From dbdef5a9b96875a46df097e9bf24f09218a1a77c Mon Sep 17 00:00:00 2001
From: xuhu0115 <64852985+xuhu0115@users.noreply.github.com>
Date: Sun, 30 Jul 2023 23:27:28 +0800
Subject: [PATCH] =?UTF-8?q?=E7=AC=AC=E4=BA=94=E7=AB=A0=20--=20=20=E6=96=87?=
 =?UTF-8?q?=E5=AD=97=E4=BF=AE=E6=94=B9?=
MIME-Version: 1.0
Content-Type: text/plain; charset=UTF-8
Content-Transfer-Encoding: 8bit

---
 ...…¥-æ€�维链推ç�† Chain of Thought Reasoning.ipynb | 34 +++++++++++++++----
 1 file changed, 28 insertions(+), 6 deletions(-)

diff --git a/docs/content/C2 Building Systems with the ChatGPT API/5.处�输入-�维链推� Chain of Thought Reasoning.ipynb b/docs/content/C2 Building Systems with the ChatGPT API/5.处�输入-�维链推� Chain of Thought Reasoning.ipynb
index 779fa40..af82f41 100644
--- a/docs/content/C2 Building Systems with the ChatGPT API/5.处�输入-�维链推� Chain of Thought Reasoning.ipynb	
+++ b/docs/content/C2 Building Systems with the ChatGPT API/5.处�输入-�维链推� Chain of Thought Reasoning.ipynb	
@@ -11,9 +11,11 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
-    "在本章中，我们将学习处�输入，通过一系列步骤生�有用的输出。\n",
+    "有时，语言模型需�进行详细的�步推��能回答特定问题。如果过于匆忙得出结论，很�能在推�链中出现错误。因此，我们�以通过“**�维链推�**�（Chain of Thought Reasoning）的策略，在查询中明确�求语言模型先�供一系列相关推�步骤，进行深度�考，然��给出最终答案，这更接近人类解题的�维过程。\n",
     "\n",
-    "模型在回答特定问题之�需�进行详细地推�，�者�能会因为过于匆忙得出结论而在推�过程中出错。为了��以上问题，我们�以�构输入，�求模型在给出最终答案之��供一系列相关的推�步骤，这样它就�以更长时间�更深入地�考问题。这��求模型�步推�问题的策略为�维链推�（Chain of Thought Reasoning）。"
+    "相比直接�求输出结果，这�引导语言模型�步推�的方法，�以�少其匆忙错误，生�更准确��的�应。�维链推�使语言模型更好地模拟人类逻辑�考，是��其回答质�的��策略之一。\n",
+    "\n",
+    "在本章中，我们将探讨如何处�语言模型的输入,以生�高质�的输出。我们将详细介�如何构建�维链推� Prompt ，并通过案例分�这�方法的效果。掌�这一技巧将有助于开�者获得更佳的语言模型输出。"
    ]
   },
   {
@@ -22,7 +24,9 @@
    "source": [
     "## 一��维链�示设计\n",
     "\n",
-    "�维链�示设计（Chain of Thought Prompting）是通过设计系统消�，�求模型在得出结论之�一步一步推�答案。"
+    "�维链�示是一�引导语言模型进行�步推�的 Prompt 设计技巧。它通过在 Prompt 中设置系统消�，�求语言模型在给出最终结论之�，先明确�个推�步骤。\n",
+    "\n",
+    "具体�说，Prompt�以先请语言模型陈述对问题的�步�解，然�列出需�考虑的方方��，最���个分�这些因素，给出支�或�对的论�，�得出整体的结论。这��步推�的方�，更接近人类处���问题的�维过程，�以�少语言模型匆忙得出错误结论的情况。因为它必须�步论�自己的观点，而�是直接输出�论。通过详细的�维链�示，开�者�以获得语言模型生�的结论更加��，�由更加充分。这��示设计技巧值得在需�语言模型进行��推�时加以�用。"
    ]
   },
   {
@@ -32,6 +36,13 @@
     "### 1.1 系统消�设计"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "首先，在系统消�中使用�维链�示："
+   ]
+  },
   {
    "cell_type": "code",
    "execution_count": 3,
@@ -123,6 +134,13 @@
     "### 1.2 用户消�测试"
    ]
   },
+  {
+   "cell_type": "markdown",
+   "metadata": {},
+   "source": [
+    "接下�，在用户消�中测试在系统消�中设置的�维链�示："
+   ]
+  },
   {
    "cell_type": "markdown",
    "metadata": {},
@@ -208,8 +226,11 @@
    "cell_type": "markdown",
    "metadata": {},
    "source": [
+    "在�些应用场景下，完整呈现语言模型的推�过程�能会泄露关键信�或答案，这并���。例如在教学应用中，我们希望学生通过自己的�考获得结论，而�是直接被告知答案。\n",
     "\n",
-    "在实际应用中，我们并�想�将推�的过程呈现给用户。比如在辅导类应用程�中，我们希望学生能够�考得出自己的答案。呈现关于学生解决方案的推�过程�能会将答案泄露。内心独白（Inner Monologue）本质就是��模型推�过程，�以用�一定程度上解决这个问题。具体而言，通过让模型将部分需���的输出以结构化的方�储存以便�续解�。接下�，在将结果呈现给用户之�，结构化的结果被解�，�有部分结果被输出并呈现给用户。"
+    "针对这一问题。“**内心独白**�技巧�以在一定程度上��语言模型的推�链。具体�法是，在 Prompt 中指示语言模型以结构化格�存储需���的中间推�，例如存储为��。然�在返回结果时，仅呈现对用户有价值的输出，�展示完整的推�过程。这��示策略��用户呈现关键信�，���露答案。�时语言模型的推�能力也得以�留。适当使用“内心独白��以在�护�感信�的�时，�挥语言模型的推�特长。\n",
+    "\n",
+    "总之，适度��中间推�是Prompt工程中��的技巧之一。开�者需�为��用户制定��的信�呈现策略。以�挥语言模型最大价值。\n"
    ]
   },
   {
@@ -242,8 +263,9 @@
    "metadata": {},
    "source": [
     "<br>\n",
-    "在下一章中，我们将学习一�处���任务的新策略，�将��任务分解为一系列更简�的�任务，而�是试图在一个 Prompt 中完�整个任务。\n",
-    "\n"
+    "在��任务中，我们往往需�语言模型进行多轮交互��步推�，�能完�整个�程。如果想在一个Prompt中完�全部任务，对语言模型的能力�求会过高，�功率较低。\n",
+    "\n",
+    "因此，下一章将介�一�更��的策略：将��任务分解为多个�任务，通过�示链(Prompt Chaining) step-by-step引导语言模型完�。具体�说，我们�以分�任务的��阶段，为�个阶段设计一个简�明确的 Prompt 。我们将通过实例展示�示链的�用，以�如何科学拆分Prompt�引导语言模型递进完�多步骤任务。这是�示工程中�常��的技能之一。\n"
    ]
   },
   {