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：
-
设计带有思维链的 prompt ：
引导模型逐步思考并输出推理过程。
-
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。
-
-
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。
-
-
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：
-
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 ❌
-
-
投票结果：
1554出现 3 次，为多数结果。
-
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