Paper: Automatic Chain of Thought Prompting in Large Language Models
一句话概括
Auto-CoT通过自动化方式构建思维链示例，消除了手动设计CoT提示的人工成本，同时保持甚至超越了手工CoT的推理性能。
核心思想
手动设计CoT示例费时费力且需要专业知识。Auto-CoT提出两步自动化流程：首先使用聚类算法将问题按语义相似性分成若干类别；然后从每个类别中选取代表性问题，用Zero-Shot CoT让模型自动生成推理链作为示例。通过多样性采样确保示例覆盖不同类型的问题，避免了单一类型示例导致的偏差。
关键创新
1) 完全自动化CoT示例构建过程；2) 用聚类确保示例多样性，降低错误推理链的负面影响；3) 证明自动生成的示例可以匹配甚至超越人工设计；4) 方法简单通用，可应用于各种推理任务。
深远影响
Auto-CoT推动了提示工程从手工艺走向自动化。它证明了LLM可以为自己生成有效的推理示例，减少了对人类专家的依赖，使CoT方法更加实用和可扩展。
启发与思考
Auto-CoT的核心贡献在于”自举”——用模型自己的能力来提升模型自己的表现。多样性是关键：覆盖不同类型的问题比精心优化单个示例更重要。这对自动化提示优化领域有重要启示。