拆解复杂问题的策略：Flow Engineering

看到 Andrej Karpathy 转发了一篇论文，主题是用 Flow Engineering 提升 AI 生成代码的准确性。我好奇什么是 Flow Engineering 以及其用来解决复杂问题的思路是什么，毕竟让 AI 生成代码算得上是相当复杂的任务了吧。

我们知道，在优化提示词的时候，或者说 Prompt Engineering 的时候，视角是放在如何更清晰地描述问题，以及应用各种技巧让 AI 更好地理解我们的问题，从而输出符合预期的结果。

Flow Engineering，按照我的理解，是把视角拉到一个更高的角度来系统地审视问题的整个解决方案：问题是什么？有哪些可能的解决方案？综合来看哪个方案可以优先尝试？如何进行可行性验证？出问题了如何迭代？

Kimi 比我总结得更好，见图 1。

对于论文中具体的解决代码生成的流程见图 2。我读下来很有启发的地方有 2 点。

1. 让 AI 基于我们的问题描述做阅读理解，然后复述我们的问题。基于问题和阅读理解再针对问题的目标、边界设想可能的解决方案

这分别对应图 1 流程中的 Problem Reflection (问题反思) 和 Generate Possible Solutions (生成可能的解决方案)。

我之前犯过的一个错误是，上来就咔咔咔地对 AI 提要求，意思就是你丫就按照这个来，别整没用的。后来我慢慢意识到，实际上我应该先问问 AI 的想法，再看怎么提要求。

Andrew 老师经常说要把 LLM 当作是一个推理引擎。如果把它当作知识库来查询，它经常过于有“创意” (Hulucination)，但如果基于它庞大的知识库，让其在指定的、有清晰边界的问题范围内做推理，那么我们就收获了一个称职的顾问。

多听参考意见，自己做决定。

2. 让 AI 以某种结构化的方式输出回复能帮助 AI 梳理逻辑，从而输出质量更好的结果。论文中针对代码生成，用的是 YAML 结构。YAML 我也没看明白。但这个想法是通用的，比如以列表输出结果。

延伸一下，我猜让 AI 以 Markdown 输出应该是同样符合这个原则的。

由于论文中没有列出具体的让 AI 进行 Problem Reflection 的提示词，我在开源项目中搜了一下，见图 5。完整提示词地址是：github.com

其他流程环节中用到的提示词都在同一个目录，比如生成解决方案，是非常好的参考。

《Code Generation with AlphaCodium: From Prompt Engineering to Flow Engineering》论文地址：arxiv.org