📄️ 概述
到目前為止，我們已經看到了許多提示/提示工程方法。 現在，我們將討論一些關於提示的進階應用程式，透過網際網路或其他外部來源搜尋資訊來解決複雜的推理任務。
📄️ 🟡 LLMs 使用 Tools
MRKL 系統(@karpas2022mrkl) (Modular Reasoning, Knowledge and Language, pronounced "miracle") 是一種神經符號結構，結合了 LLMs（神經計算）和像計算器（符號計算）這樣的外部工具，用於解決複雜問題。
📄️ 🟡 具有推理和行動能力的 LLMs
ReAct(@yao2022react)(reason, act)是一種使用自然語言推理解決複雜任務的語言模型範例。ReAct 旨在用於允許 LLM 執行某些操作的任務。例如，在 MRKL 系統中，LLM 可以與外部 API 互動以檢索資訊。當提出問題時，LLM 可以選擇執行操作以檢索資訊，然後根據檢索到的資訊回答問題。
📄️ 🟡 程式碼推理
程式輔助語言模型（Program-aided Language Models, PAL）(@gao2022pal) 是另一個 MRKL 系統的例子。給定一個問題，PAL 能夠編寫程式碼解決這個問題。它將程式碼傳送到程式設計執行時以獲得結果。PAL 的中間推理是程式碼，而 CoT 的是自然語言。