Chain-of-Thought (CoT)
原理
直接问 AI "答案是什么"，它容易出错。让它"先把思考过程写出来"，准确率会大幅提升。这在数学、逻辑、推理类任务上尤其明显。
研究表明：CoT 在 GSM8K 数学基准上能将 GPT-4 准确率从 17% 提升到 58%。
4 种触发方式
方式 1：Zero-shot CoT
最简单，加一句话即可：
【问题】
让我们一步步思考。
方式 2：Few-shot CoT
提供带思考过程的示例：
Q: 1+2+3+...+100=?
A: 思考：等差数列求和，n=100，公式 n(n+1)/2 = 100×101/2 = 5050
答：5050
Q: 2+4+6+...+200=?
A: 【请按相同方式思考】
方式 3：Auto-CoT
让 AI 自己生成思考链：
请对以下问题进行 3 步推理，每步都要解释理由：
【问题】
方式 4：Self-Consistency
多次采样取多数：
请用 5 种不同思路解决以下问题，最后选择出现次数最多的答案：
【问题】
适用场景
| 场景 | CoT 效果 | 示例 |
|---|---|---|
| 数学计算 | ⭐⭐⭐⭐⭐ | 应用题、几何 |
| 逻辑推理 | ⭐⭐⭐⭐⭐ | 谜题、推理题 |
| 代码调试 | ⭐⭐⭐⭐ | 找 bug |
| 多步规划 | ⭐⭐⭐⭐ | 项目方案 |
| 简单问答 | ⭐⭐ | 反而变冗长 |
3 个实战案例
案例 1：数学题
问题：一个水池有进水管和出水管，进水管 3 小时注满，出水管 5 小时排空，同时开几小时注满？
CoT 解答：
- 进水速度：1/3 池/小时
- 出水速度：1/5 池/小时
- 净速度：1/3 - 1/5 = 2/15 池/小时
- 时间：1 ÷ 2/15 = 7.5 小时
案例 2：决策分析
问题：是否应该跳槽到新公司？
CoT 框架：
- 列出当前工作的优劣势
- 列出新机会的优劣势
- 评估各因素的权重
- 计算加权得分
- 考虑风险系数
- 得出结论
案例 3：代码 bug 定位
问题：函数返回值与预期不符
CoT 推理：
- 检查输入参数是否符合预期
- 追踪每一步变量的变化
- 在哪一步开始偏离预期
- 该步骤的逻辑是否有问题
- 如何修复
常见坑
- 不要强制 CoT 用于简单问题：会浪费 Token 且收益小
- 思考链不要太长：超过 10 步容易"跑题"
- 要求置信度：让 AI 在最后自评置信度，方便人工复核