用 LangChain 构建基于资料库的问答机器人（三）：ReAct

大家好，我是 Jambo。我们已经学习了如何使用 LangChain 的一些基本功能，解下我们就应该要结合这些功能来做一些复杂的东西了。但在这之前，为了让同学们更好的理解 LangChain 在这其中做了什么，我想先介绍一下关于 GPT 使用方面的一些知识。

在 ChatGPT 开放之初，除了各大公司在 AI 算法方面竞争，还有许多人在研究如何仅通过修改 prompt 就能让 GPT-3 做出更好的回答，这种方法被称为“提示工程（Prompt Engineering）”。如果把 LLM 比喻成一个拥有一般常识的大脑，那么提示工程就是在教它如何思考，从而更有效的结合知识得出答案。像 AutoGPT 就是这样，他通过精心设计的 prompt，就能让 GPT-4 自行完成各种任务。为了让同学们了解这其中的思想，我们先从“思维链”开始介绍。

思维链（Chain of Thought）

思维链（Chain of Thought）在 ChatGPT 推出后不久就被提出，具体来说就是通过手动编写示例的方式让 GPT-3 将问题的思考过程也生成出来，通过这种方式 GPT-3 回答的效果会有大幅提升。就像我们在写比较复杂的计算题，将过程一步一步写出来的正确率会比直接写出答案要高。

后来有人发现，只需要加上 “Let’s think step by step.” 这一魔法提示，就能达到一样的效果，还不需要写示例。并且他还在这基础上，额外让 GPT 根据它前面附带思考过程的回答，再总结出一个更简洁的答案，相当于把思考过程隐藏起来。

我这里想强调的是，我们用 LLM 构建应用时，完全可以在输出最终答案前多