知识模型提示提升大型语言模型在规划任务中的表现

大型语言模型（LLM）在推理和规划任务中存在困难。尽管已有多种提示技术如思维链（CoT）被提出以辅助LLM推理，但这些方法的有效性也受到质疑。本文借鉴认知与教育科学领域，研究Task-Method-Knowledge（TMK）框架是否能进一步提升LLM的推理能力。TMK框架能够捕捉因果、目的性和层次化推理结构，并通过显式的任务分解机制，特别适合解决语言模型的推理缺陷。研究在PlanBench基准上进行实验，重点测试Blocksworld领域中的推理与规划能力，评估TMK结构化提示是否有助于将复杂规划问题分解为可管理的子任务。结果表明，TMK提示使推理模型在某些任务上的准确率从31.5%提升至97.3%，显示出其在语义近似与符号操作之间的桥梁作用。研究指出，TMK不仅作为上下文，还作为一种机制引导推理模型远离默认的语言模式，转向形式化的代码执行路径。