共 3 篇内容，涉及 2 个模块
Let's think step by step 是最经典的 CoT 提示，但它有一个致命弱点：AI 可能跳步、遗漏关键步骤或计算出错。Plan-and-Solve (P&S) 的改进极其简单——让 AI 先制定分步计划，再按计划逐步执行。这个改动在数学推理任务上将准确率提升了 7-10 个百分点。本文从 P&S 的两阶段架构（计划阶段→执行阶段）讲起，给出三种改进变体（自验证型 / 分步自检型 / 回溯修正型）、与传统 CoT/ToT/ReAct 的对比、以及一个完整可复用的 P&S Prompt 模板和三个实战场景。
Chain of Thought 只能想，不能做；Function Calling 能做，但不会自我修正。ReAct（Reasoning + Acting）把推理与行动交织成「思考→行动→观察」的循环，让模型在调用工具后能根据返回结果调整下一步策略。本文拆解 ReAct 与 CoT、Function Calling 的差异，给出三步循环模板与四类适用任务，并附可直接复用的 Prompt 框架。
Chain-of-Thought 是死的，真实推理是活的——遇到死胡同要能回退、信息不够要能补一支分支、思路跑偏要能推翻重来。Sequential Thinking MCP（@modelcontextprotocol/server-sequential-thinking）把思维链变成 Agent 可调用的工具：每一步是一个 thought 节点，支持分支、修订、合并，并自动维护思维链的总长度与深度。本篇覆盖核心能力、Claude Code / Cursor / VS Code 三客户端配置、与 Memory MCP 的协同、以及把它接进 Agent 决策循环的实战场景。