@tom_doerr: 使用LLMs通过图形解决复杂问题 https://github.com/spcl/graph-of-thoughts…

使用LLM通过图来解决复杂问题 https://t.co/mAEsrbYjdK https://t.co/T2eGGebdAt — # spcl/graph-of-thoughts 源码：https://github.com/spcl/graph-of-thoughts # Graph of Thoughts (GoT) 这是 Graph of Thoughts: Solving Elaborate Problems with Large Language Models（https://arxiv.org/pdf/2308.09687.pdf）的官方实现。该框架使你能够通过将复杂问题建模为操作图（Graph of Operations，GoO）来解决它们，并自动以大型语言模型（LLM）作为引擎执行该图。该框架设计灵活且可扩展，不仅允许你使用新的 GoT 方法解决问题，还可以实现类似 CoT 或 ToT 等以往方法对应的 GoO。 ## 安装指南 要使用此框架，你需要安装 Python 3.8 或更高版本。 ### 安装 GoT 在运行以下两种安装方法之前，请确保已激活你的 Python 环境（如有）。 如果你是用户，只想使用 graph_of_thoughts，可以直接从 PyPI 安装： bash pip install graph_of_thoughts 如果你是开发者，想要修改代码，可以从源码以可编辑模式安装： bash git clone https://github.com/spcl/graph-of-thoughts.git cd graph-of-thoughts pip install -e . ### 配置 LLM 要使用该框架，你需要能够访问一个 LLM。请按照 Controller README 中的说明配置你选择的 LLM。 ## 快速开始 以下代码片段展示了如何使用该框架，通过类似 CoT 的方法对 32 个数字的列表进行排序。运行代码前，请确保已遵循安装指南。 python from examples.sorting.sorting_032 import SortingPrompter, SortingParser, utils from graph_of_thoughts import controller, language_models, operations # 问题输入 to_be_sorted = "[0, 2, 6, 3, 8, 7, 1, 1, 6, 7, 7, 7, 7, 9, 3, 0, 1, 7, 9, 1, 3, 5, 1, 3, 6, 4, 5, 4, 7, 3, 5, 7]" # 创建操作图 gop = operations.GraphOfOperations() gop.append_operation(operations.Generate()) gop.append_operation(operations.Score(scoring_function=utils.num_errors)) gop.append_operation(operations.GroundTruth(utils.test_sorting)) # 配置语言模型（假设当前目录下有包含 OpenAI API 密钥的 config.json） lm = language_models.ChatGPT("config.json", model_name="chatgpt") # 创建控制器 ctrl = controller.Controller( lm, gop, SortingPrompter(), SortingParser(), # 以下字典用于配置初始思维状态 { "original": to_be_sorted, "current": "", "method": "cot" } ) # 运行控制器并生成输出图 ctrl.run() ctrl.output_graph("output_cot.json") 要运行更复杂的 GoT 方法，可以使用以下代码片段。 python from examples.sorting.sorting_032 import SortingPrompter, SortingParser, got, utils from graph_of_thoughts import controller, language_models, operations # 问题输入 to_be_sorted = "[0, 2, 6, 3, 8, 7, 1, 1, 6, 7, 7, 7, 7, 9, 3, 0, 1, 7, 9, 1, 3, 5, 1, 3, 6, 4, 5, 4, 7, 3, 5, 7]" # 获取操作图 gop = got() # 配置语言模型（假设当前目录下有包含 OpenAI API 密钥的 config.json） lm = language_models.ChatGPT("config.json", model_name="chatgpt") # 创建控制器 ctrl = controller.Controller( lm, gop, SortingPrompter(), SortingParser(), # 以下字典用于配置初始思维状态 { "original": to_be_sorted, "current": "", "phase": 0, "method": "got" } ) # 运行控制器并生成输出图 ctrl.run() ctrl.output_graph("output_got.json") 你可以通过检查输出图 output_cot.json 和 output_got.json 来比较两个结果。最终思维状态的分数表示排序列表中的错误数量。 ## 文档 论文提供了框架及其组件的高层概述。要更详细地了解该框架，你可以阅读各个模块的文档。尤其是 Controller 和 Operations 模块，对于理解如何充分利用该框架非常重要。我们特别注重代码的完整文档化，以便你轻松理解其工作原理并对其进行扩展。 ## 示例 examples 目录包含几个可以使用该框架解决的问题示例，包括论文中介绍的示例。它是学习如何使用框架解决实际问题的绝佳起点。每个示例都有一个 README.md 文件，其中包含运行和尝试该示例的说明。代码有完整文档，易于理解。你也可以直接从主目录运行示例。请注意，结果将存储在相应的示例子目录中。例如尝试： bash python -m examples.sorting.sorting_032 python -m examples.keyword_counting.keyword_counting ## 论文结果 你可以按照 examples 目录中的说明运行论文中的实验。但如果你只是想查看和重新绘制结果，可以使用 paper 目录。 ## 引用 如果你觉得这个仓库有价值，请给它一个 star！有任何问题或反馈？请随时联系 [email protected] 或提交 issue。在你的工作中使用了这项技术？请使用提供的引用信息注明我们： bibtex @article{besta2024got, title = {{Graph of Thoughts: Solving Elaborate Problems with Large Language Models}}, author = {Besta, Maciej and Blach, Nils and Kubicek, Ales and Gerstenberger, Robert and Gianinazzi, Lukas and Gajda, Joanna and Lehmann, Tomasz and Podstawski, Micha{\l} and Niewiadomski, Hubert and Nyczyk, Piotr and Hoefler, Torsten}, year = 2024, month = {Mar}, journal = {Proceedings of the AAAI Conference on Artificial Intelligence}, volume = 38, number = 16, pages = {17682-17690}, publisher = {AAAI Press}, doi = {10.1609/aaai.v38i16.29720}, url = {https://ojs.aaai.org/index.php/AAAI/article/view/29720} }