Maciej Besta, Nils Blach, Ales Kubicek, Robert Gerstenberger, Michal Podstawski, Lukas Gianinazzi, Joanna Gajda, Tomasz Lehmann, 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（LLMs）的提示（prompting）能力，超越链式思维（Chain-of-Thought）或思维树（Tree of Thoughts, ToT）等现有范式。GoT 的核心思想是将 LLM 生成的信息建模为任意图结构，其中信息单元（即“LLM 思维”）作为顶点，边表示这些顶点之间的依赖关系。这种方法能够将任意 LLM 思维组合成协同结果、提炼整个思维网络的精华，或通过反馈回路增强思维。实验表明，GoT 在多种任务上优于现有方法，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%。GoT 支持新思维变换的扩展，可用于开创全新的提示方案。这项工作使 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。