基于上下文和检索增强推理的单一代理两步提示的证据生成（E2G）
内容提要
本文综述链式思考（CoT）提示相关研究：Verify-and-Edit框架利用外部知识编辑推理链以提升准确性；图引导CoT增强多步推理；MultiTool-CoT引入计算器、知识检索等外部工具；Meta-CoT通过多样化演示提升泛化能力；研究发现无效推理步骤仍可达到80-90%的性能；Chain-of-Knowledge生成显式知识证明并验证可靠性；Auto-CoT自动构建演示；CoTEVer用于标注解释的事实性并微调模型。
延伸解读
外部知识编辑：提升推理链准确性的关键
Verify-and-Edit框架的核心在于利用外部知识对推理链进行编辑，而非仅依赖模型内部知识。这提示读者，在开放型问答任务中，模型生成的推理步骤可能包含事实错误，引入外部知识源进行验证和修正能有效提升准确性。该方法为改善大语言模型推理的可靠性提供了一种可操作的思路。
无效推理步骤仍达80-90%性能：对CoT评估的启示
研究发现，即使推理步骤无效，CoT提示仍能达到80-90%的性能。这表明模型可能并非完全依赖推理链的逻辑正确性来得出答案，评估CoT效果时需警惕性能指标掩盖推理缺陷。读者应关注推理过程的质量，而非仅看最终答案的准确率，这对设计更可靠的提示方法具有参考意义。
工具与知识证明：增强推理的两种路径
MultiTool-CoT通过引入计算器、知识检索器等外部工具扩展模型能力，而Chain-of-Knowledge则要求生成显式知识证明三元组并验证可靠性。两者分别从工具调用和知识结构化角度增强推理，适用于不同任务场景。读者可根据任务需求选择：需要精确计算或实时信息时用工具，需要常识或事实推理时用知识证明。
Q&A
Verify-and-Edit框架是如何提升大语言模型推理准确性的？
Verify-and-Edit框架通过使用外部知识来编辑推理链，从而提高推理链的准确性，改善了大语言模型在开放型问题回答任务中的表现。
MultiTool-CoT是如何将外部工具集成到推理过程中的？
MultiTool-CoT通过链式思考提示（CoT prompting）引入多种外部工具（如计算器和知识检索器）来执行推理，从而改善大语言模型在各种推理任务上的表现。
Meta-CoT提示方法有什么特点？
Meta-CoT使用混合任务场景中的元推理链提示方法，构建来自相应数据池的多样化演示，可同时在十个公共基准推理任务上表现出卓越的性能和优越的泛化能力。
无效的推理步骤对CoT提示的性能有多大影响？
研究发现，即使使用无效的推理步骤，CoT提示也能达到80-90%的性能，这表明无效步骤对性能的影响有限。
Chain-of-Knowledge (CoK) 提示方法是如何工作的？
CoK提示方法引导强大的语言模型生成显式的知识证明作为结构三元组，从而改进Commonsense、事实、符号和算术推理任务的性能，并引入F^2-Verification方法估计链的可靠性。
Auto-CoT如何自动构建演示？
Auto-CoT通过采样具有多样性的问题并生成推理链来构建演示，在十项公共基准推理任务中，Auto-CoT不断匹配或超越需要手动设计演示的CoT范例的性能。
