4、思维链（Chain-of-Thought）：什么是CoT、如何引导模型逐步推理、Few-shot CoT示例

说实话，我第一次接触思维链这个概念时，心里想的是：这不就是我们平时解题的步骤吗？后来在项目中用多了才发现，这里面门道还挺深。

思维链，英文叫 Chain-of-Thought，简称 CoT。说白了，就是让模型把思考过程一步步写出来，而不是直接给答案。你想想看，我们人类解决复杂问题时，是不是也会在草稿纸上写写画画？CoT 干的就是这个事。

为什么需要 CoT？

直接问模型「小明有 5 个苹果，给了小红 2 个，又买了 3 个，现在有几个？」——模型可能直接输出 6。但它是真的算出来的，还是蒙的？

我遇到过这种情况：模型给出的答案是对的，但推理过程完全离谱。这在生产环境里很危险。你想想，如果它算错了，你连排查的线索都没有。

CoT 的核心价值在于：让推理过程可见、可追踪、可纠错。

如何引导模型逐步推理

引导模型做 CoT，其实就两招：指令式和示例式。

1. 指令式 CoT

直接在 prompt 里加一句「请逐步推理」或「让我们一步一步思考」。简单粗暴，但有效。

用户：小明有 5 个苹果，给了小红 2 个，又买了 3 个，现在有几个？
请逐步推理。

模型：
1. 小明最初有 5 个苹果。
2. 给了小红 2 个，剩余 5 - 2 = 3 个。
3. 又买了 3 个，现在有 3 + 3 = 6 个。
4. 所以小明现在有 6 个苹果。

嗯，这里要注意：指令式 CoT 对简单问题效果不错，但遇到复杂逻辑时，模型可能还是会「跳步」。我建议你在指令后面再加一句「把每一步都写清楚，不要省略中间计算」。

2. Few-shot CoT（示例式）

给模型看几个「问题 + 推理过程 + 答案」的例子，让它学会你的推理模板。这是我最常用的方式。

Few-shot CoT 完整示例

来看一个实际场景：数学应用题。这是 CoT 最经典的战场。

示例 1：
问题：一个农场有 12 只鸡和 8 只兔子，问一共有多少条腿？
推理：
1. 每只鸡有 2 条腿，12 只鸡共有 12 × 2 = 24 条腿。
2. 每只兔子有 4 条腿，8 只兔子共有 8 × 4 = 32 条腿。
3. 总腿数 = 24 + 32 = 56 条。
答案：56

示例 2：
问题：一本书有 200 页，小明第一天看了 1/4，第二天看了剩下的 1/3，还剩多少页没看？
推理：
1. 第一天看了 200 × 1/4 = 50 页，剩余 200 - 50 = 150 页。
2. 第二天看了 150 × 1/3 = 50 页，剩余 150 - 50 = 100 页。
答案：100

问题：一个水池，单开进水管 6 小时注满，单开排水管 8 小时排空。同时打开两管，几小时注满？
推理：

模型看到这里，就会按照前两个示例的格式，一步步写出推理过程。我测试过，不加 CoT 时模型正确率大概 60%，加了之后能到 90% 以上。

CoT 的几种变体

类型	说明	适用场景
Zero-shot CoT	直接加「让我们一步一步思考」	简单推理、快速验证
Few-shot CoT	给 2-3 个示例引导	复杂逻辑、数学题、代码生成
Self-consistency CoT	多次推理取多数答案	高精度要求场景
Tree-of-Thought	分支探索，类似搜索树	规划、决策类问题

什么时候该用 CoT？

不是所有问题都需要 CoT。我个人习惯这样判断：

• 需要多步推理（数学题、逻辑题）→ 必须用
• 需要解释原因（为什么这样设计？）→ 推荐用
• 简单事实查询（今天是几号？）→ 不需要
• 创意生成（写一首诗）→ 看情况，有时反而限制发挥

说白了，CoT 是给模型戴上一个「思考帽」。戴上之后，它会更严谨、更可解释，但也会更慢、更啰嗦。你要根据场景来取舍。