原文地址：concise-chain-of-thought-ccot-prompting
2024 年 1 月 24 日
传统的 CoT 是以增加输出令牌使用为代价的，CCoT 提示是一种提示工程技术，旨在减少 LLM 响应的冗长和推理时间。
基于LLMs的生成式人工智能应用程序必须使用多管齐下的方法进行优化。一种考虑提示结构、数据传递、令牌使用和推理延迟的方法。与LLM一起编排；使用最佳模型来完成最佳任务。以及用于数据发现、设计和开发的以数据为中心的方法。
介绍
最近的一项研究引入了一种新的提示技术，称为简洁思维链（CCoT）。
在本研究中，标准CoT与CCoT提示在响应长度和准确性方面进行了比较。
对于多项选择问答，CCoT 将响应长度减少了48.70%。因此，CCoT 引入了输出tokens成本的节省和更简洁的答案。
研究还发现，CoT和CCoT两种方法的问题解决性能保持不变。
对于数学问题，CCoT 的性能损失为27.69%。
总体而言，CCoT 使tokens成本平均降低了 22.67%。
思维链 (CoT)
CoT 已经成为LLMs领域的一种现象，催生了大量基于 CoT 的提示技术。并引发了Chain-of-X现象。
对于某些问题任务和问题领域，CoT 提示已被证明可以将 LLM 性能提高高达80% 。
然而，这些性能改进是有代价的，即增加输出令牌使用量带来的额外费用。除此之外，推理时间也延长了。
来源
CoT 明确鼓励LLMs为解决问题提供中间推理。这是通过在演示中提供一系列推理步骤供LLMs模拟来实现的。
有关 CCoT 的更多信息
成本和延迟
如果 CCoT 减少响应长度，则 CCoT 可用于降低 LLM 成本。第三方 LLM API 通常按令牌定价，输出令牌比输入令牌更昂贵。
如下图所示，红色条表示输出tokens成本，与蓝色输入tokens成本相比。
来源
推理延迟也是一个挑战，可以通过确保响应更短来在一定程度上解决这个问题。这可以在不影响性能的情况下实现；研究发现，CCoT 在这方面不会带来性能损失。
实际比较
下面是仅回答提示的示例，后跟传统的详细 CoT 提示。最后是 CCoT 提示。
下面是仅限回答的提示。
来源
这里是详细和简洁的 CoT 提示之间的比较。
来源
可能的限制
该研究仅使用了 GPT LLM，了解开源和能力较差的 LLM 的表现将会很有趣。
该研究仅使用单一 CoT 和 CCoT 提示。因此，CoT 和 CCoT 提示的其他变体可能会产生不同的结果。
考虑到不同任务的提示性能差异，我想到了用户意图分类的实现可以很好地发挥作用。
对用户输入进行分类，以便协调多个 LLM、选择最合适的提示技术等。
附录
引入类似思维链方法的领域包括：
- Chain-of-Thought Prompting
- Multi-Modal Reasoning
- Multi-Lingual Scenarios
- Knowledge Driven Applications
- Chain-of-Explanation
- Chain-of-Knowledge
- Chain-of- Verification
- IR Chain-of-Thought
- LLM Guided Tree Of Thought
- Chain-Of-Note
- Least-To-Most Prompting
- Chain Of Empathy
And more…
从最少到最多的提示可以与其他提示技术（例如思维链和自我一致性）结合起来。对于某些任务，可以将从最少到最多提示的两个阶段合并以形成单遍提示。 -来源
