当前位置：首页 > news >正文

提示技术系列——思维树

news 2025/7/1 18:21:16

什么是提示技术？

提示技术是实现提示工程目标的具体技术手段，是提示工程中的“工具库”。

什么又是提示工程？

提示工程是指通过设计、优化和迭代输入到大语言模型（LLM）的提示（Prompt），系统性提升模型输出质量（如相关性、准确性、可控性）的实践领域。它是一个覆盖全流程的方法论，包括：

明确目标任务（如生成教学内容、问答、翻译）；
设计提示结构（如指令、上下文、示例）；
选择模型与参数（如温度、top_p）；
验证与迭代（根据输出调整提示）。

其核心是“通过工程化方法控制大语言模型（LLM）的行为”。

概念

思维树（Tree of Thoughts，ToT）提示基于思维链（CoT）提示进行了总结，引导语言模型探索把思维作为中间步骤来解决通用问题。

思维树维护着一棵思维树，思维由连贯的语言序列表示，这个序列就是解决问题的中间步骤。使用这种方法，大模型能够自己对严谨推理过程的中间思维进行评估。大模型将生成及评估思维的能力与搜索算法（如广度优先搜索和深度优先搜索）相结合，在系统性探索思维的时候可以向前验证和回溯。

核心思想：

多路探索，动态分支生成，灵活动态分支管理；
深度与广度探索，深度优先；
多轮评估与回溯机制。

概念图解

应用场景

数学与逻辑问题；（解决需要多不推理和验证的数学题目或逻辑谜题）
编程与算法设计；（编写代码解决具体问题时，探索不同的算法实现路径）
自然语言处理任务；（文本摘要、翻译、问答等涉及上下文的任务）
决策支持系统；（在商业决策、医疗诊断等领域提供基于证据的建议）
教育与培训；（设计个性化的学习计划、考试准备材料等）
……

案例实操

使用工具：扣子

实现方式：扣子工作流

完整工作流如下：

各个节点配置信息：

开始节点：

深度探索节点：

教学设计多分支生成节点：

评估分支节点：

找出评分最高的分支节点：

代码（选择的是 Python）具体：

# 在这里，您可以通过 ‘args’  获取节点中的输入变量，并通过 'ret' 输出结果
# 'args' 和 'ret' 已经被正确地注入到环境中
# 下面是一个示例，首先获取节点的全部输入参数params，其次获取其中参数名为‘input’的值：
# params = args.params; 
# input = params.input;
# 下面是一个示例，输出一个包含多种数据类型的 'ret' 对象：
# ret: Output =  { "name": ‘小明’, "hobbies": [“看书”, “旅游”] };async def main(args: Args) -> Output:params = args.paramsbranches = params['b_list']b_max_score = params['b_max_score']import rematch = re.search(r"分支ID[:：]\s*(\d+)", b_max_score)result = {}if match:best_branch_id = int(match.group(1))# 找到对应的分支matched_branches = [b for b in branches if b["branch_id"] == best_branch_id]if matched_branches:result = matched_branches[0]else:result = branches[0]else:result =  branches[0]# 构建输出对象ret: Output = {"key2": result}return ret{
}

选择器节点：

输出评分最高分支节点：

生成完整教学设计节点：

终止循环节点：

无设置，直接拖进来连线即可。

处理 context_tmp 节点：

设置变量节点：

运行结果如下图：

大家若有编程基础的话，可以参考下面的代码案例来实现与体验不同场景下使用思维树提示。

代码实现思维树提示

技术栈：Python；LangChain

代码引用包导入：

pip install langchain_deepseek==0.1.3;
pip install langchain_core==0.3.66;
pip install rich==14.0.0;

具体代码实现：

import json
import logging
import os
import refrom dotenv import load_dotenv
from langchain_core.prompts import PromptTemplate
from langchain_deepseek import ChatDeepSeek
from rich.console import Console# 加载环境变量
load_dotenv()
api_key = os.getenv("DEEPSEEK_API_KEY")# 初始化日志
logging.basicConfig(level=logging.INFO)
logger = logging.getLogger(__name__)# 初始化 DeepSeek 模型
llm = ChatDeepSeek(model="deepseek-chat",  # 可选模型：deepseek-chat（对话）/ deepseek-reasoner（推理）api_key=api_key,temperature=0.7  # 增加随机性以支持多路径探索（0-1，越高越具创造性）
)# ===== 动态分支生成函数 =====
def generate_branches(topic_name: str, context: dict = None):"""根据上下文动态生成多个分支"""prompt = PromptTemplate.from_template("""请为课文《{topic}》生成3个适合人教版课程标准的小学教学设计分支：{context}每个分支需包含：1. 教学目标方向（知识/能力/创新）2. 关键教学策略3. 创新活动设计输出格式要求：输出格式：[{{ "branch_id": 1,"direction": "知识导向","objectives": "...","strategies": ["...", "..."],"activities": ["...", "..."]}},...]请确保输出是一个有效的 JSON 格式，并且不要包含任何额外解释或文字。""")chain = prompt | llmres = chain.invoke({"topic": topic_name, "context": context or {}})return json.loads(res.content)# ===== 评估函数 =====
def evaluate_branches(topic_name: str, branches: list):# 确保 branch_id 唯一branch_ids = [b.get("branch_id") for b in branches]if len(set(branch_ids)) != len(branch_ids):logger.warning("检测到重复的 branch_id，请确保每个分支拥有唯一标识符。")"""评估所有分支并返回最佳分支"""prompt = PromptTemplate.from_template("""评估以下教学设计分支（课文：《{topic}》）：{branches}评分标准（1-5分）：- 知识覆盖度：____- 方法可行性：____- 创新性：____- 情感价值：____输出要求：- 给出评分最高的分支ID与评分（格式如：分支ID：2）- 并说明理由""")chain = prompt | llmtry:res = chain.invoke({"topic": topic_name, "branches": json.dumps(branches, ensure_ascii=False)})except Exception as e:logger.error(f"调用模型时发生错误：{e}")return branches[0]# 使用更灵活的正则表达式提取分支IDmatch = re.search(r"分支ID[:：]\s*(\d+)", res.content)if match:best_branch_id = int(match.group(1))# 找到对应的分支matched_branches = [b for b in branches if b["branch_id"] == best_branch_id]if matched_branches:logger.info(f"成功找到最佳分支：ID={best_branch_id}")return matched_branches[0]else:logger.warning(f"未找到 ID 为 {best_branch_id} 的分支，默认返回第一个分支。")return branches[0]else:logger.warning("未能从模型响应中解析出有效分支ID，默认返回第一个分支。")return branches[0]# ===== 完整设计生成函数 =====
def generate_full_design(topic_name: str, selected_branch: dict):print(f"[bold]最终选定分支：{json.dumps(selected_branch, ensure_ascii=False)}[/bold]")"""基于选定分支生成完整教学设计"""prompt = PromptTemplate.from_template("""根据选定的教学设计分支：{branch}为课文《{topic}》生成完整教学方案：要求：1. 包含60分钟详细教学过程（标注时间分配）2. 明确教学重难点（用★ 标注创新点）3. 至少包含2个创新教学活动4. 包含3种不同评估方式5. 教学目标2-3个6. 教学准备：老师准备；学生准备；7. 跟进教学目标与教学过程综合考虑，决定是否布置课后作业完整的教学方案输出格式要求：1. 使用 markdown 格式2. 内容中不要使用表情符号，以及其他不符合人教版课程标准的符合""")chain = prompt | llmres = chain.invoke({"topic": topic_name, "branch": json.dumps(selected_branch)})return res# ===== ToT 主流程 =====
def run_tot_process(topic_name: str, max_depth: int = 3):"""递归执行ToT流程"""console_log = Console()def _recursive_tot(current_depth: int, context: dict = None):console_log.print(f"\n{'=' * 30} 深度 {current_depth} {'=' * 30}")current_context = context or {}  # 保证 context 是字典console_log.print(f"[bold]当前上下文：{json.dumps(current_context, ensure_ascii=False)}[/bold]")# 1. 生成分支branches = generate_branches(topic_name, current_context)console_log.print(f"[bold]生成的分支数：{len(branches)}[/bold]")# 2. 评估分支best_branch = evaluate_branches(topic_name, branches)console_log.print(f"[green]选定最佳分支ID：{best_branch['branch_id']}[/green]")# 3. 深化设计（如果达到最大深度）if current_depth >= max_depth:final_design = generate_full_design(topic_name, best_branch)return final_design# 4. 递归继续探索return _recursive_tot(current_depth + 1, {**current_context,"selected_branch": best_branch})return _recursive_tot(1)# ===== 执行示例 =====
if __name__ == "__main__":topic = "语文园地一"console = Console()console.print(f"\n{'=' * 50}\n《{topic}》教学设计\n{'=' * 50}")result = run_tot_process(topic)if result.content is not None:console.print(result.content)else:console.print(result)

总结与思考

前文概念中提到思维树（ToT）是基于思维链（CoT）提示总结而来的，虽然两者都强调“分步思考”，但在结构、控制力、灵活性和适用场景上有显著区别。为此，

它们的对比分析：

维度	链式思考（CoT）提示	思维树（ToT）提示
定义	引导模型输出中间推理步骤，形成一条线性推理路径	构建多分支的“思维树”，探索多种可能的推理路径
核心机制	单条路径推理（顺序执行）	多路径并行探索 + 评估选择最优解
是否支持多路径	否，仅一条推理路径	是，构建多个分支进行比较
是否可回溯	否，无法中途修正	是，可在不同路径间切换或回退
是否模块化处理	否，整体性强	是，可对每个节点单独处理
可控性	中等	高，可精细控制每一步
是否支持外部评估机制	否，依赖模型自生成	是，可引入评分器、评估模块
资源消耗	低至中等	高（多次调用+评估）
可解释性	强，展示完整推理过程	更强，展示多个推理路径及选择依据