🧠 OpenClaw 思维链推理指南

为什么需要思维链（CoT）？

凌晨2点44分，我看着Agent给出的答案："42"。我问它为什么，它说"因为我觉得是42"。

这就是没有思维链的后果——AI不是不聪明，是需要被引导着思考。

OpenClaw 中的思维链实现

基础 CoT 提示词模板

# cot-template.yaml
name: "chain-of-thought-basic"
description: "基础思维链提示模板"

system_prompt: |
  你是一个善于逐步思考的AI助手。
  
  思考规则：
  1. 收到问题后，先分析问题的核心是什么
  2. 将问题拆解成多个子步骤
  3. 逐步解决每个子步骤
  4. 整合所有步骤得出最终答案
  5. 验证答案的合理性
  
  输出格式：
  【分析】问题核心...
  【步骤1】...
  【步骤2】...
  ...
  【结论】最终答案...
  【验证】检查...

user_prompt_template: |
  问题：{input}
  
  请按照你的思考规则，一步步解决这个问题。
  
  记住：展示你的思考过程，不要直接给答案。

model: "gpt-4o"
temperature: 0.3  # 低温度保证推理稳定性

在 OpenClaw 中使用思维链

# 安装 CoT Skill
openclaw skill install chain-of-thought-reasoning

# 方式1：直接在提示中加入"一步步思考"
openclaw chat --model gpt-4o --temperature 0.3 \
  --message "请一步步思考：如果一家SaaS公司月流失率5%，\
  初始客户1000人，12个月后还剩多少客户？请展示计算过程。"

# 方式2：使用 CoT Skill 的专用函数
openclaw run-skill chain-of-thought-reasoning \
  --problem "分析为什么我们的AI Agent成本在3个月内增加了300%，给出优化方案" \
  --steps 5 \
  --output-format "json"

# 输出示例
{
  "analysis": "成本激增可能源于：模型调用频次、token消耗、冗余请求",
  "steps": [
    {"step": 1, "thought": "检查模型调用日志，发现日均调用从1000次增至5000次"},
    {"step": 2, "thought": "分析发现80%调用是对简单问题的重复询问"},
    {"step": 3, "thought": "引入缓存层，相同问题直接返回历史答案"},
    {"step": 4, "thought": "对简单问题路由到gpt-4o-mini，复杂问题才用gpt-4o"},
    {"step": 5, "thought": "添加请求去重，10分钟内相同问题只处理一次"}
  ],
  "conclusion": "通过缓存+模型路由+去重，预计成本可降低65%",
  "verification": "历史数据回测显示，该方案在相似场景下平均节省68%成本"
}

高级技巧：自洽性思维链（Self-Consistency CoT）

一个思维链可能走偏，多个思维链取交集就更可靠。

# self-consistency-cot.yaml
name: "self-consistency-cot"
description: "多路径思维链，取最一致答案"

skill_config:
  reasoning_paths: 5  # 生成5条不同的推理路径
  aggregation: "majority_vote"  # 多数投票
  min_consistency: 0.6  # 至少60%的路径达成一致

prompt_template: |
  {input}
  
  请用与之前不同的思路再思考一遍这个问题。
  你可以从另一个角度切入，或者使用不同的分析方法。
  
  第{path_id}条推理路径：

# OpenClaw 运行
# 对复杂问题生成5条推理路径，自动汇总最一致的答案
openclaw run-skill self-consistency-cot \
  --problem "设计一个OpenClaw Agent的容错机制，保证99.9%可用性" \
  --paths 5 \
  --timeout 60

不同场景的 CoT 模板

1. 数学/逻辑问题

system: |
  你是数学推理专家。遵循以下思考步骤：
  1. 明确已知条件和求解目标
  2. 列出相关公式或定理
  3. 代入数据计算
  4. 检查计算过程和结果
  5. 用另一种方法验证

2. 代码调试

system: |
  你是代码调试专家。遵循以下排查步骤：
  1. 阅读错误信息，定位错误类型
  2. 检查相关代码逻辑
  3. 列出可能的错误原因（从最可能到最不可能）
  4. 逐一验证，找到根因
  5. 给出修复方案，并说明为什么这样修

3. 业务决策

system: |
  你是商业分析专家。决策思考步骤：
  1. 明确决策目标和约束条件
  2. 列出所有可行方案
  3. 为每个方案评估：成本、收益、风险、实施难度
  4. 用加权评分法排序
  5. 给出推荐方案，并说明取舍理由

OpenClaw 工具集成：CoT + 工具调用

# cot-with-tools.yaml - 思维链配合工具调用
name: "cot-data-analysis"
description: "带工具调用的数据分析思维链"

steps:
  - id: "understand"
    prompt: |
      用户请求：{input}
      请分析：需要哪些数据？用什么工具获取？
      输出JSON：{"required_data": [...], "tools_needed": [...]}
    model: "gpt-4o"

  - id: "fetch_data"
    type: "tool_call_sequence"
    tools:
      - name: "web_search"
        query: "{steps.understand.output.required_data[0]}"
      - name: "fetch_url"
        url: "{steps.understand.output.required_data[1]}"

  - id: "analyze"
    prompt: |
      原始请求：{input}
      获取的数据：{steps.fetch_data.output}
      
      请一步步分析这些数据，得出结论。
      展示你的思考过程。
    model: "gpt-4o"
    temperature: 0.2

  - id: "verify"
    prompt: |
      我的结论是：{steps.analyze.output}
      
      请作为验证者，检查这个结论：
      1. 数据支撑是否充分？
      2. 推理过程是否有漏洞？
      3. 结论是否合理？
      
      如果发现问题，请指出并修正。
    model: "gpt-4o"
    temperature: 0.1

性能对比

方法	准确率	Token消耗	适用场景
直接回答	⭐⭐	100 tokens	简单事实查询
基础CoT	⭐⭐⭐⭐	500 tokens	数学、逻辑、分析
自洽CoT（5路径）	⭐⭐⭐⭐⭐	2500 tokens	高风险决策、复杂推理
CoT+工具调用	⭐⭐⭐⭐⭐	800 tokens + 工具成本	需要实时数据的分析

最佳实践

1. 温度设置：CoT用低温度（0.1-0.3），保证推理稳定性
2. 步骤数量：复杂问题5-7步，别太多（会绕晕）
3. 验证环节：重要决策加一个"验证者"步骤，让另一个提示来检查结论
4. 输出格式：结构化输出（JSON），方便程序解析和展示
5. 缓存思考：相同问题的思考过程可以缓存，避免重复推理