思维链（CoT）

思维链（Chain of Thought，简称 CoT，意为「思考的链条」）是一种提示技术：在提问时引导大模型把中间的推理步骤写出来，而不是直接给出最终答案。它之所以重要，是因为很多任务的关键不在于「知不知道」，而在于「推不推得出来」——把一步到位的猜测拆成若干步小判断之后，每一步出错的概率都更低，整体正确率随之上升。

核心原理：为什么多写几步就更准

大模型每生成一个词，本质上都是在做一次条件概率的选择。如果直接问「15×27 等于多少」，模型必须一次性完成全部心算，任何一环出错，最终答案就错了。而改成「请一步步计算」之后，模型会先写出「15×20=300」，再写「15×7=105」，最后得出「300+105=405」。前面的中间结果会成为后续步骤可见的条件，相当于把一道大题拆成了三道小题；同时也让人能看清它究竟是在哪一步想歪的，便于定位和纠正。

关键变体

• 零样本思维链（Zero-shot CoT）：只在提示末尾加一句「让我们一步步思考」，无需任何范例即可触发推理展开，成本最低。
• 少样本思维链（Few-shot CoT）：给出几道带完整推理过程的示例，让模型模仿「先推导、再结论」的格式，对格式要求高的任务更稳。
• 自一致性（Self-Consistency）：让模型以较高随机性独立采样多条推理链，再对最终答案投票，用「多条路殊途同归」来提升可靠性。
• 思维树（Tree of Thoughts）：把线性链条扩展成树状分支，允许回溯与比较不同思路，适合需要试错的规划类任务。
• 自动思维链（Auto-CoT）：由模型自己生成推理范例，省去人工撰写示例的成本。

从提示技巧到模型内置能力

早期思维链完全依赖提示词工程，靠「请一步步思考」这类句式去诱导。随后研究界把它做进了训练流程：先用带有推理过程的数据做监督微调，再用答案可自动验证的任务做强化学习，模型便逐渐学会在作答前先展开一段思考。今天不少推理型模型已经把这段思考变成内置环节，用户还能选择思考的深度档位——思考得越久通常越准确，但费用更高、等待也更长。它与人手动写出的思维链提示并不冲突，两者可以叠加使用。

实践要点

• 先判断任务类型：多步计算、逻辑推理、代码调试、策略规划值得启用思维链；简单事实查询与格式转换反而可能被多余的推理带偏。
• 要求可验证的中间步骤：让模型写出算式、列出条件或设置检查点，比笼统地要求「详细分析」更容易事后核对。
• 把结论单独收口：明确要求「推理结束后用一行给出最终答案」，否则答案容易埋在过程里，下游程序也无法稳定解析。
• 高风险问题配合自一致性：多跑几次取多数答案，比单次贪心输出更稳，代价是 token 成倍增加。
• 控制推理长度：思考越长消耗越大、延迟越高，简单任务不必强行开到最高档。

常见误区

• 以为写了推理就等于推对了：推理链看起来条理清晰，结论仍可能是错的，尤其当前提理解有误时，错误会顺着链条一路传下去。
• 所有任务都加「一步步思考」：有些任务模型本就能一次答对，强行展开反而增加了偏离指令的机会。
• 把思维链当成解释：模型写出的推理过程未必真实反映内部的计算路径，它仍是一段生成的文本，不能当作可靠的因果证据。
• 忽略前提检查：如果题目里的条件被理解错了，再漂亮的推理也只是在错误的地基上盖楼。

典型应用场景

数学解题、逻辑推理、代码调试、科学分析、策略规划，以及任何需要在中间结果之上再做判断的任务，都是思维链的主场。反过来，情感分类、字段抽取、简单翻译这类一步就能到位的任务，通常不需要它——推理过程在这里既不加分，还会推高成本。