大型语言模型（LLMs）在文本生成、翻译和问答等任务上展现了惊人的能力。然而，当面对需要多步骤推理的问题时，它们有时会“一步到位”地给出错误答案。为了引导模型进行更深入、更可靠的思考，研究者们提出了一种简单而有效的提示（Prompting）技术——思维链（Chain-of-Thought, CoT）。

什么是思维链？

思维链的核心思想非常直观：在向模型提问时，不仅仅要求最终答案，还要在示例（Few-shot Prompting）或指令（Zero-shot Prompting）中，显式地展示或要求模型输出解决问题的中间推理步骤。就像我们人类解决复杂问题时，会一步一步地思考、演算、推导一样，CoT 鼓励模型模拟这个过程。

传统提示可能直接问：“问题 -> 答案”，而思维链提示则展示：“问题 -> 思考步骤 1 -> 思考步骤 2 -> … -> 最终答案”。

一个简单的例子

让我们看一个简单的数学应用题：

标准提示 (Standard Prompting):

Q: 咖啡店有5个苹果。如果他们用了2个苹果做松饼，又买了6个苹果，现在咖啡店有多少个苹果？
A: 9

思维链提示 (Chain-of-Thought Prompting):

Q: 咖啡店有5个苹果。如果他们用了2个苹果做松饼，又买了6个苹果，现在咖啡店有多少个苹果？
A: 咖啡店一开始有5个苹果。他们用了2个，所以剩下 5 - 2 = 3个苹果。然后他们又买了6个苹果，所以现在有 3 + 6 = 9个苹果。最终答案是 9。

通过在示例中加入推理步骤，模型在面对新的类似问题时，更有可能模仿这种“思考过程”，从而分解问题，逐步求解，而不是直接猜测答案。

思维链的力量

引入思维链带来了显著的好处：

• 提升推理能力： 特别是在算术、常识和符号推理等需要多步骤思考的任务上，CoT 能显著提高大型语言模型的准确性。模型被引导将复杂问题分解为更小、更易于管理的部分。
• 增强可解释性： 通过观察模型生成的中间步骤，我们可以更好地理解模型的“思考”过程，判断它是如何得出最终答案的，这有助于调试和信任模型的输出。如果中间步骤出现错误，也更容易定位问题所在。
• 激发涌现能力： 有趣的是，思维链的效果似乎在足够大的模型（通常参数量超过某个阈值）上才会显现，这被认为是大型模型“涌现能力”的一种体现。

不仅仅是示例：Zero-shot CoT

研究者们还发现，甚至不需要提供带有推理步骤的示例（Few-shot），只需在提示中加入一句简单的指令，比如“让我们一步一步地思考”（Let’s think step by step），也能在一定程度上激发模型的链式思考能力，这种方法被称为 Zero-shot CoT。

Q: [复杂的问题]
A: 让我们一步一步地思考。
   [模型开始生成推理步骤...]
   所以，最终答案是 [答案]。