思维链 CoT

思维链（Chain of Thought，简称 CoT）是一种引导大语言模型在回答问题前先逐步写出中间推理过程、再给出最终答案的技术，常用于提升模型处理数学计算、逻辑推理等复杂任务的能力。

概述

传统的提示方式往往要求模型直接输出答案，遇到多步推理问题时容易出错。思维链的做法是让模型「把思考过程写出来」——像人做题打草稿一样，先分解问题、逐步推导，最后得出结论。实践表明，仅仅在提示词中加入「让我们一步步思考」这类引导语，或给出带推理步骤的示例，就能明显提高模型答题的准确率。

思维链由 Google 研究团队在 2022 年发表的论文中正式提出，此后迅速成为提示工程领域的基础方法，并深刻影响了后来「推理模型」的发展方向——如今不少模型在训练阶段就内置了生成长思维链的能力，会在作答前自动进行较长的内部推理。

主要特点

• 分步推理：把复杂问题拆解为一系列中间步骤，降低单步出错的概率。
• 使用门槛低：无需修改或重新训练模型，仅通过提示词即可触发。
• 过程可见：推理步骤以文字形式呈现，便于人工检查错误出在哪一步。
• 规模效应：模型参数规模越大，思维链带来的提升通常越明显。

常见变体

思维链衍生出多种改进方案：零样本思维链（Zero-shot CoT）只需一句引导语即可生效；自洽性（Self-Consistency）让模型多次推理后投票选出最一致的答案；思维树（Tree of Thoughts）则允许模型探索多条推理路径并回溯，适合更复杂的规划类任务。

常见问题

问：思维链和普通提示词有什么区别？答：普通提示直接要答案，思维链要求模型先写出推理步骤再作答，相当于强制模型「先想后说」，在多步推理任务上准确率更高。

问：思维链有什么局限？答：它会增加输出长度和调用成本；模型写出的推理过程也不一定是其真实的「思考」，有时步骤看似合理但结论仍然错误，需要结合校验手段使用。

问：现在还需要手动写思维链提示吗？答：对内置推理能力的新一代模型，简单任务通常不必刻意引导；但在复杂任务中，明确要求分步推理或给出示例仍然有帮助。