2-4 思维链（CoT）与分步推理

什么是思维链（Chain of Thought）？

思维链（CoT）是让模型在输出最终答案之前，先显式地输出推理过程。就像人类解数学题时要"列出步骤"，CoT让模型一步步推导，减少"直觉跳跃"带来的错误。

Zero-shot CoT：加一句话就管用

最简单的CoT方式是在Prompt末尾加上：

请一步一步地思考，然后给出答案。

或英文版：Let's think step by step.

这句话为什么有效？因为训练数据中，包含推理步骤的文章往往比直接给答案的文章更准确，模型学到了"有步骤=更可靠"的模式。

什么时候用CoT？

• ✅ 适合用CoT的场景：多步数学计算、逻辑推理题、代码调试、复杂决策分析
• ❌ 不适合用CoT的场景：简单的文本分类、格式转换、直接的信息提取（CoT会增加无意义的token消耗）

案例1：代码调试

下面的代码有一个bug，请一步一步分析：
1. 先描述代码的意图
2. 追踪每一步的执行过程
3. 找出bug所在
4. 给出修复方案

```python
def find_max(nums):
    max_val = 0
    for n in nums:
        if n > max_val:
            max_val = n
    return max_val

print(find_max([-5, -3, -1]))  # 期望输出-1，实际输出0
```

案例2：复杂分析

分析下面这家公司是否值得投资，请按顺序分析：
1. 行业景气度如何？
2. 公司在行业中的竞争地位如何？
3. 财务数据反映了什么？
4. 当前估值是否合理？
5. 综合以上，给出结论

公司：[公司基本信息]

Tree of Thought（ToT）简介

CoT是线性推理（一条路走到底），Tree of Thought是树形推理——让模型生成多条推理路径，评估每条路径的质量，选择最优路径继续。适合更复杂的规划和创意任务，但token消耗大。目前主要在研究场景使用，生产场景用CoT足够。

核心原则：让模型"秀出解题过程"，而不是直接跳答案。推理步骤越清晰，最终答案越准确。