深度解析思维链（CoT）技术及其衍生的ToT、GoT、PoT等框架，带你全面理解大模型推理能力背后的核心机制。本文将系统梳理从基础概念到进阶应用的完整知识体系，帮助你真正掌握这些技术的工作原理与实际价值。

01 提示词与思维链：从简单问答到深度推理

在深入技术细节之前，我们先明确两个基本概念。

提示词（Prompt）是用户向大语言模型发送的问题、指令或请求。它的作用是清晰告知模型你要解决什么任务或需求，是模型理解用户意图并生成相关、准确回答的基础。

在传统提示词模式下，用户与大模型的交互非常直接：“提问——返回答案”。你提出问题，模型直接生成并输出答案。此时，模型主要依赖预训练阶段内化的知识进行回答。但对于复杂问题，这种“生成模型+简单提示词”的组合往往难以产生准确有用的结果。

举个例子：对于“小明有70元，是小丽的2倍少8元，小丽有多少元？”这类问题，缺乏深度思考能力的模型可能会随意编造一个答案。

关键认知：大模型需要足够的“思考时间”，经过较长推理后给出的答案通常更加精准。引入思维链就能让大模型进行深入推理。

思维链（Chain of Thought，简称CoT），是指将逻辑复杂的问题进行拆解，通过一系列有逻辑关系的思考步骤，形成完整的推理过程。

加入思维链后，用户与大模型的交互模式变为：“提问——推理步骤——返回答案”。在提问和答案之间新增了一步又一步的推理过程，逐步逼近问题的正确答案。

02 思维链的分类与组成：从零样本到推理示例

既然思维链如此有效，具体该如何使用呢？最简单直接的方式：在提示词中添加“Let’s think step by step”，大模型就会尝试分步骤思考问题并给出回答。

这种通过一句提示语让大模型自主生成思维链的方式，被称作零样本思维链（Zero-Shot-CoT）。不过，这种方式产生的思维链有时会与我们的预期存在偏差。

大模型和人类类似，如果你给它展示一个推理示例——即“你是如何一步步思考并推理的”——它就能更容易理解如何做好推理工作。下面的例子清晰展示了这一点：没有分步推理示例、仅用提示词时，大模型无法给出正确答案；但有了分步推理示例，大模型也有样学样，分步思考并最终得到了正确答案。

这种带有推理示例的思维链被称为少样本思维链（Few-Shot-CoT）。含有样本的思维链能更好地激发大模型的潜力，无需额外训练即可提升模型能力。

完整思维链提示词的核心组成

一个完整的包含思维链的提示词主要由三部分组成：指令（Instruction）、逻辑依据（Rationale）以及示例（Exemplars）。

• 指令：用于描述问题，并告知大模型输出格式。
• 逻辑依据：指CoT的中间推理过程。可以包含问题的解决方案、中间推理步骤以及任何与问题相关的外部知识。
• 示例：指以少样本方式为大模型提供输入-输出对的基本格式。每个示例都包含：问题、推理过程与答案。