复杂的推理任务——数学题、逻辑谜题、多步决策——往往难倒标准提示词。思维链提示Chain-of-Thought, CoT通过引导模型逐步展示推理过程来解决这个问题从而获得更准确、更可验证的答案。如果说结构化输出是关于“格式”那么思维链就是关于“过程”——让模型的思考过程变得透明。什么是思维链思维链提示是一种技术它鼓励模型在给出最终答案之前生成一系列中间的推理步骤。与其直接跳到结论模型会展示它是如何一步步得出答案的。直接回答 vs 思维链直接回答Direct Answer思维链Chain-of-Thought方式模型直接输出答案无推理过程模型逐步展示推理然后给出答案适用场景简单事实性问题数学、逻辑、多步推理任务可验证性低——无法检查推理是否正确高——每个步骤都可审查准确率复杂任务上较低复杂任务上显著更高幻觉风险较高——可能自信地给出错误答案较低——推理过程暴露了思维中的漏洞【批注】思维链的核心价值是让推理过程可检查。当你看到模型的每一步推理时你不仅知道它给出了什么答案还知道它是怎么得出这个答案的——这让你可以在关键步骤上验证逻辑是否正确。一个简单示例直接提示无思维链提示词一个商店有120个苹果。它卖出了三分之一然后又卖出了剩余的一半。还剩下多少个苹果模型回答40个苹果。思维链提示带推理提示词一个商店有120个苹果。它卖出了三分之一然后又卖出了剩余的一半。还剩下多少个苹果请逐步展示你的推理。模型回答初始有120个苹果卖出了三分之一120 × 1/3 40个剩余120 - 40 80个又卖出了剩余的一半80 × 1/2 40个最终剩余80 - 40 40个答案40个苹果。【批注】注意最终的答案40是一样的但思维链版本让你看到了计算过程因此你可以验证每一步是否正确。如果答案错了你也能精准定位到哪一步出了问题——这在调试和信任建立上非常关键。思维链的工作原理技术解释大语言模型本质上是下一个token预测器。当你要求模型逐步推理时你实际上是在让它“说出”它自己的推理过程。而推理过程的中间token又成为后续预测的下文这种自回归机制每个新token都基于之前的所有token生成使得每一步推理都能为下一步提供更精准的上下文。用比喻来理解让AI直接回答复杂问题就像让一个数学天才在几秒钟内给出心算答案——可能会错。但让AI逐步展示计算过程就像让数学家在一张纸上写下推导——不犯错的机会更大。关键机制是模型生成一个推理步骤这个步骤成为后续生成的上下文模型基于更丰富的上下文生成下一步重复直到得出最终答案这种自回归的“链式”过程大大降低了在复杂推理中出错的概率。思维链为什么有效分解复杂性将复杂问题分解为更小、更易处理的部分。减少错误中间步骤充当“检查点”防止错误累积。提高可解释性推理透明可以审查和验证。激活相关知识逐步推理激活了训练数据中相关的“推理模式”。作为工作记忆中间步骤像AI的“草稿纸”帮助它记住正在处理的内容。【批注】“作为工作记忆”这一点经常被忽略。AI的上下文窗口虽然可以容纳很多token但推理过程中如果不把中间结果“写下来”模型可能会“忘记”前面得出的结论——就像人类心算时容易忘记中间数字一样。思维链的本质是把AI的“草稿纸”暴露出来。零样本思维链Zero-Shot CoT零样本思维链是最简单的思维链技术在提示词末尾加上一个简单短语——“让我们一步步思考”Lets think step by step。这通常就足以触发模型的逐步推理而不需要任何示例。基本用法提示词如果一个披萨被切成8片我吃了3片我的朋友吃了2片还剩下多少片让我们一步步思考。模型回答披萨被切成8片我吃了3片8 - 3 5片剩余朋友吃了2片5 - 2 3片剩余答案3片。常用触发短语短语适用场景“让我们一步步思考”最通用的触发语“逐步展示你的推理”适用于需要详细推理的场景“先解释你的思考过程然后给出答案”适用于希望先看推理再看结论的场景“通过逐步推理来解决”适用于数学和逻辑问题“在回答之前仔细分析这个问题”适用于复杂、有歧义的问题【批注】“让我们一步步思考”是最经典的触发语它之所以有效是因为模型的训练数据中包含了大量“Step-by-step”的推理示例——当模型看到这个短语时它会在统计上倾向于生成类似结构的推理文本。这也意味着你可以创造出新的触发语只要它们在训练数据中有对应的模式。零样本CoT的局限性零样本CoT虽然简单但对非常复杂的任务可能效果不佳。模型可能会生成看似合理但逻辑有缺陷的推理过早地得出结论无法处理需要特定领域知识的多步推理少样本思维链Few-Shot CoT少样本思维链通过提供完整的推理示例来引导模型。你向模型展示几个“问题→逐步推理→最终答案”的例子然后让它处理新的问题。这种方法比零样本CoT更强大尤其适用于复杂的、特定领域的推理任务。基本结构提示词示例1问题一个袋子里有3个红球和2个蓝球。随机取出一个球它是红色的概率是多少推理袋子里总共有325个球。其中3个是红色的。所以概率是3/5。答案3/5示例2问题一个骰子有6个面编号1到6。掷出偶数的概率是多少推理骰子上有6个面。偶数有2、4、6共3个。所以概率是3/61/2。答案1/2现在解决这个问题问题一副标准扑克牌有52张牌其中13张是黑桃。随机抽取一张牌它不是黑桃的概率是多少模型回答推理一副牌有52张。黑桃有13张。不是黑桃的有52-1339张。所以概率是39/523/4。答案3/4少样本CoT的优势优势说明更高的准确性示例教会模型“如何思考”特定类型的问题更好的格式控制示例可以展示你想要的精确输出格式领域适应性可以提供特定领域的推理示例法律推理、医学诊断等一致性多次查询的推理风格保持一致【批注】少样本CoT可以被理解为“教模型如何思考”而不是“教模型知道什么”。你提供的示例不是为了让模型记住答案而是为了让它学会推理的模式。这就是为什么示例的“推理过程”比“最终答案”更重要——你在演示的是思维方法而非知识内容。高级思维链技术自洽性Self-Consistency自洽性是一种高级技术对同一个问题生成多条思维链路径然后选择出现频率最高或最一致的答案。这种方法利用了“多条路径指向同一答案则更可信”的直觉。工作流程要求模型用思维链解决问题温度设置较高增加多样性重复多次通常3-5次比较所有推理路径得出的最终答案选择最频繁出现的答案自洽性提示词模板使用思维链逐步解决这个问题。生成多个推理路径确保你的答案在逻辑上自洽。比较不同的方法选择最可靠的答案。问题[你的问题]【批注】自洽性的核心思想是如果模型用三种不同的推理路径都得到了同一个答案那这个答案的正确概率就比单一路径高得多。这种方法在实际应用中能显著提高准确率代价是多次API调用和更高的token消耗。思维树Tree-of-Thoughts, ToT思维树是思维链的扩展。它不只是一个线性链而是探索多个推理分支并在每个分支上进行评估和剪枝选择最有希望的方向继续探索。简化的ToT提示词模板探索这个问题的多种解决方法。对每个方法概述推理路径评估这个路径的前景如果前景好继续深入如果遇到死胡同回溯并尝试其他路径问题[你的问题]【批注】思维树是思维链的“进化版”——如果说思维链是“一条路走到黑”那么思维树是“多条路并行探索择优而行”。目前最先进的推理模型如OpenAI o1系列的核心技术之一就与此类似。推理——行动——观察循环ReAct PatternReActReasoning Acting模式将推理与行动结合起来。模型不仅思考还能调用外部工具如搜索、计算器、API来获取信息然后根据观察结果继续推理。ReAct提示词模板你是一个能够使用工具的推理代理。你需要解决这个问题。工具search(query)在互联网上搜索信息calculate(expression)计算数学表达式read(url)读取网页内容格式Thought[你当前的推理]Action[你想使用的工具和参数]Observation[工具返回的结果]重复Thought/Action/Observation直到问题解决...最终答案[最终答案]问题[你的问题]【批注】ReAct模式是目前AI Agent智能体系统的核心范式之一。它让模型不再只是一个“思考者”而是一个“行动者”——遇到不确定的信息就主动查询遇到复杂计算就调用计算器。这种“思考-行动-观察”循环大大扩展了AI的能力边界。常用思维链触发语速查场景推荐触发语数学题“逐步求解展示每一步计算”逻辑推理“分析这个逻辑逐条梳理你的推理”决策分析“评估每个选项的优缺点然后做出决策”代码调试“逐行分析代码找出可能的问题点”文本分析“逐段分析文本提取关键信息”复杂问题“把这个问题分解成3-5个步骤逐步解决”一般使用“让我们一步步思考”最通用应避免的反模式伪思维链Fake Chain-of-Thought模型可能生成看起来像推理的文本但实际上是在编造合理的解释来匹配它已经得出的答案。这是伪思维链。如何识别步骤过于模糊或笼统关键跳转没有逻辑连接步骤只是复述问题没有真正的“推理”最终答案与推理过程脱节如何避免要求“在每个步骤中解释你的逻辑依据”使用少样本示例展示真正的推理模式要求“关键决策点”明确标注过度推理Over-Reasoning对于简单问题使用思维链可能不必要地增加token消耗和延迟。思维链只应用于需要推理的复杂任务。何时使用思维链多步计算逻辑谜题需要比较和权衡的决策代码调试复杂的文本分析何时避免思维链简单事实性问题“法国的首都是什么”基本翻译任务直接摘要格式转换【批注】使用思维链是有成本的——更多的token、更高的延迟。把思维链用在一个“22等于几”的问题上是浪费。把思维链留给真正需要推理的任务这是一条重要的工程实践原则。实战示例数学问题提示词一家公司2023年的收入为500万美元2024年增长了12%2025年又增长了8%。2025年的收入是多少请逐步展示你的计算。模型回答2023年收入$5,000,0002024年增长12%$5,000,000 × 1.12 $5,600,0002025年增长8%$5,600,000 × 1.08 $6,048,000答案2025年的收入为$6,048,000。逻辑推理提示词三间房子里分别住着三个人Alice、Bob和Charlie。已知Alice不住在红房子里Bob住在蓝房子里绿房子的主人不是Charlie谁住在绿房子里一步步推理。模型回答Bob住在蓝房子里。所以蓝房子的主人是Bob。Alice不住在红房子里所以她只能住在蓝房子或绿房子里。但蓝房子已经是Bob的所以Alice不能住蓝房子。因此Alice一定住在绿房子里。答案Alice住在绿房子里。代码调试提示词以下JavaScript函数应该返回数组中所有正数的和但它没有按预期工作。逐步分析代码并找出bug。javascriptfunction sumPositive(numbers) { let sum 0; for (let i 0; i numbers.length; i) { if (numbers[i] 0) { sum numbers[i]; } } return sum; }模型回答循环条件为i numbers.length数组的索引从0到length - 1当i等于numbers.length时numbers[i]是undefinedundefined 0为false所以虽然不报错但循环多跑了一次修复方法将改为修复后的代码javascriptfor (let i 0; i numbers.length; i) {总结核心要点复杂任务使用思维链——数学、逻辑、多步决策零样本CoT用“让我们一步步思考”触发少样本CoT用完整示例演示推理模式自洽性多路径推理选择最一致的答案思维树探索多个推理分支择优而行ReAct推理行动观察循环结合外部工具识别伪思维链——确保推理逻辑真实有效避免过度推理——简单问题直接回答小测验问题思维链提示的主要目的是什么A. 让AI的回答更长B. 让模型在给出答案前展示其推理过程C. 限制AI的创造力D. 减少API调用成本解析思维链通过要求模型逐步展示推理过程使复杂任务的答案更准确、可验证。核心原则检查清单更新在完成本章后将“验证与核实”原则具体化对于复杂推理任务使用思维链提示检查推理步骤的逻辑连贯性验证中间步骤是否正确对关键决策考虑使用自洽性区分真实推理和伪思维链【总批注】本章定位思维链提示是提示工程中最核心的进阶技术。前五章教你“说什么”这一章教你“怎么想”——通过引导模型的推理过程来获得更准确、更可靠的答案。零样本 vs 少样本 CoT零样本CoT简单快捷适合通用推理场景。“让我们一步步思考”这六个字就能产生显著效果。少样本CoT更强大适合特定领域任务。通过2-3个完整推理示例模型能学会特定领域的推理模式。高级技术的关系自洽性 多条思维链 投票决策提高准确率思维树 思维链 分支探索 剪枝更系统的问题解决ReAct 思维链 外部工具调用扩展能力边界工程实践建议先用零样本CoT试试——成本低、效果好如果不够再加少样本示例对关键决策考虑用自洽性多跑几次对极其复杂的问题考虑思维树或ReAct“伪思维链”的警示这是初学者最容易忽略的问题。模型可能会“假装”在推理实际上只是在编造听起来合理的解释。如果你发现模型的推理步骤是“1. 这个问题很复杂2. 我们需要分析它3. 结论是X”——而中间的推理完全没有实质内容——这就是伪思维链。真正的思维链应该包含可验证的计算、比较或逻辑推导。学习建议读完本章后找一个你日常遇到的复杂问题比如“我应该选择哪个云服务商”分别用“直接回答”、“零样本CoT”、“少样本CoT”三种方式让AI回答对比输出质量和可信度的差异。你很快会发现——好的推理过程比好的答案更有价值。
复杂的推理任务——数学题、逻辑谜题、多步决策——往往难倒标准提示词。思维链提示Chain-of-Thought, CoT通过引导模型逐步展示推理过程来解决这个问题从而获得更准确、更可验证的答案。如果说结构化输出是关于“格式”那么思维链就是关于“过程”——让模型的思考过程变得透明。什么是思维链思维链提示是一种技术它鼓励模型在给出最终答案之前生成一系列中间的推理步骤。与其直接跳到结论模型会展示它是如何一步步得出答案的。直接回答 vs 思维链直接回答Direct Answer思维链Chain-of-Thought方式模型直接输出答案无推理过程模型逐步展示推理然后给出答案适用场景简单事实性问题数学、逻辑、多步推理任务可验证性低——无法检查推理是否正确高——每个步骤都可审查准确率复杂任务上较低复杂任务上显著更高幻觉风险较高——可能自信地给出错误答案较低——推理过程暴露了思维中的漏洞【批注】思维链的核心价值是让推理过程可检查。当你看到模型的每一步推理时你不仅知道它给出了什么答案还知道它是怎么得出这个答案的——这让你可以在关键步骤上验证逻辑是否正确。一个简单示例直接提示无思维链提示词一个商店有120个苹果。它卖出了三分之一然后又卖出了剩余的一半。还剩下多少个苹果模型回答40个苹果。思维链提示带推理提示词一个商店有120个苹果。它卖出了三分之一然后又卖出了剩余的一半。还剩下多少个苹果请逐步展示你的推理。模型回答初始有120个苹果卖出了三分之一120 × 1/3 40个剩余120 - 40 80个又卖出了剩余的一半80 × 1/2 40个最终剩余80 - 40 40个答案40个苹果。【批注】注意最终的答案40是一样的但思维链版本让你看到了计算过程因此你可以验证每一步是否正确。如果答案错了你也能精准定位到哪一步出了问题——这在调试和信任建立上非常关键。思维链的工作原理技术解释大语言模型本质上是下一个token预测器。当你要求模型逐步推理时你实际上是在让它“说出”它自己的推理过程。而推理过程的中间token又成为后续预测的下文这种自回归机制每个新token都基于之前的所有token生成使得每一步推理都能为下一步提供更精准的上下文。用比喻来理解让AI直接回答复杂问题就像让一个数学天才在几秒钟内给出心算答案——可能会错。但让AI逐步展示计算过程就像让数学家在一张纸上写下推导——不犯错的机会更大。关键机制是模型生成一个推理步骤这个步骤成为后续生成的上下文模型基于更丰富的上下文生成下一步重复直到得出最终答案这种自回归的“链式”过程大大降低了在复杂推理中出错的概率。思维链为什么有效分解复杂性将复杂问题分解为更小、更易处理的部分。减少错误中间步骤充当“检查点”防止错误累积。提高可解释性推理透明可以审查和验证。激活相关知识逐步推理激活了训练数据中相关的“推理模式”。作为工作记忆中间步骤像AI的“草稿纸”帮助它记住正在处理的内容。【批注】“作为工作记忆”这一点经常被忽略。AI的上下文窗口虽然可以容纳很多token但推理过程中如果不把中间结果“写下来”模型可能会“忘记”前面得出的结论——就像人类心算时容易忘记中间数字一样。思维链的本质是把AI的“草稿纸”暴露出来。零样本思维链Zero-Shot CoT零样本思维链是最简单的思维链技术在提示词末尾加上一个简单短语——“让我们一步步思考”Lets think step by step。这通常就足以触发模型的逐步推理而不需要任何示例。基本用法提示词如果一个披萨被切成8片我吃了3片我的朋友吃了2片还剩下多少片让我们一步步思考。模型回答披萨被切成8片我吃了3片8 - 3 5片剩余朋友吃了2片5 - 2 3片剩余答案3片。常用触发短语短语适用场景“让我们一步步思考”最通用的触发语“逐步展示你的推理”适用于需要详细推理的场景“先解释你的思考过程然后给出答案”适用于希望先看推理再看结论的场景“通过逐步推理来解决”适用于数学和逻辑问题“在回答之前仔细分析这个问题”适用于复杂、有歧义的问题【批注】“让我们一步步思考”是最经典的触发语它之所以有效是因为模型的训练数据中包含了大量“Step-by-step”的推理示例——当模型看到这个短语时它会在统计上倾向于生成类似结构的推理文本。这也意味着你可以创造出新的触发语只要它们在训练数据中有对应的模式。零样本CoT的局限性零样本CoT虽然简单但对非常复杂的任务可能效果不佳。模型可能会生成看似合理但逻辑有缺陷的推理过早地得出结论无法处理需要特定领域知识的多步推理少样本思维链Few-Shot CoT少样本思维链通过提供完整的推理示例来引导模型。你向模型展示几个“问题→逐步推理→最终答案”的例子然后让它处理新的问题。这种方法比零样本CoT更强大尤其适用于复杂的、特定领域的推理任务。基本结构提示词示例1问题一个袋子里有3个红球和2个蓝球。随机取出一个球它是红色的概率是多少推理袋子里总共有325个球。其中3个是红色的。所以概率是3/5。答案3/5示例2问题一个骰子有6个面编号1到6。掷出偶数的概率是多少推理骰子上有6个面。偶数有2、4、6共3个。所以概率是3/61/2。答案1/2现在解决这个问题问题一副标准扑克牌有52张牌其中13张是黑桃。随机抽取一张牌它不是黑桃的概率是多少模型回答推理一副牌有52张。黑桃有13张。不是黑桃的有52-1339张。所以概率是39/523/4。答案3/4少样本CoT的优势优势说明更高的准确性示例教会模型“如何思考”特定类型的问题更好的格式控制示例可以展示你想要的精确输出格式领域适应性可以提供特定领域的推理示例法律推理、医学诊断等一致性多次查询的推理风格保持一致【批注】少样本CoT可以被理解为“教模型如何思考”而不是“教模型知道什么”。你提供的示例不是为了让模型记住答案而是为了让它学会推理的模式。这就是为什么示例的“推理过程”比“最终答案”更重要——你在演示的是思维方法而非知识内容。高级思维链技术自洽性Self-Consistency自洽性是一种高级技术对同一个问题生成多条思维链路径然后选择出现频率最高或最一致的答案。这种方法利用了“多条路径指向同一答案则更可信”的直觉。工作流程要求模型用思维链解决问题温度设置较高增加多样性重复多次通常3-5次比较所有推理路径得出的最终答案选择最频繁出现的答案自洽性提示词模板使用思维链逐步解决这个问题。生成多个推理路径确保你的答案在逻辑上自洽。比较不同的方法选择最可靠的答案。问题[你的问题]【批注】自洽性的核心思想是如果模型用三种不同的推理路径都得到了同一个答案那这个答案的正确概率就比单一路径高得多。这种方法在实际应用中能显著提高准确率代价是多次API调用和更高的token消耗。思维树Tree-of-Thoughts, ToT思维树是思维链的扩展。它不只是一个线性链而是探索多个推理分支并在每个分支上进行评估和剪枝选择最有希望的方向继续探索。简化的ToT提示词模板探索这个问题的多种解决方法。对每个方法概述推理路径评估这个路径的前景如果前景好继续深入如果遇到死胡同回溯并尝试其他路径问题[你的问题]【批注】思维树是思维链的“进化版”——如果说思维链是“一条路走到黑”那么思维树是“多条路并行探索择优而行”。目前最先进的推理模型如OpenAI o1系列的核心技术之一就与此类似。推理——行动——观察循环ReAct PatternReActReasoning Acting模式将推理与行动结合起来。模型不仅思考还能调用外部工具如搜索、计算器、API来获取信息然后根据观察结果继续推理。ReAct提示词模板你是一个能够使用工具的推理代理。你需要解决这个问题。工具search(query)在互联网上搜索信息calculate(expression)计算数学表达式read(url)读取网页内容格式Thought[你当前的推理]Action[你想使用的工具和参数]Observation[工具返回的结果]重复Thought/Action/Observation直到问题解决...最终答案[最终答案]问题[你的问题]【批注】ReAct模式是目前AI Agent智能体系统的核心范式之一。它让模型不再只是一个“思考者”而是一个“行动者”——遇到不确定的信息就主动查询遇到复杂计算就调用计算器。这种“思考-行动-观察”循环大大扩展了AI的能力边界。常用思维链触发语速查场景推荐触发语数学题“逐步求解展示每一步计算”逻辑推理“分析这个逻辑逐条梳理你的推理”决策分析“评估每个选项的优缺点然后做出决策”代码调试“逐行分析代码找出可能的问题点”文本分析“逐段分析文本提取关键信息”复杂问题“把这个问题分解成3-5个步骤逐步解决”一般使用“让我们一步步思考”最通用应避免的反模式伪思维链Fake Chain-of-Thought模型可能生成看起来像推理的文本但实际上是在编造合理的解释来匹配它已经得出的答案。这是伪思维链。如何识别步骤过于模糊或笼统关键跳转没有逻辑连接步骤只是复述问题没有真正的“推理”最终答案与推理过程脱节如何避免要求“在每个步骤中解释你的逻辑依据”使用少样本示例展示真正的推理模式要求“关键决策点”明确标注过度推理Over-Reasoning对于简单问题使用思维链可能不必要地增加token消耗和延迟。思维链只应用于需要推理的复杂任务。何时使用思维链多步计算逻辑谜题需要比较和权衡的决策代码调试复杂的文本分析何时避免思维链简单事实性问题“法国的首都是什么”基本翻译任务直接摘要格式转换【批注】使用思维链是有成本的——更多的token、更高的延迟。把思维链用在一个“22等于几”的问题上是浪费。把思维链留给真正需要推理的任务这是一条重要的工程实践原则。实战示例数学问题提示词一家公司2023年的收入为500万美元2024年增长了12%2025年又增长了8%。2025年的收入是多少请逐步展示你的计算。模型回答2023年收入$5,000,0002024年增长12%$5,000,000 × 1.12 $5,600,0002025年增长8%$5,600,000 × 1.08 $6,048,000答案2025年的收入为$6,048,000。逻辑推理提示词三间房子里分别住着三个人Alice、Bob和Charlie。已知Alice不住在红房子里Bob住在蓝房子里绿房子的主人不是Charlie谁住在绿房子里一步步推理。模型回答Bob住在蓝房子里。所以蓝房子的主人是Bob。Alice不住在红房子里所以她只能住在蓝房子或绿房子里。但蓝房子已经是Bob的所以Alice不能住蓝房子。因此Alice一定住在绿房子里。答案Alice住在绿房子里。代码调试提示词以下JavaScript函数应该返回数组中所有正数的和但它没有按预期工作。逐步分析代码并找出bug。javascriptfunction sumPositive(numbers) { let sum 0; for (let i 0; i numbers.length; i) { if (numbers[i] 0) { sum numbers[i]; } } return sum; }模型回答循环条件为i numbers.length数组的索引从0到length - 1当i等于numbers.length时numbers[i]是undefinedundefined 0为false所以虽然不报错但循环多跑了一次修复方法将改为修复后的代码javascriptfor (let i 0; i numbers.length; i) {总结核心要点复杂任务使用思维链——数学、逻辑、多步决策零样本CoT用“让我们一步步思考”触发少样本CoT用完整示例演示推理模式自洽性多路径推理选择最一致的答案思维树探索多个推理分支择优而行ReAct推理行动观察循环结合外部工具识别伪思维链——确保推理逻辑真实有效避免过度推理——简单问题直接回答小测验问题思维链提示的主要目的是什么A. 让AI的回答更长B. 让模型在给出答案前展示其推理过程C. 限制AI的创造力D. 减少API调用成本解析思维链通过要求模型逐步展示推理过程使复杂任务的答案更准确、可验证。核心原则检查清单更新在完成本章后将“验证与核实”原则具体化对于复杂推理任务使用思维链提示检查推理步骤的逻辑连贯性验证中间步骤是否正确对关键决策考虑使用自洽性区分真实推理和伪思维链【总批注】本章定位思维链提示是提示工程中最核心的进阶技术。前五章教你“说什么”这一章教你“怎么想”——通过引导模型的推理过程来获得更准确、更可靠的答案。零样本 vs 少样本 CoT零样本CoT简单快捷适合通用推理场景。“让我们一步步思考”这六个字就能产生显著效果。少样本CoT更强大适合特定领域任务。通过2-3个完整推理示例模型能学会特定领域的推理模式。高级技术的关系自洽性 多条思维链 投票决策提高准确率思维树 思维链 分支探索 剪枝更系统的问题解决ReAct 思维链 外部工具调用扩展能力边界工程实践建议先用零样本CoT试试——成本低、效果好如果不够再加少样本示例对关键决策考虑用自洽性多跑几次对极其复杂的问题考虑思维树或ReAct“伪思维链”的警示这是初学者最容易忽略的问题。模型可能会“假装”在推理实际上只是在编造听起来合理的解释。如果你发现模型的推理步骤是“1. 这个问题很复杂2. 我们需要分析它3. 结论是X”——而中间的推理完全没有实质内容——这就是伪思维链。真正的思维链应该包含可验证的计算、比较或逻辑推导。学习建议读完本章后找一个你日常遇到的复杂问题比如“我应该选择哪个云服务商”分别用“直接回答”、“零样本CoT”、“少样本CoT”三种方式让AI回答对比输出质量和可信度的差异。你很快会发现——好的推理过程比好的答案更有价值。
