思维链（Chain-of-Thought，CoT） 是一种提示工程技术，通过让大语言模型将复杂问题拆解为多个推理步骤，逐步得出最终答案，显著提升了大模型在复杂推理任务上的表现。CoT是提示工程领域的一个重要突破，证明了大型语言模型本身就具备复杂推理能力，只需要正确的引导就能激发。
思维链提示通过在示例中不仅给出问题和答案，还给出中间推理步骤，引导大语言模型模仿这种逐步推理的方式解决问题。
标准提示：问题 → 答案
CoT提示：问题 → 推理步骤 → 答案
例如在算术应用题中，CoT会让模型给出每一步计算过程，而不仅仅是最终答案。
思维链的本质是利用大模型的涌现能力，将复杂任务拆解为多个简单子任务。它模拟了人类逐步思考解决复杂问题的过程，让大语言模型能够充分利用其参数中存储的知识和推理能力。
CoT可以看作是一种语境学习（In-Context Learning） 形式，不需要微调模型，只需要设计好提示就能生效。
| 对比项 | 标准提示 | CoT提示 |
|---|---|---|
| 输出 | 只给出最终答案 | 给出完整推理路径 |
| 复杂问题 | 容易出错 | 准确率显著提升 |
| 数据需求 | 少量示例 | 同样少量示例，需要标注推理步骤 |
| 模型规模 | 小模型也能用 | 需要较大模型才能生效 |
CoT通过多种机制提升大模型的复杂推理能力：
不需要手动标注推理示例，只需要在问题末尾加上 "Let's think step by step"，就能引导模型自动生成思维链。
这种方法非常简单，任何问题都可以直接使用，不需要标注示例。在很多推理任务上也能取得不错效果。
使用示例：
问题：我去市场买了10个苹果。给了邻居2个，给了修理工2个，然后又买了5个，吃了1个。我还剩几个苹果？
Let's think step by step.提供几个人工设计的CoT示例作为上下文，让模型学习推理方式，然后解决新问题。这是CoT最经典的形式，效果通常比Zero-shot-CoT更好。
Self-Consistency是对CoT的改进：对同一个问题采样多个不同的推理路径，然后投票选出最一致的答案，进一步提升准确率。
思路：复杂问题往往有多种推理路径，多个结果投票比单次推理更可靠。
CoT特别适用于：
**什么是思维链（CoT）？为什么有效？ 思维链是一种提示工程技术，通过在提示中提供中间推理步骤，引导大语言模型逐步思考解决复杂问题。有效原因：分解复杂问题降低难度，示范推理步骤帮助模型学习，激活背景知识，模拟人类推理过程，提升复杂任务准确率。
**Zero-shot-CoT和Few-shot-CoT的区别？
**为什么CoT只在大模型上有效？小模型为什么不行？ CoT依赖大模型的涌现能力。只有模型规模达到一定程度，才能产生复杂推理能力和分步思考的能力。小模型参数量不足，缺乏足够的知识和推理能力，即使提示也无法产生正确的思维链。
**Self-Consistency是什么？怎么工作的？ Self-Consistency是CoT的改进方法：对同一个问题采样多个不同的推理路径，得到多个答案，然后投票选择最频繁的答案作为最终输出。利用多个推理结果的一致性提升准确率，比单次CoT更可靠。
**思维链存在哪些局限性？
**为什么思维链能提升大模型的推理能力？ 主要原因：
**CoT出现之前，大模型在复杂推理上表现差的原因是什么？ 传统提示直接让模型输出答案，没有引导分步思考，大模型往往跳过关键推理步骤直接猜测答案，导致错误率高。CoT强制让模型输出推理步骤，迫使模型分步思考，从而提升准确率。
**除了数学推理，CoT还能应用在哪些场景？
**你认为CoT未来可以从哪些方面改进？
**CoT和In-Context Learning的关系是什么？ CoT是In-Context Learning（上下文学习）的一种特殊应用，它利用上下文示例教模型学会分步推理。CoT将上下文学习从"输入-输出"映射扩展到"输入-推理-输出"，激发了模型的推理能力。