Self-Consistency 自一致性采样 - AI推理一致性验证

📖 定义

Self-Consistency（自一致性）是一种推理增强技术：采样N条独立的Chain-of-Thought推理路径，统计各答案出现频次，取多数答案作为最终输出。

来源：Wang et al., "Self-Consistency Improves Chain of Thought Reasoning in Language Models", ICLR 2023

🎲 通俗比喻

就像考试时不确定答案，你把同一道题做了5遍——如果3次算出42，2次算出43，你选42。为什么？因为"多数人走的路，大概率是对的"。

这也是"三个臭皮匠顶个诸葛亮"的AI版——单个推理路径可能出错，但多条路径一起投票，正确答案更容易脱颖而出。

周星驰电影里说："天下武功，唯快不破。"但Self-Consistency说："天下推理，唯多不错。"——跑得越多，越不容易错。

⚙️ 采样可视化

同一个问题，采样5条推理路径：

路径1: 思考A → 思考B → 答案 = 42
路径2: 思考C → 思考D → 答案 = 42  
路径3: 思考A → 思考E → 答案 = 42
路径4: 思考F → 思考G → 答案 = 43  ❌ 少数
路径5: 思akingH → 思考I → 答案 = 42

统计结果：42出现4次，43出现1次
最终答案：✅ 42（多数获胜）

N=5-40

推荐采样次数

+15-30%

算术准确率提升

N×Token

Token成本倍数

🎯 OpenClaw实战应用

# OpenClaw Self-Consistency Skill 示例
name: self_consistency_solver
description: 自一致性采样解决数学/推理问题

parameters:
  num_samples: 10  # 采样次数
  temperature: 0.7  # 需要较高温度产生多样性

steps:
  - name: sample_reasoning_paths
    action: llm_batch
    repeat: {{num_samples}}
    prompt: |
      使用Chain-of-Thought解决以下问题：
      {{problem}}
      请给出详细的推理步骤。
      
  - name: aggregate_answers
    action: aggregate
    method: majority_vote
    inputs: "{{sample_reasoning_paths.outputs}}"
    
  - name: final_result
    action: llm
    prompt: |
      通过{{num_samples}}次独立采样，多数答案为：{{aggregate_answers.winner}}
      出现次数：{{aggregate_answers.count}}/{{num_samples}}
      确信度：{{aggregate_answers.confidence}}%

✅ 适用场景

算术计算：多位数乘除、复杂运算
逻辑推理：多步骤逻辑题
选择题：答案空间有限的场景
代码输出：需要一致性输出的代码生成

⚠️ 注意：Self-Consistency只适用于答案空间有限、可统计的场景。对于开放式生成（如创意写作），多数投票不适用。

🔗 相关术语

📚 延伸阅读

原论文：Self-Consistency Improves CoT Reasoning
Anthropic/OpenAI评估套件中Self-Consistency是标配技术

🎲 Self-Consistency自一致性采样