思维链（CoT） Chain-of-Thought

通过显式中间推理步骤让模型“边想边答”，提升复杂推理任务表现。

分类：model 类型：concept 别名：思维链

CoT 常与“逐步思考”“让我们一步一步来”等提示模板配合，显式暴露中间思路，减少跳步带来的错误。

工作机制

• 在提示中要求模型输出中间推理步骤，再给出最终答案。
• 可以配合少量示例（few-shot CoT）或让模型自我生成示例（self-consistency、多样化采样）。
• 与工具调用结合时，可在推理链中插入计算器、代码执行等外部能力。

典型成效

• 在算术推理、逻辑推理、常识问答、程序理解等任务上显著提升准确率。
• 对较小模型效果有限，但在 10B 以上模型中表现突出。
• 自一致性（Self-Consistency）与 Tree-of-Thought 等变体进一步提升稳定性与覆盖面。

实践建议

• 构造清晰的步骤提示，如“思考 -> 计划 -> 执行 -> 答案”。
• 针对高风险任务配合验证步骤（如再次回答或交叉验证）。
• 与结构化输出、评分模型结合，筛选出最可靠的推理路径。

参考资料

• Wei et al. “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models.” (2022).（首次系统展示 CoT 对推理任务的提升）
• Wang et al. “Self-Consistency Improves Chain of Thought Reasoning in Language Models.” (2022).（提出多样化采样并投票提升稳定性）
• Yao et al. “Tree of Thoughts: Deliberate Problem Solving with Large Language Models.” (2023).（将推理扩展为树状探索框架）

打开 GitHub 界面，修改后直接生成 PR