思维链 CoT 是什么：让模型先写步骤再给答案

思维链（CoT）是一种提示技巧，让大模型在给出最终答案前，先把推理的中间步骤写出来，从而显著提升多步推理的准确率。你在让模型做数学题、逻辑题时常发现它直接给错答案；加上“一步步想”往往就对了。本文用初学者能跟上的方式，讲清 CoT 到底是什么、三种触发方式怎么用、收益和代价分别是什么，以及它不适合哪些场景。看完你能立刻在提问里用上 CoT，并知道什么时候不该用。今天这篇文章，编程狮就把这块讲透。

一、思维链到底是什么

用一句判断句给定义：思维链是在提示中引导模型输出推理过程、再得出答案的方法，它把“跳步作答”变成“分步作答”。

打个比方，就像你做应用题时把算式一步步列在草稿纸上，而不是心算直接报数。模型也是，写出中间步骤后，每一步的错误更容易被纠正，最终答案更稳。

1.1 触发条件

当你要模型处理多步推理——数学计算、逻辑推理、复杂规划——时，CoT 最值得用。典型场景是解题、排错分析、多条件决策，这些任务直接问往往翻车。

⚠️ 注意：CoT 对简单检索类问题没用，甚至更慢。它针对的是“需要思考”的题，不是“查一下就有”的题。想补齐 AI 基础，可先过一遍 人工智能教程。

1.2 常见误解

有人认为“CoT 让模型变聪明了”。其实关键在于它只是把本就存在的推理能力逼出来，靠分步降低累积错误，并不是赋予了新能力。这也是它和重新训练的区别。

二、三种触发方式

最常用的是在提示里写“让我们一步步思考”，或给几个带推导的示例，也可以让模型自己生成理由。

prompt = f"""问题：{question}
请一步步思考，再给出最终答案。"""
answer = model.generate(prompt)     # 零样本 CoT
# 也可以改为少样本：在 prompt 里先放 2-3 个带推理的示例

上面这段做的是用一句指令逼出分步推理。预期结果（未在本机执行，依据公开论文与官方文档）是模型先输出推导过程，最后才给答案，复杂题的答对率明显高于直接问。

💡 小提示：少样本 CoT 通常比零样本更稳，因为示例定下了“先推理后作答”的格式；如果格式乱，可显式要求“先列步骤，最后以‘答案：’结尾”。

三、收益与代价分别是什么

收益是复杂推理准确率提升，代价是更多 token、更高延迟和成本。

3.1 版本与适用边界

零样本 CoT 上手零成本；少样本 CoT 更稳但占提示长度；自动 CoT 让模型自写理由，省去手编示例。适用边界是：数学、逻辑、多步规划最受益；纯事实检索、闲聊没必要。不同架构的工程取舍，可结合具体任务再深入。

3.2 失败的表现

失败通常有两种：一是步骤写很长却在中途算错，带偏最终答案；二是为简单题硬套 CoT，又慢又贵。两者都要按题型判断是否启用，不能无脑加。

四、它为什么能提升推理

本质是分步把大问题拆小，每步只做简单判断，错误不易累积；同时中间步骤也成了可检查的“草稿”，便于定位和修正。版本上，从提示式 CoT 到训练时内化思考（如推理模型），边界在成本和可靠性的权衡。

怎么验证 CoT 真的有用？你可以配置两套提示，一套直答一套加“一步步思考”，对同一批题运行后检查准确率差异，验证复杂题是否明显提升。失败时要回看中间步骤而非只看答案，把典型错误归成回归集。把思维链当成可开关、可度量的手段，而不是默认永远开启。把思维链当成实验而非默认，才能看清它的真实收益。

⚠️ 边界提醒：CoT 不保证步骤正确，模型可能写出看似合理的错误推导。关键决策要把中间步骤也读一遍，而不是只看最后答案。

五、落地时容易踩的坑

在代码助手这类产品里，CoT 还能顺带产出可审阅的推理链，便于排查模型为什么这么改。你可以把中间步骤一并展示给用户，既增加透明度，也方便用户纠正方向。不过要注意控制长度，过长的推导会拖慢首字延迟，必要时只保留关键几步，平衡速度与可解释性。把可解释的推理当做产品卖点，也能提升用户对自动生成内容的信任。

• 现象：步骤多但答案仍错。原因：中间步算错带偏。修复：要求逐步自检，或对关键步骤二次验证。
• 现象：小题大做又慢又贵。原因：无差别用 CoT。修复：按题型分流，简单题直答，复杂题才开。
• 现象：格式乱解析不出答案。原因：没约束输出格式。修复：明确“最后以答案：开头”，再用正则提取。

# 用正则提取最后答案的片段（非完整脚本）
import re
text = model.generate(prompt)
m = re.search(r"答案[：:]\s*(.+)", text)
final = m.group(1) if m else text.split("\n")[-1]
# 预期能从分步输出里稳定取到最终答案（未在本机执行）

总结

思维链是在提示中引导模型先写推理步骤再给答案的提示技巧，核心是把跳步作答变分步作答，降低错误累积。落地记住三点：它对多步推理最有效，简单检索题反拖慢；少样本比零样本更稳；步骤可能错，关键决策要读中间过程。想系统理解 AI 术语，可补 AI 术语翻译笔记。

要点带走：

• CoT 逼出分步推理，不是赋予新能力；
• 数学、逻辑、规划最受益，闲聊检索没必要；
• 步骤可能错，要看过程而非只看最终答案。

延伸学习

想把这块知识系统补齐，可以按这个顺序来：

1. 先过一遍 OpenClaw 文档，看智能体如何组织推理；
2. 想理解 AI 基础，读 AI 核心概念笔记；
3. 动手前补 AI Python 课程 了解工程实现。

常见问题

Q：CoT 一定要写示例吗？

A：不一定。最省事的是零样本 CoT，只需在提示里加一句“让我们一步步思考”；想要更稳就用少样本，先放几个带推导的范例定下格式。两者都能触发分步推理。

Q：为什么有时候 CoT 反而更差？

A：因为它会增加 token 和延迟，对本来就不需推理的简单题纯属拖慢；也可能写出看似合理却错误的步骤，把答案带偏。是否启用要看题型，不是万能开关。

Q：模型自己内化思考后还需要 CoT 吗？

A：内化思考的推理模型已把分步能力训进权重，多数情况不必显式写“一步步想”。但对复杂任务，显式要求列出步骤仍有帮助，且便于人工核查中间逻辑。