作者： 唐霜 来源： 唐霜

在过去的经验中，我们知道，CoT（思维链）模式可以降低大模型幻觉。简单讲，CoT就是让大模型按照步骤循序渐进（think step by step）地进行推理，而非直接一次给出答案，这种方式能让大模型在给出答案中将长链演算推理，变成具有规划性质的逐步迭代推导，因此，在一些逻辑推理性强的场景下能明显提升其效果。

但从另一个角度去思考，LLM的幻觉中有很大一部分是虚构事实，而这些情况的发生，总是因为用于训练大模型的知识不够实时，而无法提供符合客观事实的生成。而RAG（检索增强生成）技术则可以很好的解决这一问题，它通过检索外部知识，以增强LLM回复的可靠性。但是，RAG总是一次性提供相关信息，它很难预测后续的生成过程中，哪些是依据RAG提供的“事实”信息的。

基于上述思考，北京大学和相关机构的研究者们提出了一种新的尝试：*通过外部知识的帮助（RAG），可以减轻中间推理过程（CoT）中的幻觉。*并提出了RAT技术，RAT=CoT+RAG。发表论文《RAT: Retrieval Augmented Thoughts Elicit Context-Aware Reasoning in Long-Horizon Generation》（https://arxiv.org/pdf/2403.05313）

上图示意了RAT的基本思路和原理。在没有CoT的情况下，命中事实概率低，在加入RAT的情况下，大幅提升命中事实概率。

在一系列基准测试下，RAT的表现都有明显的优势。

从论文的解释来看，我们有理由相信，RAT技术能明显提示大模型的质量。但是，其中的一些限制也很明显：依赖RAG的质量，性能下降，CoT本身的准确性也对最终的结果有重要影响。

另外，对于我们应用层开发的同学，我们都知道RAG是应用层的技术，而CoT是prompt触发机制（单轮），如何去实现RAT呢？流程主要为3阶段：

• 生成初始prompt1以用于CoT

• 基于初始答案拆分后的step生成RAG检索的prompt2

• 把前两步的结果整合为修订后的prompt3，并让LLM给出最终结果

---

prompt1 = """
尝试用逐步的思考来回答这个问题\指令，并使答案更具结构化。
使用 `\n\n` 来将答案分成几个段落。
直接响应指令。除非被要求，否则不要在答案中添加额外的解释或介绍。
"""
  

prompt2 = """
我想验证给定问题的内容准确性，特别是最后几句话。
请用相应的问题总结内容。
这个总结将被用作必应搜索引擎的查询。
查询应该简短，但需要足够具体，以确保必应能够找到相关知识或页面。
您还可以使用搜索语法，使查询足够简短和清晰，以便搜索引擎能够找到相关的语言数据。
尽量使查询与内容中的最后几句话尽可能相关。

重要 直接输出查询。除非被要求，否则不要在答案中添加额外的解释或介绍。 """

prompt3 = """
我想根据在维基百科页面上学到的相关文本来修订答案。
你需要检查答案是否正确。
如果你在答案中发现了错误，请修订答案使其更好。
如果你发现有些必要的细节被忽略了，请根据相关文本添加这些细节，以使答案更加可信。
如果你发现答案是正确的且不需要添加更多细节，请直接输出原始答案。

重要 尽量保持修订后答案的结构（多个段落及其子标题），使其更具结构性以便理解。 用 \n\n 字符分隔段落。 直接输出修订后的答案。除非被要求，否则在修订后的答案中不要添加额外的解释或声明。 """

你可以通过开源代码来自己测试其效果 https://craftjarvis.github.io/RAT/。

我们也可以基于workflow来自己搭建这个流程，通过应用层的设计来实现相同的效果。

点击下方公众号卡片，关注我
在公众号对话框，回复关键字“1024”
有惊喜

更多AI工具，参考Github-AiBard123，国内AiBard123