思维链（Chain of Thought）：为什么让 AI "想清楚"比"快回答"更重要

你问 AI 一道数学题，它直接甩答案——经常错。但你加一句"请一步步思考"，正确率可能翻倍。这不是玄学，而是 思维链（Chain of Thought, CoT） 在起作用。

什么是思维链？

2022 年，Google 的研究人员在论文《Chain-of-Thought Prompting Elicits Reasoning in Large Language Models》中提出：如果让大语言模型在给出最终答案之前，先写出中间推理步骤，模型在复杂任务上的表现会显著提升。

举个例子：

普通提问："小明有 12 个苹果，吃了 3 个，又买了 5 个，还剩几个？"

CoT 提问："小明有 12 个苹果，吃了 3 个，又买了 5 个，还剩几个？请一步步计算。"

普通提问，模型可能直接输出 "14"（错误）。CoT 提问，模型会输出：
1. 小明有 12 个苹果
2. 吃了 3 个：12 - 3 = 9
3. 又买了 5 个：9 + 5 = 14
4. 答案：14

这个例子里两种方法碰巧都对，但在更复杂的场景——比如多步逻辑推理、数学证明、代码调试——CoT 的优势是决定性的。

为什么有效？

核心原因：大语言模型本质上是"下一个词预测器"。它没有真正的"思考"能力，但它有一个特性——当它被迫生成中间步骤时，这些步骤会作为上下文反馈给自己，相当于给自己搭了一条"脚手架"。

具体来说：

• 减少跳跃：模型不需要一步从问题跳到答案，而是分步走，每步的错误概率更低
• 自纠错：中间步骤暴露了逻辑漏洞，模型在后续步骤中可能自行修正
• 注意力聚焦：生成中间推理时，模型的注意力机制会更精确地关联问题中的关键信息

实际怎么用？

零样本 CoT（Zero-shot CoT）：最简单，只需在问题末尾加一句"让我们一步步思考"（Let's think step by step）。不需要任何示例，适用于大多数场景。

少样本 CoT（Few-shot CoT）：在提问时提供 2-3 个带推理过程的示例。效果更强，但需要更多 token 投入。

自动 CoT：一些框架（如 LangChain、LlamaIndex）内置了 CoT 策略，可以自动在复杂查询中插入推理步骤。

代价是什么？

CoT 不是免费的：

• Token 消耗增加：推理过程可能比答案本身长 3-10 倍
• 延迟增加：生成更多 token 意味着更长的等待时间
• 不一定总是更好：简单问题（比如"北京的首都是哪里"）用 CoT 反而浪费资源

实用建议：对简单事实性问题直接问，对需要推理的复杂问题加 CoT。判断标准是——这个问题需要几步才能回答？一步？不需要 CoT。三步以上？加上。

延伸：思维链的变体

• Tree of Thoughts（ToT）：让模型生成多条推理路径，然后选择最优解。适合需要"试错"的场景。
• Graph of Thoughts（GoT）：把推理步骤组织成图结构，支持回溯和并行推理。
• Self-Consistency：让模型用 CoT 生成多个答案，取众数。简单但有效，在 GSM8K 数学基准上比单条 CoT 高出约 5 个百分点。

思维链的本质启示：给 AI 一个"思考"的结构，比给它更多数据更有价值。这不仅是提示词技巧，更是理解大模型工作原理的关键窗口。