12.5 Chain-of-Thought 深入

思维链（Chain-of-Thought, CoT）是让 AI 做推理时”展示思考过程”的技巧。2022 年由 Google 提出 ¹，至今仍是提升推理能力最有效的方法之一。

12.5.0 五种提示词技巧总览

在深入 CoT 之前，先快速对比五种最常用的提示词技巧：

比喻：Zero-shot 像直接让厨师”做碗面”；Few-shot 像给厨师看三碗面的照片；CoT 像让厨师写菜谱再动手；角色扮演像告诉厨师”你是川菜师傅”；结构化输出像指定”装盘用方盘，配菜摆左边”。

这五种技巧不是互斥的——实际使用中经常组合。比如”角色扮演 + Few-shot + 结构化输出”一次全用上。接下来的章节深入讲解其中最重要的 CoT。

12.5.1 零样本 CoT（Zero-shot CoT）

最简单的用法：在问题后面加一句”让我们一步步思考（Let’s think step by step）”。

不加 CoT：

“一个班有 35 个学生，女生比男生多 7 个，问男生有多少人？” AI 可能直接输出：“14 人”（可能对也可能错，无法验证过程）

加 CoT：

“一个班有 35 个学生，女生比男生多 7 个，问男生有多少人？让我们一步步思考。” AI 输出：“设男生为 x，女生为 x+7。x + (x+7) = 35，即 2x + 7 = 35，2x = 28，x = 14。所以男生有 14 人。”

效果差异：零样本 CoT 在数学推理任务上可以将准确率从 30-40% 提升到 60-70%（取决于模型和任务难度）。

12.5.2 少样本 CoT（Few-shot CoT）

不仅告诉 AI 要”一步步思考”，还给它看推理步骤的示例。

“问题：一个苹果 3 元，小明买了 5 个苹果，付了 20 元，找零多少？ 推理：5 个苹果的总价 = 5 × 3 = 15 元。付了 20 元，找零 = 20 - 15 = 5 元。答案：5 元。

问题：一本书 25 元，小红买了 3 本书，打了 8 折，实际付了多少？ 推理：”

Few-shot CoT 比 Zero-shot CoT 效果更好，但占用更多上下文窗口——需要权衡。

12.5.3 CoT 的变体

• ToT（Tree of Thoughts，思维树）：不是一条线推理到底，而是在关键节点探索多个分支，选最优路径继续。适合需要”回溯”的复杂推理任务（如 24 点游戏、创意写作） ²
• GoT（Graph of Thoughts，思维图）：比 ToT 更灵活，允许思维节点之间任意连接和合并。适合需要”综合多个信息源”的推理任务 ³

12.5.4 CoT 什么时候有效，什么时候无效

有效场景：

• 数学推理、逻辑推理
• 多步骤问题求解
• 需要”拆解”的复杂任务
• 模型规模足够大（通常 >10B 参数效果才明显）

无效场景：

• 简单事实问答（“法国首都是什么？“不需要推理步骤）
• 小模型（<3B 参数，CoT 反而可能引入噪声）
• 创意写作（过度结构化会扼杀创意）
• 需要快速回复的场景（CoT 会增加输出延迟）

判断标准：如果你的任务需要人”想一想”才能回答，那 CoT 大概率有帮助。如果是一个不需要思考就能回答的问题，CoT 就是浪费。

← 上一节：12.4 Few-shot 实战 ｜ 下一节：12.6 提示词调试技巧 →