思维树

Parent: ai_keywords

思维树（Tree of Thoughts, ToT）

【核心定义】

思维树是一种增强大型语言模型（LLM）推理能力的框架，通过显式构建和探索多条思维路径（树结构），并利用启发式搜索选择最优分支，突破传统自回归模型在复杂问题中的局部最优陷阱。其核心思想借鉴人类决策中的“假设-验证-回溯”过程，将推理分解为可评估的中间步骤，适用于需要规划、多步推理或创意的任务（如数学证明、密码破解）。

【关键技术点】

• 思维单元与分解：将问题拆解为离散的“思维”节点（如文本片段、逻辑命题），每个节点代表中间推理步骤，形成树的分支。
• 搜索策略：采用广度优先（BFS）或深度优先（DFS）遍历，结合节点评估值（如LLM自评的“确定性分数”）剪枝低效路径。
• 评估函数：利用LLM对每个思维进行价值或可行性打分（如“该计划完成概率”），支持回溯时重新选择父节点。
• 回溯与分支：当路径被评估为无效时，回退至上一节点并探索其他分支，避免过早收敛。
• 集成决策：聚合多条路径的结果（如投票或加权平均），提升最终推理的鲁棒性与自洽性。

【医学/神经科学应用场景】

结合首都医科大学神经病学对执行功能障碍（如阿尔茨海默病早期）的研究，思维树可构建认知决策诊断模型。例如，在威斯康星卡片分类测试（WCST）中，患者需根据反馈规则调整分类策略。通过将卡片分类过程映射为思维树（每张卡片是一个推理节点），利用LLM生成可能的分类理由，并计算患者的“搜索深度”（规则探索次数）、“回溯频率”（错误后改规则次数）及“分支广度”（同时考虑的分类维度数）。与健康对照比较，AD患者的思维树呈现搜索深度浅、回溯不足、分支单一的特征，量化反映前额叶执行功能退化。此外，该模型可辅助设计个性化认知训练任务：根据患者当前树的“病理结构”，动态调整任务难度（如减少分类维度或增加反馈延迟），实现渐进式神经康复。