Xích tư duy (tiếp tục)
Chúng ta đã sử dụng một prompt từ LangSmith Hub, một bộ các artifacts riêng tư và công cộng cái bạn
có thể sử dụng với LangChain. Bạn có thể khám phá bản thân prompt ở đây https://smith.langchain.com/hub.
Trong thực hành, bạn có thể muốn gói khởi động một CoT với một bước rút ra để cung cấp một trả lời ngắn
với người dùng. Ví dụ, chúng ta trước tiên hãy chạy một cot_chain và sau đó truyền đầu ra của nó
(hãy chú ý rằng chúng ta truyền một dictionary với một question ban đầu và một cot_output tới bước
tiếp theo) tới một LLM cái sẽ sử dụng một prompt để tạo một trả lời cuối cùng dựa trên luận lí CoT:
from operator import itemgetter
parse_prompt_template = (“Given the initial question and a full answer, ”
“extract the concise answer. Do not assume anything and ”
“only use a provided full answer.\n\nQUESTION:\n{question}\n”
“FULL ANSWER:\n{full_answer}\n\nCONCISE ANSWER:\n”)
parse_prompt = PromptTemplate.from_template(parse_prompt_template
)
final_chain = ({“full_answer”: itemgetter(“question”) | cot_chain,
“question”: itemgetter(“question”),
}
| parse_prompt
| llm
| StrOutputParser())
print(final_chain.invoke({“question”: “Solve equation 2*x+5=15”}))
>> 5
Mặc dù một CoT prompt dường như tương đối đơn giản, nó cực kì là mạnh mẽ vì, như chúng ta đã đề cập,
nó đã được minh chứng nhiều lần cái nó làm tăng đáng kể hiệu suất trong nhiều trường hợp. Chúng ta
sẽ thấy tiến hóa của nó khi bạn thảo luận các agents trong các học phần sau.