当问题需要多步推理时,直接要答案往往出错——让 AI "想一想过程"再给结论,准确率会显著提升。
思维链(CoT,Chain of Thought)的核心思路很简单:与其让 AI 直接给出最终答案,不如让它先展示推理过程,再给出结论。
这个方法源自一个观察——大语言模型在"一步步想"的时候,中间步骤相当于给自己提供了上下文,每一步的推理都能为下一步提供更准确的起点。跳过中间步骤直接要答案,模型容易在复杂推理中"走捷径"出错。
举个直观的例子。问"一个商店打八折后再满 300 减 50,买一件原价 500 的商品最终花多少钱",如果直接问答案,有些模型会算错;但如果你说"请一步步计算",它通常会先算 500×0.8=400,再算 400-50=350,正确率大幅提高。
思维链有两种主要的触发方式:
零样本触发: 在提示词末尾加一句"请一步一步地思考"或"请展示你的推理过程"。这不需要你提供任何示例,模型就能理解意图。
少样本触发: 在提示词里给出 1-3 个带推理过程的示例,让模型学习"先推理再回答"的模式。这种方式在复杂任务上更稳定。
| 触发方式 | 适用场景 | 优点 | 缺点 |
|---|---|---|---|
| 零样本 | 一般推理任务 | 简单,无需准备示例 | 复杂任务上不够稳定 |
| 少样本 | 多步推理、专业领域 | 准确率更高 | 需要准备高质量示例 |
思维链不只能做数学题。在内容创作中,它同样有用:
1. 内容策划的因果分析
我要写一篇关于"年轻人为什么不想生娃"的文章。
请按以下步骤分析:
1. 先列出 5 个可能的原因
2. 对每个原因分析其背后的深层因素
3. 找出这些原因之间的关联
4. 基于以上分析,给出文章的切入角度
2. 标题选题的逻辑推导
请按以下步骤帮我选标题:
1. 先分析目标读者的核心痛点
2. 列出 10 个候选标题
3. 逐个评估每个标题的点击欲望和信息量
4. 选出最优的 3 个并说明理由
3. 争议话题的多角度论证
请按以下步骤分析"是否应该禁止短视频":
1. 先列出支持方的 3 个论点
2. 再列出反对方的 3 个论点
3. 评估每方最强论点是什么
4. 给出一个平衡的结论
不是所有任务都需要思维链。简单的事实问答、短文案生成,直接要答案就够了。以下场景适合用:
思维链的一个额外好处是"可审查"。当 AI 展示了推理过程,你可以在任何一步叫停并纠正。
一个进阶用法是在思维链末尾加一个自检步骤:
请按以下步骤完成:
1. 分析问题
2. 给出初步结论
3. 检查结论是否有逻辑漏洞或遗漏的因素
4. 如有必要,修正结论
5. 给出最终答案
这种"思考-自查-修正"的三段式在复杂任务上效果很好,虽然会消耗更多 token,但输出质量值得。
思维链会增加输出长度,相应地也会增加 token 消耗和等待时间。对简单任务不必使用。另外,思维链中的推理步骤并不总是正确的——它只是让推理过程可见,你仍需判断每一步是否合理。
最后,并非所有模型对思维链的响应都一样好。一般来说,参数量更大的模型在思维链任务上表现更好。如果你发现小模型用了思维链反而"绕远了",可以考虑换用更强的模型或简化推理步骤的要求。
把思维链当作一种"让 AI 的工作过程透明化"的工具,你不仅能得到更好的答案,还能更信任(或更知道何时怀疑)AI 的输出。