第四章:大模型（LLM)】07.Prompt工程-(4)思维链（CoT, Chain-of-Thought）Prompt
第四章：大模型（LLM）
第七部分：Prompt 工程
第四节：思维链（CoT, Chain-of-Thought）Prompt
1. 什么是思维链（CoT）Prompt
思维链提示（Chain-of-Thought Prompting, 简称 CoT） 是一种引导大模型在回答前，展示中间推理步骤 的提示方式。
不同于 Zero-shot 或 Few-shot 直接产出答案，CoT 强调 逐步推理。
核心思想：让模型先思考，再回答。
例如：
Prompt：
小明有 3 个苹果，送给小红 2 个，还剩几个？请一步一步推理并回答。
模型输出：
小明原本有 3 个苹果。
送给小红 2 个后，剩下 1 个。
答案：1
2. CoT 的工作原理
大模型在推理过程中，本质上是通过概率预测下一个词。当用户直接提问时，模型可能会“跳过思考”直接生成答案，导致错误。
而 CoT Prompt 会明确告诉模型：
不要直接回答；
要分步骤“解释推理过程”；
最后得出结论。
这样能显著提升模型在 数学推理、逻辑推理、多步骤任务 中的正确率。
3. CoT 的常见应用场景
数学计算 / 应用题
Prompt：
一个班有 40 个学生，其中 18 个是女生。男生有多少人？请一步一步推理。输出：
学生总数是 40。 女生是 18。 男生 = 40 - 18 = 22。 答案：22
逻辑推理题
Prompt：
如果所有的猫都会爬树，而小花是一只猫，那么小花会不会爬树？请逐步推理。
阅读理解
Prompt：
根据以下文章，回答问题并给出推理过程。
多步骤规划
Prompt：
请帮我规划一次北京三日游，先分解任务，再给出每日行程。
4. CoT 的优势
提升准确性
特别是在复杂推理和数学题上效果显著。
增强可解释性
通过中间步骤，用户可以理解模型的思考路径。
适合复杂任务
需要多步才能完成的任务（规划、计算、逻辑分析）。
5. CoT 的局限性
输出冗长
推理步骤会占用更多 Token。
可能出现“虚假推理”
有时模型会编造逻辑，看似合理但实际错误。
推理链质量依赖模型能力
小模型的推理链可能混乱或错误。
6. 设计 CoT Prompt 的技巧
显式要求逐步推理
在指令中加入关键词：
“一步一步推理”
“请展示中间推理过程”
“请先分析，再回答”
结构化输出
要求模型用编号、分行方式清晰展示思考链。
结合 Few-shot CoT
给出几个带推理步骤的示例，让模型模仿。
限制长度
避免推理过程过长，加入约束：
“请控制在 5 步以内”
7. 案例演示
任务：数学应用题
Prompt：
一个果园有 120 棵树，其中 1/3 是苹果树，其余是梨树。请逐步推理并计算出梨树的数量。模型输出：
总共有 120 棵树。 苹果树数量 = 120 × 1/3 = 40。 梨树数量 = 120 - 40 = 80。 答案：80
8. 小结
CoT Prompt 的核心是：让模型展示思维链，而不是直接给答案。
它特别适合需要逻辑、推理和多步骤计算的任务。
优点：提高准确率、增强解释性；缺点：输出更长、可能虚假推理。
最佳实践：显式要求分步骤，结构化输出，必要时配合 Few-shot 示例。
在下一节中，我们将学习 思维链的进阶应用——自洽（Self-Consistency）Prompt，进一步提升推理的稳定性。