上海交通大学、亚马逊网络服务和耶鲁大学的研究解决了理解语言代理中的思维链（CoT）技术的基础机制和合理性的问题。该研究强调了CoT推理在LLM（语言模型）中的重要性，并探索其与自治语言代理的先进性之间的复杂联系。
研究还研究了CoT验证方法在提高推理性能和可靠性方面的作用和有效性。这个全面的资源适用于初学者和有经验的研究人员，帮助他们提高对CoT推理和语言代理的理解。该研究深入探讨了LLM中CoT推理的发展，以及保证模型可靠性和精确性的不同CoT验证方法。对于这一领域的新手和有经验的研究人员来说，它是一个有用的参考。
该研究重点关注语言智能的发展以及语言模型（LLMs）如何在理解和推理方面取得显著进展，使其像人类一样思考。其中一种策略是CoT提示，它在模式、推理格式和应用方面得到了发展。LLM中的CoT推理将复杂问题有效地分解为可管理的步骤。它可以通过将CoT技术整合到语言代理中来理解和执行现实或模拟任务。该研究旨在探索CoT机制，分析范式转变，并研究以CoT技术驱动的语言代理的发展。
建议的方法包括探索和分析CoT推理及其在语言代理中的应用。它包括利用各种CoT技术，如Zero-Shot-CoT和Plan-and-Solve提示，以提高语言代理的性能。该方法强调了CoT在生成说明和示例以及验证过程中的重要性。它还将指令生成方法进行分类，并讨论整合维基百科和Google等外部知识源以提高推理链准确性。
CoT提供了改进泛化、效率、定制化、可伸缩性、安全性和评估的解决方案。引言提供了初学者和有经验的研究人员的详细信息，强调了CoT推理和语言代理的基本原则和当前进展。
综上所述，本评述全面地考察了从CoT推理到自动化语言代理的发展，强调了先进性和研究领域。CoT技术显著改进了LLMs，使语言代理能够理解指令并执行任务。该研究涵盖了模式优化和语言代理开发等基本机制，以及未来的研究方向，包括泛化、效率、定制化、扩展性和安全性。这篇评述适合该领域的初学者和有经验的研究人员阅读。