Maciej Besta, Nils Blach, Ales Kubicek, Robert Gerstenberger, Lukas Gianinazzi, Joanna Gajda, Tomasz Lehmann, Michal Podstawski, Hubert Niewiadomski, Piotr Nyczyk, Torsten Hoefler
本文提出了 思维图（Graph of Thoughts, GoT） 框架，旨在提升大型语言模型（LLM）的提示（prompting）能力，超越现有的 Chain-of-Thought 或 Tree of Thoughts (ToT) 等范式。GoT 的核心思想与主要优势在于：将 LLM 生成的信息建模为任意图结构，其中信息单元（"LLM 思维"）作为顶点，边对应这些顶点之间的依赖关系。该方法能够将任意 LLM 思维组合成协同结果、提炼整个思维网络的精髓，或通过反馈循环增强思维。
实验表明，GoT 在不同任务上均优于现有最先进方法，例如在排序任务上相比 ToT 质量提升了 62%，同时成本降低了超过 31%。此外，GoT 支持扩展新的思维变换，因此可用于开创新的提示方案。该工作使 LLM 推理更接近人类思维或大脑机制（如循环机制），这些机制均构成复杂网络。