RAT：利用检索增强思维（CoT+RAG）提高大模型在长文任务中的推理和生成能力！

检索增强思维（ Retrieval Augmented Thoughts, RAT ）通过迭代修订思维链来显著提高大型语言模型（LLMs）在长期生成任务（

代码生成、数学推理、创意写作和具身任务规划等

）中的推理和生成能力，同时大幅减轻幻觉现象。 RAT方法通过检索与任务查询、当前和过去思维步骤相关的信息来逐个修订每个思维步骤，从而在初始零次CoT（链式思维）生成后进行修订。

检索增强思维（RAT）流程 。给定一个任务提示（图中表示为I），RAT从LLM生成的初始逐步思考（T1, T2, ..., Tn）开始进行zero-shot（“让我们一步步思考”）。一些思考步骤（如图中的T1）可能因幻觉而存在缺陷。RAT使用来自外部知识库（表示为图书馆）的RAG迭代修订每个思考步骤（T★1, T★2, ..., T★i-1, Ti）。

RAT的提示策略包括以下几个步骤：

1. 生成初始CoT：首先，LLM根据任务提示进行零次射击处理，生成一系列逐步的思考（CoT），这些思考代表了解决问题的中间步骤。

2. 查询生成：然后，将任务提示和已经生成的CoT作为查询，用于从外部知识库中检索相关信息。

3. 信息检索：使用检索到的信息，LLM对每个CoT步骤进行修订，以纠正可能存在的错误或幻觉。

4. 逐步修订：LLM按照CoT的顺序逐步生成响应，每一步都基于检索到的信息和之前修订过的思考步骤进行。

5. 最终生成：在所有CoT步骤都经过修订后，LLM将这些修订后的思考步骤整合起来，生成最终的输出。

不同大型语言模型（LLM）在创意生成任务中的推理方法示例 。 红色文本 表示LLM生成文本中的错误或幻觉，而 绿色文本 代表正确的生成。没有使用RAG的方法通常会产生带 有幻觉的错误信息 ，传统的RAG与检索到的 内容高度相关但结构松散 ，而RAT生成的文本在 准确性和完整性方面表现最佳 。

将RAT应用于GPT-3.5、GPT-4和CodeLLaMA-7b等模型，在代码生成、数学推理、创意写作和具身任务规划等各种长期生成任务上显著提高了性能。例如，

在代码生成任务中，RAT相对于直接方法（DIRECT）的平均评分提高了13.63%，在数学推理任务中提高了16.96%，在创意写作任务中提高了19.2%，在具身任务规划中提高了42.78%。

不同LLM推理方法在复杂具身规划、数学推理、代码生成和创意生成任务上的定量性能比较。RAT在所有任务上都超越了所有基线方法。

          
RAT: Retrieval Augmented Thoughts Elicit Context-Aware Reasoning in Long-Horizon Generation
          
https://arxiv.org/pdf/2403.05313.pdf
          
https://craftjarvis.github.io/RAT