利用思维链提示解锁人工智能的力量

Lisa Ernst · 27.01.2026 · 人工智能 · 9 分钟

当你给人工智能提示添加一句简短的话时，会发生一件有趣的事情。Not a new model. Not a fine-tune. Not a plugin. Just a tiny nudge: 让我们一步一步思考。

突然间，一个原本自信地错误的语言模型变得……出人意料地可靠。This is the essence of 思维链 (CoT) 提示: 这是一种鼓励大型语言模型 (LLM) 在直接给出最终答案之前，将问题分解为中间步骤的技术。这种效果于 2022 年由 Google 的研究人员普及，他们发现“推理轨迹”可以在足够大的模型中解锁一种涌现能力。 如果您想了解参考资料，请从该论文开始提示大型语言模型进行推理的思维链 以及 Google 的配套研究文章语言模型通过思维链进行推理.

来源: 自有插图

快速摘要（“用 30 秒读懂”版本）

• 它是什么： CoT 提示要求模型在给出答案之前，逐步进行分析。
• 它何时表现出色： 数学应用题、逻辑、多步骤规划以及具有隐藏依赖的任务。
• 零样本技巧： 添加“让我们一步一步思考”可以大大提高结果，无需示例(Kojima et al., 2022).
• 少量样本的力量： 展示 3–10 个已解决的示例（包含推理）可以进一步提高性能(Wei et al., 2022).
• 一个重要的警告： 一个“看起来像推理”的解释仍然可能是错误的。 将 CoT 视为一种工具，而不是真理机器。

旁注： CoT 最好被视为模型的一种“结构化思维支架”——而不是模型实际内部计算的窗口。

分解复杂性：CoT 真正做的事情

经典的提示通常会产生快速、流畅——但有时脆弱的答案。CoT 改变了默认行为：它会促使模型生成将问题与答案连接起来的中间步骤。

原始 CoT 论文展示了在算术、常识和符号推理任务中取得显著进展，包括一个主要结果：一个540B 参数模型 仅在提示中使用八个 CoT 示例，在 GSM8K 上就达到了最先进的准确率(Wei et al., 2022). 这很重要，因为它表明仅通过提示，无需更改模型权重，您可以取得多大的进展。

来源: 插图图片

CoT 于 2022 年被正式化，并迅速成为提示工程研究的基石。

CoT 一句话

不要说“回答这个问题”，而是说“逐步思考”。

CoT 不是什么

• 不是正确性的保证。 模型可以产生令人信服的推理，但仍然是错误的。
• 不是模型的“真实想法”。 文本是一种输出伪构物——它可能是事后合理化。
• 并非总是很有用。 对于创意写作、简单的问答或检索任务，CoT 会增加噪音和成本。

零样本 CoT：小小的提示，最大的回报

在 2022 年，Kojima 和同事表明，LLM 可以通过添加一个简单的提示，例如，而成为“体面的零样本推理器大型语言模型是零样本推理器(Large Language Models are Zero-Shot Reasoners). 在 MultiArith 上，准确率从 17.7% 跃升至 78.7%——使用同一模型，没有示例，只有这个指令。

You are a careful problem solver.

Question: A juggler can juggle 16 balls. Half are golf balls, and half of those are blue. How many blue golf balls are there?

Let’s think step by step, then give the final answer.

来源: 插图图片

零样本 CoT 可以在不提供示例的情况下，显著提高多步骤推理能力。

零样本 CoT 何时是很好的默认选项

• 数学应用题和单位换算
• 具有多个约束的逻辑谜题
• 规划任务（“创建清单”、“设计工作流程”、“将此分解为步骤”）
• 调试和根本原因分析

何时通常是多余的

• 简单的事实查找（使用检索/RAG 代替）
• 风格重写
• 短篇创意任务，其中“过程”会变成冗余

少量样本 CoT：通过示例教授推理风格

少量样本 CoT 是“展示，而不是讲述”的版本：您提供几个示例 Q→reasoning→A 对。该模型不仅会学习答案格式——它还会学习分解模式。 这是原始 CoT 论文强调的方法(Wei et al., 2022).

一个实用的迷你模板（复制/粘贴）

Example 1
Q: If a store discount is 20% on $50, what is the final price?
Reasoning: 20% of 50 is 10. Subtract 10 from 50.
A: $40

Example 2
Q: A recipe needs 300g flour for 12 cookies. How much for 30 cookies?
Reasoning: 30 is 2.5 times 12. Multiply 300g by 2.5.
A: 750g

Now solve:
Q: [YOUR QUESTION]
Reasoning:
A:

诀窍不在于用示例填充提示——而在于选择与您的实际任务“形状”相符的示例：相同的约束类型、相同的中间步骤风格、相同的难度。

真正重要的 CoT 变体

CoT 发展成一系列技术。 这里是一些值得了解的方法——不是作为流行语，而是作为实用的杠杆：

• 自洽性 — 样本多个推理路径并选取最一致的最终答案。通常可以提高推理基准的可靠性(Wang et al., 2022).
• 最到最 — 将一个困难的问题分解为更简单的子问题，按顺序解决，重用早期答案。 非常适合“易到难”的泛化(Zhou et al., 2022).
• 自动 CoT — 自动生成 CoT 演示，而不是手工编写它们。 当您需要可扩展性时很有用，但您必须注意嘈杂的链条(Zhang et al., 2022).
• 思维树 (ToT) — 探索推理的多个分支，评估和回溯。 对于搜索型任务（谜题、规划、创意约束）很有帮助(Yao et al., 2023).
• ReAct — 交替使用推理和工具使用（“行动”），通过检查外部信息来减少幻觉。 特别适用于代理系统(Yao et al., 2022, Google Research blog).
• 草稿链 (CoD) — 目标与 CoT 相似，但会强制执行极其简洁的中间便笺以降低令牌成本/延迟(Xu et al., 2025).

来源: 插图图片

许多“推理”提示方法都建立在相同的想法上：结构化的中间步骤可以改善结果——但前提是您验证结果。

提示食谱：我实际上使用的 3 个 CoT 提示

这里有三个提示模式，它们始终优于“仅回答”提示——而不会变成文本的墙壁。将它们视为食谱，而不是严格的模板。

1) “先推理，再回答”（通用问题解决）

You are a precise assistant.

Task: Solve the problem carefully.
- Work through the steps.
- Then give a short final answer.

Problem:
[PASTE PROBLEM HERE]

2) “先分解”（规划 + 工作流程）

You are an operations-minded planner.

Goal: [YOUR GOAL]

Step 1: List the subproblems / unknowns (bullet points).
Step 2: Solve each subproblem in order.
Step 3: Produce a final checklist (max 12 items) with clear ownership and success criteria.

3) “像工程师一样调试”（代码 + 根本原因分析）

You are a senior engineer.

Input:
- Error message:
[PASTE ERROR]
- Context:
[WHAT YOU CHANGED / WHAT YOU EXPECTED]
- Code snippet:
[PASTE CODE]

Process:
1) Identify 3 likely root causes (ranked).
2) For each cause, list a quick verification step.
3) Provide the most likely fix with a minimal patch suggestion.

请注意缺失的内容：我没有恳求“解释”。 我强加了结构。这是 CoT 作为噱头与 CoT 作为工程工具之间的关键区别。

优点和现实世界的陷阱

CoT 可以真正具有变革性——但它也创造了一个陷阱：它会让人感觉比它更值得信任。一个流畅的逐步故事可以掩盖早期的一个错误假设。

一种简单的安全措施

如果您正在处理敏感数据，请不要要求模型“展示每一步”。相反，要求提供简短的理由，并使输出保持最小：“提供答案以及简短的理由（2–4 句）”。

CoT 之外：当您需要更多于一条线性链时

CoT 是线性的：步骤 1 → 步骤 2 → 步骤 3。 但有些问题不是线性的。它们是搜索问题：您需要探索、回溯、测试、选择。 这就是为什么诸如思维树和 ReAct 之类的方法值得重视。

• 如果任务看起来像“探索多个选项并选择最佳选项”，请考虑Tree of Thoughts.
• 如果任务需要外部验证（网络、数据库、工具），请考虑ReAct.
• 如果问题比您的示例更难，请考虑Least-to-Most.

结论

思维链提示提醒人们，现代人工智能不仅仅是更大模型——更是更好的接口。一个小小的指令可以触发一种不同的计算行为模式，并可衡量地改善结果。 但是，CoT 并非魔法：它是一种支架。 它有助于模型推理，并有助于人类检查和引导这种推理。 最佳结果来自结合 CoT 和验证习惯：代码的单元测试、数学的计算器以及外部来源的事实。

如果您记住一件事：CoT 在您强加结构并验证结果时最有效。

常见问题解答