思维链 (Chain-of-Thought)

思维链（Chain-of-Thought，简称 CoT）是提示工程中最具影响力的技术之一。由 Google Brain 的 Jason Wei 等人在 2022 年提出，它通过引导模型"展示推理过程"来显著提升复杂推理任务的准确性。

什么是思维链？

思维链的核心思想非常简单：不要直接要求答案，而是要求模型一步步展示推理过程。

为什么有效？

思维链之所以能提升准确率，有几个关键原因：

1. 分解复杂性 — 将一个复杂问题拆分成多个简单步骤
2. 暴露中间结果 — 每一步的结果都是可验证的
3. 减少"跳跃式错误" — 直接输出答案时模型可能跳过关键步骤
4. 类似人类思维 — 人在解决数学题时也需要写出解题步骤

学术数据：CoT 的效果

根据原始论文（Wei et al., 2022）在多个基准测试上的数据：

⚠️ 注意：以上数据来自 PaLM-540B 模型。不同模型和不同任务上的提升幅度会有差异。小模型（<10B 参数）上 CoT 的效果可能不明显。

两种实现方式

1. Zero-shot CoT（零样本思维链）

最简单的实现方式——只需在提示词末尾添加一句"让我们一步步思考"。

from openai import OpenAI
client = OpenAI()
# Zero-shot CoT
prompt = """
一家工厂每天生产200个零件。每个零件的成本是15元，售价是25元。
工厂每天的固定运营成本是1500元。
请问这家工厂每天的净利润是多少？
让我们一步步思考。
"""
response = client.chat.completions.create(
model="gpt-4o",
temperature=0,
messages=[{"role": "user", "content": prompt}]
)
print(response.choices[0].message.content)
# 模型会输出完整的推理过程：
# 1. 每个零件利润 = 25 - 15 = 10元
# 2. 零件总利润 = 200 × 10 = 2000元
# 3. 净利润 = 2000 - 1500 = 500元
# 答案：每天净利润500元

常用的 Zero-shot CoT 触发语：

中文版本：
- "让我们一步步思考。"
- "请逐步推理并给出答案。"
- "请展示你的推理过程。"
- "在回答之前，请先分析问题。"
英文版本：
- "Let's think step by step."
- "Think through this step by step."
- "Show your reasoning process."
- "Break this down step by step."

2. Few-shot CoT（少样本思维链）

提供包含完整推理步骤的示例，让模型学习"如何思考"。

prompt = """
在解决以下数学问题时，请展示详细的推理步骤。
【示例1】
问题：一个班级有32名学生，其中60%是女生。如果有5名新女生转入，女生占总人数的百分比是多少？
推理：
第1步：计算原来的女生人数
女生人数 = 32 × 60% = 19.2，四舍五入取19人
等等，人数应该是整数。重新理解：32 × 0.6 = 19.2
这个数据可能有误，但按照题意计算：
原女生 = 32 × 60% ≈ 19人
第2步：计算转入后的人数
总人数 = 32 + 5 = 37人
女生人数 = 19 + 5 = 24人
第3步：计算新比例
女生百分比 = 24 ÷ 37 × 100% ≈ 64.9%
答案：转入后女生约占总人数的64.9%。
【示例2】
问题：一列火车以80km/h的速度行驶，从A站到B站需要2.5小时。如果速度提高到100km/h，需要多长时间？
推理：
第1步：计算A到B的距离
距离 = 速度 × 时间 = 80 × 2.5 = 200km
第2步：计算新速度下的时间
时间 = 距离 ÷ 速度 = 200 ÷ 100 = 2小时
答案：速度提高到100km/h后，需要2小时。
---
现在请解决以下问题：
问题：一家咖啡店，周一到周五每天卖出150杯咖啡，周末每天卖出220杯。每杯咖啡售价28元，原料成本8元。每月租金15000元，人工成本25000元。假设一个月有22个工作日和8个周末天。请计算这家咖啡店的月净利润。
"""
response = client.chat.completions.create(
model="gpt-4o",
temperature=0,
messages=[{"role": "user", "content": prompt}]
)

思维链在不同任务中的应用

数学和逻辑推理

math_cot = """
请使用逐步推理解决以下问题。
问题：一位投资者投入了10万元购买基金。第一年收益率为20%，
第二年收益率为-10%，第三年收益率为15%。
三年后这笔投资的总值是多少？总收益率是多少？
让我们一步步计算。
"""

代码调试

debug_cot = """
以下Python代码存在bug，请一步步分析并找出问题。
```python
def merge_sorted_lists(list1, list2):
result = []
i = j = 0
while i < len(list1) and j < len(list2):
if list1[i] <= list2[j]:
result.append(list1[i])
i += 1
else:
result.append(list2[j])
j += 1
return result

测试用例： merge_sorted_lists([1, 3, 5], [2, 4, 6]) 应返回 [1, 2, 3, 4, 5, 6] 实际返回 [1, 2, 3, 4, 5]

请逐步分析： 1. 先追踪代码执行过程 2. 找出问题所在 3. 解释为什么会出错 4. 给出修复后的代码 """

### 决策分析
```python
decision_cot = """
我需要为公司选择云服务商。请帮我做一个结构化分析。
背景：
- 公司是一家中型电商，日活用户10万
- 技术栈：Python + PostgreSQL + Redis
- 预算：每月5-8万元
- 核心需求：稳定性 > 性能 > 成本
候选方案：
A. 阿里云
B. AWS中国区
C. 腾讯云
请一步步分析：
1. 列出每个方案的关键优势和劣势
2. 按核心需求打分（1-10分）
3. 考虑潜在风险
4. 给出最终建议及理由
"""

CoT 的变体技术

自我一致性（Self-Consistency）

由 Wang et al., 2022 提出。核心思想：多次运行 CoT，取多数票。

from collections import Counter
def self_consistency(prompt: str, n: int = 5) -> str:
"""
使用自我一致性策略获取更可靠的答案。
Args:
prompt: 包含CoT指令的提示词
n: 采样次数
Returns:
多数投票得出的答案
"""
answers = []
for _ in range(n):
response = client.chat.completions.create(
model="gpt-4o",
temperature=0.7,  # 需要一定随机性以获得不同推理路径
messages=[{"role": "user", "content": prompt}]
)
# 从回复中提取最终答案（需要根据实际情况解析）
full_response = response.choices[0].message.content
# 假设答案在最后一行，格式为"答案：XXX"
answer = extract_final_answer(full_response)
answers.append(answer)
# 多数投票
counter = Counter(answers)
most_common = counter.most_common(1)[0]
print(f"采样 {n} 次的结果分布: {dict(counter)}")
print(f"最终答案（{most_common[1]}/{n} 票）: {most_common[0]}")
return most_common[0]
def extract_final_answer(response: str) -> str:
"""从CoT回复中提取最终答案"""
lines = response.strip().split('\n')
for line in reversed(lines):
if '答案' in line or '结果' in line:
return line.split('：')[-1].strip() if '：' in line else line.split(':')[-1].strip()
return lines[-1].strip()

思维验证链（Chain-of-Verification, CoVe）

在 CoT 的基础上增加自我验证环节，进一步减少错误。

cove_prompt = """
请解决以下问题，使用"推理-验证"方法：
问题：如果一个正方形的对角线长度为10cm，那么它的面积是多少？
步骤1：推理
请一步步推理解题过程。
步骤2：验证
推理完成后，请：
- 检查每一步计算是否正确
- 验证最终答案是否合理
- 尝试用不同方法验证答案
步骤3：最终答案
给出经过验证的最终答案。
"""

CoT 使用的注意事项

什么时候使用 CoT？

CoT 的局限性

动手练习

练习1：设计 CoT 提示词

设计一个 Few-shot CoT 提示词来解决以下类型的问题： "判断一个论证是否存在逻辑谬误，如果存在，指出谬误类型。"

提供至少2个包含完整推理过程的示例。

练习2：Self-Consistency 实验

使用上面的 self_consistency 函数框架，对一个数学推理问题进行5次采样，观察结果分布。

本章要点

• ✅ Chain-of-Thought 通过引导模型展示推理过程来提升复杂任务的准确性
• ✅ Zero-shot CoT 只需添加"让我们一步步思考"即可激活
• ✅ Few-shot CoT 通过提供包含推理步骤的示例来引导模型
• ✅ Self-Consistency 通过多次采样和投票进一步提升可靠性
• ✅ CoT 在数学推理、代码调试、决策分析等复杂任务中效果显著
• ✅ CoT 也有局限：消耗更多 Token、延迟更高、小模型效果差

下一步：高级推理技术：ToT、ReAct 与更多 🚀