wx02374e436a4b83501. 从链式思维到图结构：LLM推理的范式升级
大语言模型（LLM）的推理能力一直是开发者关注的焦点。早期的思维链（Chain-of-Thought，CoT）方法让LLM通过逐步推理来解决问题，就像小学生做数学题时写下计算步骤一样。这种方法确实提升了模型在数学推理等任务上的表现，但存在明显的局限性——它强制LLM按照严格的线性顺序思考，就像被限制在单行道上的车辆，无法灵活调整路线。
后来出现的思维树（Tree of Thoughts，ToT）给了LLM更多探索空间，允许模型像走迷宫时尝试不同路径。但真实的人类思考远比这复杂：我们会在不同思路间跳转，合并相似观点，甚至循环优化某个想法。这就像写作时先列大纲，再填充细节，最后反复修改润色——整个过程是网状而非线性的。
Graph of Thoughts（GoT）的创新之处在于，它首次用图结构来建模LLM的推理过程。图中每个节点代表一个"思考单元"（可以是一段文本、一组数据或代码块），边则表示思考单元间的逻辑关系。这种结构支持三种关键操作：
- 思想聚合：将多个中间结论合并成更优解（如图1中合并两个排序子序列）
- 循环优化：对同一节点反复改进（如不断润色某段文字）
- 分支探索：并行尝试不同解决路径
在实际测试中，这种架构展现出显著优势。例如在数字排序任务中，GoT比ToT的错误率降低62%，同时减少31%的计算成本。这是因为图结构允许模型先分解问题，独立解决子任务，再智能合并结果——这正是人类处理复杂问题的方式。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. GoT的核心架构解析
2.1 图结构如何表示LLM思考
GoT框架将推理过程形式化为四元组(G,T,E,R)：
- G=(V,E)：有向图，顶点V是思考单元，边E表示依赖关系
- T：支持图结构的转换操作（聚合/细化/生成）
- E：评分函数，评估思考单元质量
- R：排序函数，筛选最优解
举个例子，在文档摘要任务中：
- 顶点可能是"提取关键词"、"生成各段概要"、"整合主题"等步骤
- 边表示"整合主题"需要依赖前两个步骤的输出
- 评分函数会检查摘要是否覆盖关键信息
- 排序函数会选择信息保留度最高的版本
这种表示法的灵活性体现在：
- 支持异构节点（不同类别的思考）
- 允许循环边（迭代优化）