多层链条推理提示词在多智能体LLM系统中的应用：面向可解释大型语言模型的综合方法
计算与语言
2025-02-05 v2 人工智能
多智能体系统
摘要
大型语言模型(LLMs)利用链条推理(CoT)提示词提供逐步推理 rationale，提高了复杂任务的性能。尽管已有所收获，但纯粹的CoT常未能完全验证中间推断，可能产生误导性解释。本文提出分层链条推理(Layered-CoT)提示词，一种新型框架，系统性地将推理过程分解为多个层次，每个层次都接受外部检查和可选用户反馈。我们阐述了关键概念，呈现三个场景——医疗急诊、金融风险评估和敏捷工程——并演示Layered-CoT在透明性、正确性和用户参与度方面超越纯粹的CoT。通过整合来自交互式可解释性、多智能体框架和智能体协作的最新arXiv论文的参考文献，我们说明Layered-CoT为高风险领域的更可靠和更扎实解释指明了道路。
引用
@article{arxiv.2501.18645,
title = {Layered Chain-of-Thought Prompting for Multi-Agent LLM Systems: A Comprehensive Approach to Explainable Large Language Models},
author = {Manish Sanwal},
journal= {arXiv preprint arXiv:2501.18645},
year = {2025}
}