完整题目
请解释思维链（Chain-of-Thought, CoT）提示的编写方法，包括典型模板、设计原则及其在提升大模型推理能力中的作用。
本文目录
答案要点
- CoT的核心思想是让模型显式输出中间推理步骤
- 掌握Zero-shot CoT和Few-shot CoT两种典型模板
- 理解示例设计的关键原则（多样性、步数适中、答案正确）
- 明确CoT在复杂推理任务（数学、逻辑、代码）中的有效性边界
CoT的核心思想
让大模型显式生成中间推理步骤，而非直接输出答案。本质是将隐式推理过程外显化，利用模型的生成能力逐步求解复杂问题。
两种典型模板
1. Zero-shot CoT（零样本）
直接添加触发指令，无需示例：
Q: 一个农场有鸡和兔共35只，脚共94只。鸡兔各几只？
A: Let's think step by step.或中文版本："请逐步思考并解答"
2. Few-shot CoT（少样本）
提供含推理过程的示例，格式为 Question → Reasoning → Answer：
Q: 小明有5个苹果，给了小红2个，又买了3个，还剩几个？
A: 小明开始有5个苹果。给小红2个后，剩下5-2=3个。
又买3个后，有3+3=6个。所以答案是6。
Q: [新问题]
A:设计原则（Few-shot场景）
| 原则 | 说明 |
|---|---|
| 多样性 | 覆盖不同题型和推理模式，避免过拟合 |
| 步数适中 | 步骤过简失去引导作用，过繁增加噪声 |
| 答案正确 | 示例必须准确，错误示例会误导模型 |
| 格式一致 | 统一分隔符和书写风格，降低解析成本 |
作用与边界
有效场景：数学推理、符号逻辑、多步决策、代码调试等需要显式路径的任务
局限性：
- 简单任务可能增加token消耗而无收益
- 事实性问答不需要CoT，直接回答更高效
- 模型能力不足时（如小模型），CoT可能产生幻觉推理链
在Agent中的应用：CoT是ReAct、Plan-and-Solve等Agent架构的基础组件，支撑任务分解与规划能力。
换一种问法，检查是否真正理解
场景切入
假设你在做一个数学辅导机器人，用户问了一道鸡兔同笼的题，你希望模型一步步推理给讲解，而不是直接甩个答案。你会怎么设计prompt来引导模型输出中间步骤？
层层追问
你平时写prompt让模型做推理，一般直接给答案还是让它先说说思路？……如果直接说“逐步思考”效果不好，你会怎么改进？……比如给几个带推理过程的例子，例子要怎么挑才能让模型学得准？
直球架构
解释一下Chain-of-Thought提示的两种典型写法，就是zero-shot和few-shot各是什么模板。设计few-shot示例时要注意哪些原则？CoT在哪些任务上特别管用，哪些场景反而没必要用？”
练习口述回答 · 约4分钟
- 本质是让模型把推理过程写出来，不是直接猜答案
- 两种模板：Zero-shot加一句触发词，Few-shot给完整例子
- 设计示例的关键：多样性、步骤适中、答案正确，格式一致
- 适用场景和边界：复杂推理任务有效，简单任务反而浪费
- 落地风险：小模型可能产生幻觉，需要验证推理链
这道题问的其实是，怎么让大模型在遇到复杂问题时，不直接跳到一个答案上，而是像人一样一步一步想清楚再说。核心就一句话：把隐式的推理过程显式化。模型本身就有推理能力，但你不引导它，它就可能走捷径、瞎猜。[[思维链]]就是给它铺一条路，让它沿着走。
具体做法分两种。先说 [[Zero-shot]] CoT，就是零样本，你不需要给任何例子，直接在问题后面加一句触发词。比如问“鸡兔同笼”，你加个“Let's think step by step”，或者中文说“请逐步思考”，模型就会自动开始列步骤、算方程。这个适合你临时问个问题，不想费劲写例子。
另一种是 [[Few-shot]] CoT，少样本，你得先给一两个完整的问答例子，每个例子都包含推理步骤和最终答案。比如“小明有5个苹果，给了小红2个，又买了3个，还剩几个？”然后你写推理过程，再写答案。这样模型看到新问题，就会模仿你的格式，也写出推理链。这个更可控，适合对输出格式有要求的生产环境。
设计示例有几个原则，我重点讲两个。一个是多样性，你给的例子要覆盖不同题型和推理模式，别全是加减法，也要有乘除、逻辑判断，否则模型容易过拟合。另一个是步数适中，步骤太短等于没引导，太长又增加噪声，模型可能学到无关细节。还有答案必须正确，格式要一致，这些是基本要求。
思维链最擅长的是数学推理、符号逻辑、多步决策这类需要显式路径的任务。比如在客服退款场景里，用户说“我买了个手机，用了三天屏幕碎了，想退货”，模型需要先判断是不是质量问题、再看是否在退货期、然后考虑运费谁付，每一步都要推理。用思维链，模型就能写出“第一步查订单时间，第二步看售后政策，第三步……”这样可追溯的推理链。
但这里有个边界。简单任务用思维链反而浪费，比如问“今天天气怎么样”，直接答就行，加推理链只会多花 token 还拖慢速度。还有就是模型能力不足时，思维链可能产生[[幻觉]]，小模型推理能力弱，它硬编出来的步骤可能是错的，但看着还挺像回事。所以上线前我会特别关注推理链的准确性，用一些验证集来检查中间步骤和最终答案是否一致。
另外，思维链和 [[Self-Consistency]] 结合起来效果更好，就是同一个问题跑多次思维链，然后投票选出最一致的答案，能大幅提升稳定性。