思维链

思维链是什么

思维链（Chain-of-Thought，简称 CoT）是一种提升大模型推理能力的技术：让模型在给出最终答案之前，先展示中间的推理步骤——像人解数学题一样，一步一步写过程，再得出结论。

直观理解：直接问「一个苹果 5 元，买 3 个再打 8 折，一共多少钱？」，模型可能直接猜答案；但如果要求它「先算原价 15 元，再算 8 折=12 元」，它按步骤走，答案准确率明显更高。

为什么它有效

大模型本质上是在「预测下一个词」，让它一口气给出复杂问题的答案时，它容易跳过关键推理直接跳到结论，出错率上升。思维链的作用是：

1. 强制分解：把复杂问题拆成中间步骤，每一步的预测难度降低。
2. 推理可见：错误更容易定位——你能看到它错在哪一步，而不是只有一个错误答案。
3. 激活能力：研究表明，展示推理过程能显著提升模型在数学、逻辑、多跳问答等任务上的表现。

在提示词实践中，最简单的用法就是在指令里加一句「请一步一步思考」或「先列出推理步骤，再给出结论」。这也被称为「思维链提示」（CoT Prompting）。

与相关概念的区别

CoT vs 普通提示：普通提示直接要求答案；CoT 要求先给推理过程。效果差异在复杂任务上很明显，简单任务上差别不大。

CoT vs 少样本提示（Few-shot）：少样本是给示例；CoT 的示例里包含「推理过程 + 答案」的形式。两者可以组合使用：给 1~2 个带推理过程的示例，效果更稳。

CoT vs 思维树/自我反思：思维树（ToT）是让模型探索多条推理路径后择优；自我反思是让模型检查并修正自己的答案。CoT 是最基础、最简单的一环，后两者是它的进阶。

局限与注意事项

• 不是万能药：对简单任务可能过度啰嗦，增加输出 Token 与成本。
• 可能「假装推理」：模型展示的推理过程不一定真实可靠，结论仍需判断。
• 敏感任务注意输出安全：要求模型展示推理时，要避免其输出有害内容，部分场景需要对中间过程做约束。
• 效果因模型而异：新一代模型很多已内置推理能力（隐式 CoT），显式要求的效果不一定更强，需实测。

如何应用

• 写提示词时：对数学、逻辑、规划类问题，主动加「请分步推理」。
• 排查错误时：让模型展示过程，定位它是哪一步推理出错，再针对性修正。
• 做复杂任务时：把大任务拆成「分步执行」的指令序列，比一步到位更可靠。

小结

思维链（CoT）是通过「先分步推理、再给出结论」提升大模型复杂任务表现的核心技术，也是「让 AI 更靠谱」最简单易用的提示词技巧。它的局限在于增加成本、推理过程不一定真实，但对数学、逻辑、规划类任务依然是性价比很高的改进手段。