思维链（Chain of Thought）

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、再得出最终答案的技术，相当于让 AI「把解题步骤写出来」而不是直接报答案。

概述

思维链的概念于 2022 年由谷歌研究团队在论文中正式提出。研究者发现，只要在提示词中给出带有推理步骤的示例，或简单加上「让我们一步一步思考」这类引导语，大模型在数学应用题、常识推理、符号推理等任务上的表现就会大幅提升。这一发现表明，模型的推理能力在一定程度上可以通过改变提问方式被「激发」出来，而无需重新训练。

思维链之所以有效，一般认为是因为它把一个复杂问题拆解成多个简单的中间步骤，模型每一步只需完成较小的推理跳跃，出错概率随之降低；同时中间步骤对用户可见，便于检查答案是从哪一步开始出错的。这种「先想后答」的范式后来被进一步发展，成为 OpenAI o 系列、DeepSeek-R1 等推理模型的核心机制——这类模型在训练阶段就学会了自发生成长思维链。

主要特点

• 分步推理：将复杂问题拆解为一连串中间步骤，逐步推导出结论。
• 零样本可用：仅靠「一步一步思考」等引导语即可触发，无需提供示例。
• 过程可见：推理链对用户透明，便于定位错误、理解模型的思考路径。
• 规模效应：在参数量较大的模型上提升明显，小模型收益有限。
• 衍生方法丰富：思维树（ToT）、自洽性投票（Self-Consistency）等均在其基础上发展而来。

局限性

思维链并非万能：模型写出的推理步骤看似合理，结论仍可能出错，甚至出现「过程对、答案错」或步骤本身就是幻觉的情况；输出更长的推理链也意味着更多的 token 消耗和更慢的响应速度。此外,思维链展示的文字未必等同于模型内部真实的计算过程，不能完全当作可靠的「解释」。

常见问题

问：思维链和普通提示词有什么区别？答：普通提示直接要求模型给出答案，思维链则要求模型先写出推理步骤再作答，在数学、逻辑类问题上后者准确率通常明显更高。

问：思维链和推理模型是什么关系？答：早期思维链靠提示词触发，属于提示词工程技巧；而推理模型（如 OpenAI o 系列、DeepSeek-R1）把这种「先思考再回答」的行为内化到了训练中，会自动生成很长的内部思维链。

问：使用思维链有什么代价？答：主要是输出变长带来的 token 费用增加和响应变慢，因此简单问题（如查询事实）通常不需要思维链。