这篇论文提出一种自动化的思维链（CoT）提示方法，它通过生成多样化问题的推理链来展示解决问题的过程，这种方法的性能与传统需要人工介入设计思维链的方法相当，甚至可能更优。
论文标题：Automatic Chain of Thought Prompting in Large Language Models
作者：Zhuosheng Zhang，Aston Zhang、Mu Li、Alex Smola
论文全文：https://arxiv.org/abs/2210.03493
代码仓库：https://github.com/amazon-science/auto-cot
论文主要探讨如何在使用大语言模型（LLMs）进行复杂推理任务时，自动生成推理思维链（chain-of-thought，CoT）。
CoT提示是一种促使LLMs生成中间推理步骤的技术，有两种主要范式：
一种是使用简单的提示词（如“Let’s think step by step”）来促进LLMs逐步推理。
另一种是手动为每个问题设计由问题和推理链组成的示例。
虽然手动设计的思维链示例（Manual-CoT）性能更好，但需要大量的人力，而且其性能依赖于精心设计的示例。
作者提出一种自动生成思维链提示的方法（Auto-CoT），通过提出多样化的问题并自动生成推理链来构建示例，不再依赖手动设计示例。
Auto-CoT方法包括两个主要步骤：
首先将给定数据集的问题划分为几个簇，然后从每个簇中选择一个代表性问题，并使用简单的启发式方法通过Zero-Shot-CoT生成其推理链。
Auto-CoT使用“Let’s think step by step”提示来为每个问题生成推理链，但这种方法生成的链可能包含错误。好在增加问题的多样性可以减轻这些错误的影响。
作者在十个公共基准推理任务上利用GPT-3评估了Auto-CoT，并发现其性能与传统需要人工介入设计思维链的方法相当，甚至可能更优。
实验证明，即使在示例中存在一定比例的错误推理链，多样性也可以帮助维持整体推理性能。
这表明LLMs可以通过自动构建示例来执行CoT推理。