思维链（CoT）技术详解：让大语言模型实现智能涌现的关键

在人工智能领域，思维链（Chain of Thought，CoT）被视作解锁大语言模型“智能涌现”能力的一把钥匙。简单来说，它通过引导模型将复杂的推理过程拆解为一系列有逻辑的中间步骤，从而显著提升模型在数学、逻辑、常识推理等任务上的表现。本文将从起源、原理、应用效果到局限性，为你完整拆解这项技术，并附上实用小提示与常见问题解答。

一、思维链是什么？——让AI学会“分步思考”

思维链（CoT）是指一系列有逻辑关系的思考步骤，形成一个完整的推理过程。就像人类解决复杂问题时，会下意识地列出步骤——比如做数学题时先读题、再列公式、最后计算——思维链让大语言模型也遵循相似的路径。

在提示学习（Prompt Learning）中，思维链以“分步提示”的方式呈现，要求模型在给出最终答案前，先输出中间推理过程。例如：

• 标准提示：直接问“罗杰有5个球，又买了2罐网球，每罐3个，他现在有多少个球？” 模型可能回答错误。
• 思维链提示：模型会先输出“罗杰先有5个球，2罐3个网球等于6个，5 + 6 = 11”，再给出答案“11”。

这种“分步得分”的机制，显著提升了模型的准确性与可解释性。