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

1. 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
     

2. 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。
     

3. 阅读理解

   • Prompt：

     根据以下文章，回答问题并给出推理过程。
     

4. 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

1. 提升准确性

   • 特别是在复杂推理和数学题上效果显著。

2. 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。

3. 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

1. 输出冗长

   • 推理步骤会占用更多 Token。

2. 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。

3. 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

1. 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”

2. 结构化输出

   • 要求模型用编号、分行方式清晰展示思考链。

3. 结合 Few-shot CoT

   • 给出几个带推理步骤的示例，让模型模仿。

4. 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。