在AI可解释性讨论越来越热的今天，如何让大型语言模型（LLM）的推理过程不再像“黑匣子”？思维链（Chain-of-Thought, CoT）技术提供了一个很有价值的思路。这篇文章其实去年12月就写好了，一直躺在草稿箱里，现在还是发出来吧——写都写了。

01 COT是什么？

链式思维（Chain-of-Thought, CoT）是一种专门用来提升大型语言模型（LLM）推理能力的技术。 它的核心思路，就是让模型在输出答案之前，先把思考过程拆解成可见的中间步骤。

这个概念最早由Google AI的研究人员在2022年的一项研究中提出。他们发现，在解决数学文字题这类任务时，CoT提示词（Prompt）效果非常显著——比起直接让模型猜答案，先展示解题步骤和公式，模型的表现会好上一大截。后续的大量实践也反复验证了这一点。

大型语言模型天生擅长预测下一个词，但让它们做需要多步推理的任务，往往力不从心。这时候就需要借助提示词工程，来引导GPT-4o、Claude Sonnet 3.5/3.7这样的模型给出更好的答案。思维链提示（CoT Prompt）正是这类方法中的佼佼者——你给模型提供几个示例，示范如何分步推理：识别关键信息、应用规则、得出结论……模型在输出时就会模仿这个思考流程。

传统的AI训练更像一个“黑匣子”：你扔进去一堆电影评论，它直接告诉你“正面”或“负面”。CoT则不同，它会把内部推理过程一点点拆开，让你能看到模型是怎么想的。

思维链提示的核心目标是兼顾清晰、创造力以及连贯性展示

教AI跟教侦探破案很像——你不能只说“找出罪魁祸首”，而是要用几个案例手把手教他分析现场。给AI提示时也一样，别只丢一句“识别情绪”，得给出具体例子，告诉它怎么看文字、分析用词、结合上下文，最后才判断情感。

思维链提示（CoT Prompt）有时候也被叫作“回答模板”（response_format）。我觉得这个说法更容易理解：就是告诉模型一个固定的回复格式，这个模板越完整、逻辑越周密，收到的回复就越详细。不过这种模板通常是在技术层面内置的。下面是一个简单的示例：

代码示例：

比如你想让AI算一道数学题：“小明有12块饼干，吃掉了4块。还剩多少块？”你可以这样教它：
第一步：“小明一开始有多少块饼干？”
第二步：“小明吃了多少块饼干？”
第三步：“怎么计算剩下的饼干数？”

如果问AI问题得到的答案总是不太满意，不妨在提问后面加一句：“Let's think step by step”（让我们一步一步思考）——这句话能有效引导模型的推理过程。比如跟AI学习“量子物理学”时，你可以说“让我们一步一步思考：解释量子物理学”，效果会好很多。

02 自动思维链（Auto-CoT）

自动生成CoT提示（LLMs self CoT）：想象一下，你不需要再手把手教模型怎么思考，而是让AI自己学会自动编写CoT提示，再反哺给模型。这能极大节省开发人员和研究人员的时间精力，尤其是在处理复杂推理问题时。

这是一种让AI从之前提供的示例中找出规律的模式，自动将这些模板（Format）应用到新问题上。相当于AI“参考”自身经验，让提示能够适应新的情况，产生类似自我提示的效果。

借助Auto-CoT技术，AI系统甚至能解决那些连资深NLP工程师都头疼的问题。比如，AI可以逐行调试复杂的代码，并在每一步解释推理过程；或者利用清晰的思维链来分析金融市场的动态。

CoT技术还让AI系统能持续学习和迭代。通过分析自己的推理过程和结果，AI可以找到不足之处并逐步改进。这样一来，AI就能像人一样不断进步，为“终身学习”的新一代系统奠定了基础。

OpenAI在12天碎片化直播的第一天发布的System Card里，也提到了模型自带CoT的特性。写这篇文章那会儿DeepSeek还没现象级爆火，后来DeepSeek把大模型的推理思维链完整展示出来了——思考的力量果然强大。

03 展示CoT的「阶段」——Loading过程

AI的Loading过程：展示CoT的「阶段」

当我们在和AI对话时，如果能看到它思考到哪一步了，会大大提升对输出内容的信任度。遇到输出较慢的场景，这个Loading过程也能作为中间反馈，避免用户干等。因此，对话前的加载状态（Loading）其实是一个非常必要的设计。

Minimax在这方面从一开始就做得特别好，拿它举例。以下Loading中的每一步，都是根据回答用户Query所需要的思考步骤依次出现。尝试了好几次才截成功，有几个状态由于太快没抓到——不过这也能说明，状态多了并不会影响输出速度。

「我正在尽全力搜索」