023年全球GDP排名"
观察: 根据搜索结果，2023年GDP排名前三的是美国、中国和日本
思考: 这些数据来源可靠吗?需要交叉验证
行动: 检查国际货币基金组织(IMF)发布的数据
观察: IMF数据确认2023年GDP排名前三的是美国、中国和日本最终答案: 2023年全球GDP排名前三的国家是美国、中国和日本。
"""

3. 自洽性模式 (Self-Consistency)

概念

通过多次运行同一问题，采用多数表决或一致性检查来提高答案可靠性，减少随机性导致的错误。

流程图

示例

def self_consistency_solve(problem, n_samples=5):answers = []for i in range(n_samples):response = llm.generate(f"问题: {problem}\n\n让我们一步步思考:")answers.append(extract_final_answer(response))# 统计答案频率from collections import Counteranswer_counts = Counter(answers)# 返回出现最多的答案return answer_counts.most_common(1)[0][0]

4. 代理模式 (Agent)

概念

赋予模型自主决策和行动的能力，通过设定目标、规划步骤并使用工具来完成复杂任务。

流程图

示例

# 基于LangChain的代理实现
from langchain.agents import initialize_agent, Tool
from langchain.llms import OpenAI# 定义工具
tools = [Tool(name="搜索",func=search_tool,description="用于搜索互联网信息"),Tool(name="计算器",func=calculator_tool,description="用于执行数学计算")
]# 初始化代理
agent = initialize_agent(tools, llm=OpenAI(temperature=0), agent="zero-shot-react-description",verbose=True
)# 运行代理
agent.run("计算中国和美国GDP之和，并除以2")

5. 检索增强生成 (RAG - Retrieval Augmented Generation)

概念

将外部知识库和检索系统与生成模型结合，增强模型回答的事实准确性和时效性。

流程图

示例

from langchain.chains import RetrievalQA
from langchain.llms import OpenAI
from langchain.document_loaders import TextLoader
from langchain.embeddings import OpenAIEmbeddings
from langchain.vectorstores import FAISS# 1. 加载文档并创建向量数据库
loader = TextLoader("data.txt")
documents = loader.load()
embeddings = OpenAIEmbeddings()
vectorstore = FAISS.from_documents(documents, embeddings)# 2. 创建检索增强生成链
qa_chain = RetrievalQA.from_chain_type(llm=OpenAI(temperature=0),chain_type="stuff",retriever=vectorstore.as_retriever()
)# 3. 查询RAG模型
response = qa_chain.run("公司的退款政策是什么?")

6. 提示工程模式 (Prompt Engineering Patterns)

概念

通过精心设计提示模板，引导模型生成符合特定格式和要求的输出。

流程图

示例

# 基于角色的提示模板
role_prompt = """
你是一位经验丰富的医学专家。请用专业但通俗易懂的语言回答以下健康问题。
回答需要包含以下部分:
1. 简短的医学解释
2. 可能的原因
3. 建议的行动步骤
4. 何时需要咨询医生问题: {question}
"""# 使用少样本学习的提示模板
few_shot_prompt = """
问题: 怎样学习编程?
回答: 学习编程可以从选择一门入门语言如Python开始，参加在线课程，动手实践小项目，加入社区讨论。重要的是持续学习和解决实际问题。问题: 什么是机器学习?
回答: 机器学习是人工智能的一个分支，通过算法让计算机从数据中学习模式和做出预测，无需明确编程。常见应用包括推荐系统、图像识别和自然语言处理。问题: {your_question}
回答:
"""

总结

这六种大模型设计模式各有特点和适用场景:

设计模式	核心优势	典型应用场景
链式思考	提高推理准确性	数学问题、逻辑推理
ReAct	结合思考与行动	需要查询外部工具的任务
自洽性	提高答案可靠性	需要高准确度的关键决策
代理模式	自主决策与执行	复杂多步骤任务自动化
RAG	增强知识与时效性	需要专业或最新知识的问答
提示工程	控制输出质量和格式	结构化内容生成、专业场景

这些设计模式可以单独使用，也可以组合使用以解决更复杂的问题。选择合适的模式取决于具体任务需求、资源限制和期望的结果质量。随着大模型技术的不断发展，这些设计模式也将持续演进和完善。