第四章:大模型（LLM)】07.Prompt工程-(5)self-consistency prompt

第四章：大模型（LLM）

第七部分：Prompt 工程

第五节：Self-Consistency Prompt

1. 概念

Self-Consistency Prompt（自洽提示）是一种在思维链（Chain-of-Thought, CoT）基础上的改进方法。其核心思想是：

• 不是依赖单一推理链的结果，而是让模型在同一个问题下生成多个推理路径；

• 通过对这些不同推理路径的最终答案进行投票或统计，选择出现频率最高、最合理的结果，提升整体推理的鲁棒性和准确性。

这一方法尤其适用于复杂推理、多步计算的任务，如数学题、逻辑推理、因果推断等。

2. 工作流程

Self-Consistency Prompt 的基本流程如下：

1. 设计带有思维链的 prompt：
   引导模型逐步思考并输出推理过程。

2. 采样多条推理路径：

   • 设置模型在生成时使用采样方法（如 temperature > 0），让模型输出多种可能的推理链。

   • 例如同一道题，让模型生成 10 次推理过程，得到 10 个答案。

3. 聚合结果：

   • 收集每条推理链的最终答案。

   • 对答案进行多数投票，或选择最常见的结果作为最终答案。

4. 输出最优解：

   • 将结果返回给用户。

3. 示例

任务：计算“37 × 42”的结果。

• 普通 CoT Prompt：

  请一步步推理并计算：37 × 42
  

  可能输出：37 × 42 = 1554（正确）
  但有时会出现计算错误。

• Self-Consistency Prompt：

  1. 多次采样模型的推理路径：

     • 路径 1：37 × 42 = 1554 ✅

     • 路径 2：37 × 42 = 1454 ❌

     • 路径 3：37 × 42 = 1554 ✅

     • 路径 4：37 × 42 = 1554 ✅

     • 路径 5：37 × 42 = 1654 ❌

  2. 投票结果：

     • 1554 出现 3 次，为多数结果。

  3. 最终输出答案：1554

4. 优点与缺点

• 优点

  • 提升推理任务的正确率

  • 减少单一路径计算错误的影响

  • 更符合人类“多次尝试再取最优解”的思维方式

• 缺点

  • 计算成本增加，需要多次调用模型

  • 在简单问题上可能显得浪费算力

5. 应用场景

• 数学计算与推理题

• 逻辑推理/脑筋急转弯

• 法律、医学等对准确性要求极高的领域

• 需要避免单一推理链偏差的场景