📖 定义
Chain-of-Thought（CoT，思维链推理）是一种提示工程技术，通过引导语言模型在给出最终答案之前，先展示完整的推理过程和中间步骤，从而显著提升模型在数学推理、逻辑推理和复杂问题解决上的表现。
核心理念：不要让模型直接跳到答案，而是让它像人类一样"展示解题过程"。
⚙️ 工作原理
CoT 通过以下方式提升推理能力：
1
问题分解
将复杂问题拆解为多个简单子问题
→
2
逐步推理
按顺序解决每个子问题，记录中间结果
→
3
答案综合
基于所有中间步骤得出最终答案
💻 示例对比
❌ 普通提示（无CoT）
问题：小明有5个苹果，给了小红3个，又买了2个，现在有几个？
直接回答：小明现在有4个苹果。
# 问题：模型可能直接猜答案，容易出错✅ CoT 提示
问题：小明有5个苹果，给了小红3个，又买了2个，现在有几个？
让我们一步步思考：
1. 小明最初有 5 个苹果
2. 给了小红 3 个后，还剩 5 - 3 = 2 个
3. 又买了 2 个，现在有 2 + 2 = 4 个
答案：小明现在有 4 个苹果。
# 思维链让推理过程可追溯、可验证🔥 Zero-shot CoT（零样本思维链）
问题：一个商店进了100件商品，第一天卖出30%，第二天卖出剩余的40%，还剩多少？
提示：让我们一步步思考（Let's think step by step）
模型的回答：
- 商店有 100 件商品
- 第一天卖出 30%，即 100 × 0.3 = 30 件，剩余 100 - 30 = 70 件
- 第二天卖出剩余的 40%，即 70 × 0.4 = 28 件
- 剩余商品 = 70 - 28 = 42 件
答案：还剩 42 件商品。🎯 适用场景
数学问题
多步骤计算、应用题、代数问题
逻辑推理
逻辑谜题、条件推理、因果关系
复杂决策
多因素权衡、方案比较
代码生成
算法设计、复杂编程任务
📚 CoT 变体技术
Few-shot CoT
提供几个带思维链的示例，让模型模仿推理模式
Self-Consistency CoT
多次采样不同推理路径，投票选择最一致答案
Tree of Thoughts (ToT)
将推理组织成树状结构，支持回溯和分支探索
Least-to-Most Prompting
从最简单子问题开始，逐步解决更复杂问题
Automatic CoT
自动生成思维链示例，无需人工标注
⚠️ 注意事项
- 模型规模依赖：小模型（<10B参数）CoT效果有限，大模型效果更好
- 推理成本：生成更多token意味着更高的计算成本和延迟
- 不是万能：对于简单问题反而增加冗余，应根据问题复杂度选择
- 错误传播：中间步骤的错误可能导致最终答案错误
🛠️ 实践技巧
触发短语
"让我们一步步思考"、"Think step by step"
格式引导
使用"分析："、"步骤："等标签引导结构化输出
验证步骤
添加"让我们验证答案"步骤检查结果
Few-shot示例
提供2-3个高质量思维链示例