该文综述链式思考（CoT）在知识库问答、多跳推理、文本到SQL及个性化对话等任务中的应用，提出SP-CoT、Verify-and-Edit、IRCoT、Auto-CoT等方法，通过自动生成推理链、检索编辑和迭代增强提示，提升大模型推理准确性与泛化能力，并在多个基准上超越基线。

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。

本研究探讨了大型语言模型（LLMs）在模拟人类群体动态方面的潜力和局限性。研究发现，LLMs代理人扮演具体人物且没有链式思考时与人类行为一致，但有链式思考则损害了一致性。明确的偏见纳入代理人提示并不一定增强党派群体的智慧。用人类数据对LLMs进行微调显示出实现类似人类行为的潜力，但存在过度拟合特定行为的风险。