_{🧠 图解记忆：别急着给答案——让AI一步步想，答案自然更准。}

一句话定义

Chain-of-Thought (CoT) 是一种提示工程技巧：在 prompt 中明确要求模型"逐步推理"或"展示思考过程"，而不是直接给出最终答案。

# ❌ 零样本直接问（容易出错）
prompt = "小明有5个苹果，吃了2个又买了3个，还剩几个？"

# ✅ CoT提示
prompt = """小明有5个苹果，吃了2个又买了3个，还剩几个？
让我们一步一步思考："""

三种主要形式

类型	示例	效果提升
Zero-shot CoT	只加一句"Let's think step by step"	+10~20%
Few-shot CoT	提供带推理过程的示范例	+20~40%
Auto-CoT	自动生成示范的推理链	+30~50%（自动化工具）

为什么CoT有效？

1. 激活推理路径：直接映射 问题→答案 可能跳过逻辑中间态；CoT强制走 问题→中间步骤→答案，利用了模型的因果推理能力
2. 减少错误累积：多步推理可以分阶段验证；一步到位更容易出现"看起来合理但实际错误"的输出
3. 可解释性增强：展示中间步骤便于调试和人工审核——这在生产环境中极为关键

适用场景（高频追问）

• ✅ 数学题/逻辑推理 — 收益最大（GSM8K数据集上CoT从18%提升到79%+）
• ✅ 复杂问答 — 多条件约束的问题
• ✅ 代码生成 — 先规划算法再写代码
• ❌ 简单事实查询 — 不需要CoT，反而浪费token
• ❌ 格式严格输出 — CoT会混入推理文本

局限性

• 幻觉传递：如果推理过程中的某一环错了，后续所有推导都错（error propagation）
• Token消耗翻倍：CoT输出的中间步骤可能占输出总量的50-80%
• 并非所有模型都能用好：小模型（<7B）用CoT可能产生明显的逻辑错误，需要更精细的调优

面试话术

"CoT的本质是引导模型把隐式推理变为显式推理。就像让学生做题不能只写答案，要写解题步骤一样。工业界应用时，我的经验是：复杂任务用CoT提30-50%准确率，但要注意token成本和幻觉传递风险。对于关键决策，我会结合Self-Consistency策略——让模型多跑几次CoT取多数投票结果。"

---