本書は抄訳であり内容の正確性を保証するものではありません。正確な内容に関しては原文を参照ください。

LLMアプリケーションを構築する際によく使用されるコンセプトと用語があります。それぞれのコンセプトが初めて導入された外部論文やソースへのリファレンスと、それぞれのコンセプトがLangChainで使用されている場所へのリファレンスが含まれています。

思考のチェーン

Chain of Thought (CoT)は、一連の中間的な理由づけステップを生成するようにモデルに指示を行うために使われるプロンプトテクニックです。これを導き出すやや砕けた方法には、プロンプトにおける「ステップバイステップで考えてみましょう」が含まれます。

アクションプラン生成

Action Plan Generationは、言語モデルに実行すべきアクションを生成させる際に使用するプロンプトテクニックです。後続のアクションを生成するために、これらのアクションの結果をモデルにフィードバックすることもできます。

ReActはアクションプラン生成とChain-of-Thoughtプロンプトを組み合わせるプロンプトテクニックです。これには、取るべきアクションをモデルに考えさせ、実行させることが含まれます。

Self-askはchain-of-thoughtプロンプトの上に構築されるプロンプト手法です。この手法では、モデルは明示的に自分自身にフォローアップの質問を行います。これは、外部検索エンジンによって回答されます。

Prompt Chainingは、複数のLLM呼び出しを組み合わせ、あるステップの出力が次の入力となります。

Memetic Proxyは、モデルが理解し、該当するタイプのレスポンスを生成するコンテキストを通じた議論を特定の方法でフレーミングすることで、LLMに反応するように指示をします。例えば、生徒と先生の会話などです。

Self Consistencyは、広範な理由づけのパスのセットをサンプリングし、最も一貫性のある回答を選択するデコーディング戦略です。Chain-of-thoughtプロンプトと組み合わせると最も効果的です。

InceptionはFirst Person Instructionとも呼ばれます。プロンプトにモデルのレスポンスの最初を含めることで、モデルに特定の方法で考えるように指示します。

MemPromptは、エラーとユーザーフィードバックのメモリーを維持し、間違いの繰り返しを防ぐためにそれらを活用します。