为什么需要 Tree of Thoughts
Chain of Thought（CoT）让模型"说出推理过程"，本质是单向线性推理：一步接一步往下走。但现实中的难题往往是这样的：
- 24 点游戏：选错第一个运算符，后面全盘皆输
- 创意写作：开头定了基调，结局就被锁死
- 战略决策：每一步都有多个分支，需要权衡而非顺推
Tree of Thoughts（Yao et al., 2023）把推理从"一条线"升级为"一棵树"：模型可以同时探索多条思路、自我评估、回溯重来，更接近人类专家解决复杂问题的方式。
CoT vs ToT 对比
| 维度 | Chain of Thought | Tree of Thoughts |
|---|---|---|
| 推理结构 | 单链 | 树形 |
| 路径数量 | 1 条 | 多条并行 |
| 自我评估 | 无 | 有（每步打分） |
| 回溯能力 | 无 | 有（走入死胡同可回退） |
| 适用任务 | 数学计算、逻辑推导 | 创意发散、博弈决策、组合优化 |
| Token 消耗 | 低 | 高（3-5 倍） |
四步核心流程
1. 思维拆解（Decomposition）
把问题拆成可独立推进的子决策
2. 思维生成（Generation）
每个节点产出 k 条候选思路（k 通常取 3-5）
3. 评估打分（Evaluation）
模型自评或他评，给出数值分数或排序
4. 搜索决策（Search）
用 BFS / DFS 遍历思维树，必要时回溯剪枝
实战模板：用 ToT 解决"产品命名"问题
假设要给一款面向中老年用户的智能药盒起名，普通 CoT 可能直接给 5 个名字就结束。用 ToT 模板则可以这样推进：
决策点 1：定位主张
思路 A：强调"安全"（按时服药不出错）
思路 B：强调"陪伴"（家人般提醒）
思路 C：强调"智能"（AI 识药）
→ 评分：A=8 / B=9 / C=6，选 B
决策点 2：情感调性
思路 A：温馨（家、暖、伴）
思路 B：科技（智、芯、云）
思路 C：传统（康、寿、安）
→ 评分：A=9 / B=5 / C=7，选 A
决策点 3：命名候选
沿 B+A 路径生成：药伴、暖药盒、家用药盒·伴、伴药时光...
可以看到，ToT 的好处不是"想得更深"，而是显式记录思考路径，方便后续调试和迭代。
三类典型适用场景
- 组合优化类：行程规划、菜单设计、资源分配
- 创意发散类：命名、Slogan、剧本走向
- 博弈决策类：谈判策略、产品设计取舍、技术方案选型
常见误区
- 误区 1：所有问题都套 ToT。简单计算或事实问答用 CoT 即可，ToT 会浪费 3-5 倍 Token。
- 误区 2：分支数 k 越大越好。k 超过 5 会让模型自我评分失焦，建议 k=3 起步。
- 误区 3：评估维度太泛。评估必须与最终目标对齐（如"创意任务"别用"可行性"打头）。
- 误区 4：不写回溯逻辑。没有回溯的 ToT 退化为"多次 CoT"，丧失核心价值。
进阶技巧
- 多模型分工：用一个模型生成思路、另一个模型评分，避免"自吹自擂"
- 结合 Self-Consistency：对最终答案再用 SC 采样 5 次取多数
- 限定搜索深度：复杂问题设定最大深度（如 4 层），防止无限发散
小结
Tree of Thoughts 不是 CoT 的替代品，而是复杂任务的加强版。当你发现模型在多步骤决策中"前一步选错、后一步全错"时，就是把 ToT 请出场的时候。把上面的 Prompt 模板直接复制到 Claude 或 GPT-4 中，把 {在此填入你的问题} 替换为你的实际问题，即可体验从"线性推理"到"搜索式推理"的跃迁。