自动思维链（Auto-CoT）

自动思维链（Auto-CoT）是一类自动构造思维链示例的方法。思维链（Chain of Thought）指在提示中给出带中间推理步骤的示范，让模型照着逐步思考。传统做法需要人工为每种问法手写若干「问题、推理步骤、答案」样例，成本高且难以覆盖多样题型；Auto-CoT 改为让模型自己生成这些样例，再拼进提示前缀。

典型流程

• 问题聚类：先把待处理问题按语义分组，保证示例覆盖不同题型与难度。
• 自动生成：用零样本提示让模型为每组各写一条带推理步骤的示例。
• 筛选校验：过滤推理跳跃或答案错误的样例，优先保留步骤简短清晰的。
• 拼接提示：挑选若干条多样示例作为上下文，再提出真正待解的问题。

效果与边界

自动构造的示例质量参差不齐，错误的推理步骤会误导模型，所以筛选与校验环节不能省略。它更适用于题型相对稳定、可以批量处理的场景，例如信息抽取与文本分类；对于以创意为主的开放任务，推理示例带来的边际收益通常较低，反而会限制表达多样性。

常见误区

• 不做筛选直接用：错误示例被当成标准答案写进提示，模型会稳定地复现错误。
• 示例同质化：聚类形同虚设，几条示例讲的是同一类问题，覆盖度不足。
• 示例过长：推理步骤啰嗦，挤占上下文并推高调用成本。
• 盲目套用：对不需要推理的任务也强行加步骤，反而拖慢响应。

实践要点

把自动生成的示例当作候选池而不是成品：先用少量人工校验确认质量，再固定一批经过验证的示例作为基线；后续每次更换模型或调整提示结构，都重新跑一遍评测集，观察准确率是否稳定。示例数量不必多，几条覆盖面广、步骤清晰的样例，通常比十几条重复样例更有效。

示例质量怎么判断

判断自动生成的示例是否可用，可以从几个角度检查：推理步骤之间是否存在跳跃，结论是否真的由前一步推出；答案与题目条件是否一致，有没有引入题目之外的信息；步骤数量是否适中，太短看不出推理，太长则挤占上下文。批量生成后按这些标准打分，只保留通过的样例进入提示。此外还要定期换一批示例做对照，确认效果提升来自示例本身，而不是题目难度或评测方式的偶然差异。示例的书写风格也应与期望的输出保持一致，因为模型会模仿示例的格式与详略程度。