AI论文解读 | 图思维, Graph of Thoughts
digoal约 7 分钟本期播客
AI论文解读 | 图思维, Graph of Thoughts
1 前置知识
读懂《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》前的基础知识讲解
1. 大语言模型（Large Language Models, LLM）
定义
LLM是一种通过大量文本数据训练的大型深度神经网络，能够理解和生成自然语言（如GPT、PaLM等）。
简图
[输入] → [大语言模型] → [输出]
2. Prompt（提示）与 Prompt Engineering（提示设计）
Prompt
给模型下达的“指令”或“问题”，引导模型生成内容。
Prompt Engineering
通过巧妙设计输入方式，让模型表现得更好。
3. Chain-of-Thought（CoT，思维链）推理
定义
让模型像人一样“分步思考”，把推理的中间过程写出来。
图示
[问题] → [思考1] → [思考2] → ... → [答案]
4. 多步推理与复杂问题（Multi-step/Complex Reasoning）
定义
问题需要经过多个步骤、不同角度、甚至多种方法综合考虑，才能得出答案。
举例
解数学应用题、做逻辑推理、规划路线等。
5. 图（Graph）和节点（Node）基础
图结构
“图”是由“节点”和“边”组成的数据结构。
节点（Node）：代表一个实体、问题、子任务等 边（Edge）：代表节点间的关系或依赖
图示
(A)───(B)
│ │
(C)───(D)
每个节点可以是一个小问题，边表示它们之间有联系。
6. 子任务分解（Decomposition）
定义
把一个大问题拆成若干个小问题（子任务），分别求解后再合成最终答案。
图示
[大问题]
↓
[子任务1] [子任务2] [子任务3]
↓ ↓ ↓
[结果1] [结果2] [结果3]
↓ ↓ ↓
[综合最终答案]
7. 并行与串行思考（Parallel & Sequential Reasoning）
串行（Sequential）：一步接一步地思考。 并行（Parallel）：多个子问题同时思考，互不干扰。
图示
串行：A → B → C
并行：A → {B, C, D}
8. Agent（智能体）思想
定义
Agent是具备自主决策和行动能力的AI。它能判断需要解决哪些子任务，如何组合答案。
9. 任务规划（Task Planning）
定义
合理安排解决复杂问题的顺序和策略（比如先做什么、后做什么，哪些可以一起做）。
10. 可组合性（Compositionality）
定义
复杂问题可以由多个简单部分组合而成。LLM需要具备把简单子问题答案组合成复杂解答的能力。
小结
理解《Graph of Thoughts》论文前，你需要掌握：
大语言模型及其生成方式 Prompt与提示工程 Chain-of-Thought分步推理 图结构及其在任务分解中的应用 子任务分解与答案合成 并行与串行推理方式 Agent智能体和任务规划思想 可组合性理念
如有某一部分想深入了解，欢迎随时提问！
2 解读论文
通俗解读《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》
一、论文核心问题
传统的大语言模型（LLM，如GPT）解决复杂问题时，常用“思维链(Chain-of-Thought, CoT)”——让AI一步步推理。但遇到特别复杂、需要多角度或多种方法协作的问题时，线性推理就不够灵活，容易卡壳。
Graph of Thoughts (GoT) 提出：让思考不局限于“直线”，而是像“知识网络”一样，多个想法可以分支、合并、并行、循环，互相补充，最终汇聚为答案。
二、GoT的基本思想
1. 线性思维链 vs. 思维图
思维链（CoT）：
一步接一步，像“流水线”。[问题] → [步骤1] → [步骤2] → [步骤3] → [答案]思维图（Graph of Thoughts）：
多个想法可以分开发展，也能合并。像“网状结构”。┌─> [想法B] ──┐
[问题] ──> [合成新想法] → [答案]
└─> [想法C] ──┘
2. 为什么用“图”？
现实复杂任务常常需要并行尝试、分解再合成。 图结构可以灵活表达并行、选择、反馈、循环等多种推理关系。
三、GoT框架的工作流程
分解大问题
把复杂问题拆成多个子任务/角度（节点）。并行/串行思考
每个节点可以用不同方法推理，多个节点可以同时推进。节点间可相互依赖
某些子问题的答案可以作为别的子问题的输入。合成与反馈
多个思考结果汇总、对比、合成，甚至回头修正前面的节点。
图示：GoT推理流程
[问题]
│
┌────┴─────┐
[子任务1] [子任务2]
│ │
[子解1] [子解2]
└────┬─────┘
[合成]
│
[答案]
四、GoT的关键要素
1. 节点（Node）
代表一个子思路、子问题或中间推理。 可以有自己的Prompt和推理方法。
2. 边（Edge）
连接节点，表示信息流动或依赖关系。 比如A节点的结果会影响B节点的推理。
3. 并行与合成
并行：多条思路同时探索。 合成：把多个子思路结果结合，得出更完善的答案。
4. 反馈与循环
某些节点可以根据合成结果再次调整，形成循环优化。
五、GoT的实际案例
例子：写一篇多角度分析的短文
问题：请写一段介绍人工智能优缺点的短文。
GoT流程：
节点A：列出人工智能的优点 节点B：列出人工智能的缺点 节点C：分别扩展A、B的细节 节点D：将优缺点合成一段平衡的短文
图示
[问题]
│
┌──────┴──────┐
[A:优点] [B:缺点]
│ │
[C:扩展优点][C:扩展缺点]
└────┬─────┘
[D:合成短文]
六、GoT与传统方法对比
七、GoT的优势与意义
更强的问题分解与组合能力：适合复杂任务、多领域、多步骤协作。 并行探索、避免思路局限：不同子思路可以互补。 更易于自动化和优化：每个节点都可独立调整和优化。
八、总结
一句话总结：
Graph of Thoughts让AI像“专家团队”一样多角度协作思考，而不是“单线程”独自推理，从而大大提升了复杂问题的解决能力。
如需对论文实现细节、实验结果或具体算法进一步讲解，可随时提问！
3 术语
《Graph of Thoughts: Solving Elaborate Problems with Large Language Models》重要术语详解
1. Graph of Thoughts（思维图）
定义
将复杂问题的解决过程表示为“图”结构：每个节点是一个子思路/子任务，节点之间通过边连接，表示依赖或信息流动。
图示
[问题]
│
┌────┴────┐
[思路A] [思路B]
│ │
└──┬───┬─┘
[合成]
│
[最终答案]
2. Node（节点）
定义
图中的每个点，代表一个子问题、子思路或计算单元。每个节点可有自己的输入、处理和输出。
图示
[节点A] → [节点B] → [节点C]
A是B的输入，B是C的输入。
3. Edge（边）
定义
连接两个节点的“线”，表示它们之间的信息流、依赖关系或任务顺序。
图示
[节点A] ──(边)──> [节点B]
B依赖A的输出。
4. Decomposition（分解）
定义
把复杂问题拆解成若干简单子问题（节点），分别处理后再合成答案。
图示
[大问题]
↓
[子问题1][子问题2][子问题3]
5. Composition（合成）
定义
将多个子问题的结果（不同节点的输出）合并，得到最终答案。
图示
[子解1] [子解2]
└───┬───┘
[合成节点]
│
[答案]
6. Parallelism（并行）
定义
多个节点（子问题）可以同时进行，无需依赖彼此，提升效率与多样性。
图示
[问题]
／ ｜ ＼
[节点1][节点2][节点3]
三条线代表三个子任务并行进行。
7. Sequential Reasoning（串行推理）
定义
节点间有严格的先后顺序，后续节点依赖前面节点的结果。
图示
[节点1] → [节点2] → [节点3]
8. Feedback/Iteration（反馈与迭代）
定义
某些节点的输出可以反过来影响图中上游的节点，实现循环优化和自我修正。
图示
[节点A] → [节点B] → [节点C]
↑ │
└───────反馈───────┘
9. Prompt Engineering（提示工程）
定义
为每个节点设计合适的提示（Prompt），让LLM在每个子任务上都能发挥最佳能力。
10. Agent（智能体）
定义
在GoT框架中，Agent负责规划、分配、协调各节点的任务和信息流，可以动态调整推理图结构。
如需对某一术语举更多例子或深入解释，可随时提问！
参考
https://arxiv.org/pdf/2308.09687
https://edu.aliyun.com/course/3126500/lesson/342570389
https://github.com/AlibabaCloudDocs/aliyun_acp_learning/blob/main/%E5%A4%A7%E6%A8%A1%E5%9E%8BACP%E8%AE%A4%E8%AF%81%E6%95%99%E7%A8%8B/p2_%E6%9E%84%E9%80%A0%E5%A4%A7%E6%A8%A1%E5%9E%8B%E9%97%AE%E7%AD%94%E7%B3%BB%E7%BB%9F/2_6_%E7%94%A8%E6%8F%92%E4%BB%B6%E6%89%A9%E5%B1%95%E7%AD%94%E7%96%91%E6%9C%BA%E5%99%A8%E4%BA%BA%E7%9A%84%E8%83%BD%E5%8A%9B%E8%BE%B9%E7%95%8C.ipynb
以上内容基于DeepSeek、QwQ及诸多AI生成, 轻微人工调整, 感谢杭州深度求索人工智能、阿里云等公司.
AI 生成的内容请自行辨别正确性, 当然也多了些许踩坑的乐趣, 毕竟冒险是每个男人的天性.