思维链 CoT 是什么？让 AI 一步步想问题

一句话说清思维链 CoT 是什么

思维链（Chain of Thought，缩写 CoT）是让 AI「先把推理过程一步步写出来，再给答案」的提示词技巧。

不加 CoT，AI 拿到一道数学题或者推理题，往往直接蹦出一个答案——对的概率全凭运气。加了 CoT，AI 会把「第一步怎么想，第二步怎么算，第三步怎么验证」全写出来，准确率能从 50% 跳到 90% 以上，这是 Google、Anthropic、OpenAI 都验证过的现象。

最低门槛的 CoT 就一句话：「请一步一步思考」。这 5 个字加在你的 prompt 末尾，效果立竿见影。但它的玩法远不止于此。

用一个生活场景理解

你问朋友：「一斤苹果 4 块钱，我买 3 斤，给老板一张 50，找回多少？」

• 没思维链的朋友：「38。」
• 有思维链的朋友：「3 斤 × 4 块 = 12 块，50 - 12 = 38 块。」

第二种回答慢一点，但你能验证他的逻辑对不对。如果第一种说「40」，你根本不知道他是漏算了哪一步。

AI 也一样。让它把推理写出来，错了你看得见、对了你信得过。CoT 解决的就是「AI 拍脑袋」的问题——把它从「直觉答题」逼到「思考答题」。

CoT 最简单的 3 种用法

用法 1：零样本 CoT（Zero-shot CoT）

什么都不教 AI，直接在问题末尾加一句魔法话：

[你的问题]
请一步一步思考，把推理过程写出来。

这是 2022 年 Google 一篇论文里发现的现象——光加这 5 个字，模型在数学题上的准确率就翻了好几倍。到 2026 年，新一代模型已经自带「会先想再答」的倾向（Claude 4.7、GPT-5），但这句话仍然是最稳的兜底。

用法 2：少样本 CoT（Few-shot CoT）

给 AI 几个「带推理过程的例题」，让它模仿。比如：

请按下面的格式解题。
例题 1：
问：小明有 5 个苹果，给了小红 2 个，又买了 4 个，现在有几个？
推理：

起始 5 个
给出 2 个 → 5 - 2 = 3 个
买入 4 个 → 3 + 4 = 7 个
答案：7
例题 2：
问：一辆车每小时跑 60 公里，开了 2.5 小时，跑了多少？
推理：

速度 60 公里/小时
时间 2.5 小时
距离 = 速度 × 时间 = 60 × 2.5 = 150 公里
答案：150 公里
现在请按同样的格式解这道题：
问：[你的题目]

例子比指令管用 10 倍。AI 会照着你给的格式走，几乎不跑偏。

用法 3：结构化 CoT

复杂任务（比如商业决策、技术方案），让 AI 按你定的「思考步骤」走：

请按以下步骤分析这个问题：

列出已知信息（用 - 列点）
找出隐含的限制和假设
列出 2 到 3 种可能的方案
评估每种方案的优劣
给出你的建议和理由
如果有任何一步不确定，标出来不要瞎猜。
问题：[你的问题]

这种写法适合做决策、写方案、做产品分析。AI 会从「输出一段感想」变成「输出一份分析报告」，质量差一个数量级。

CoT 对哪些场景最有用

不是所有任务都需要 CoT。如果你问「番茄炒蛋怎么做」加一句「请一步一步思考」，AI 会写一篇煎蛋哲学。CoT 在下面这些场景才真正发力：

判断标准：「这道题需要先想再答，还是直接答就行？」 需要先想的，CoT 就有用。

CoT 在新一代模型上还重不重要

到 2026 年，Claude 4.7、GPT-5、Gemini 3 Pro 都自带「自适应思考」能力——遇到复杂题会自动启用内部推理（叫 reasoning、extended thinking 或 deep thinking），不用你提醒。

那 CoT 还有用吗？还有，但用法变了：

• 新模型 + 简单题：不用 CoT，模型自己会判断要不要思考
• 新模型 + 复杂题：CoT 可以「强化要求」（比如规定思考步骤、要求自检答案）
• 国产模型（豆包、Kimi、DeepSeek、文心）：CoT 仍然普遍有效，该加就加
• 老模型（GPT-3.5、本地小模型）：CoT 是命门，不加几乎答不对推理题

一句话：新模型让 CoT 的「触发」自动化了，但「引导思考方向」这件事还得靠 prompt。

3 个高阶 CoT 玩法

玩法 1：要求 AI 自检答案

光想还不够，让它想完再倒着验一遍：

解完题之后，请做 3 件事：

把答案代回原题，看是否成立
列出 1 个可能让答案错的隐含假设
给出最终答案
请一步一步思考。

这招在数学题、代码题上特别有用，能拦住大半幻觉。

玩法 2：让 AI 给出多条思路

复杂题的最佳答案往往不是第一条思路：

请用 3 种不同的思路解这道题，每条思路标号写出推理过程。
最后告诉我哪条思路最可靠，理由是什么。
题目：[你的题目]

这叫 self-consistency（自一致性），是 OpenAI 评测里证明能稳定提升准确率的玩法。

玩法 3：把思考过程藏起来，只输出结论

有时候你只想要答案，不想看一堆推理。Claude 支持用 <thinking> 标签把过程藏起来：

请按下面的格式回答。
将你的推理过程包裹在 thinking 标签内，最终答案包裹在 answer 标签内。我只会展示 answer 部分。
格式示例：
thinking: 这里是你的推理步骤
answer: 这里是最终答案
请一步一步思考。
问题：[你的问题]

GPT-5、Claude、Kimi 都认这种结构化标签。前端展示时只读 answer，体验干净；后端日志保留 thinking，方便排查。

CoT 常见的 3 个误区

误区 1：所有 prompt 都加 CoT

CoT 让 AI 多花 token、多花时间。简单任务用 CoT 是浪费——问个翻译、写个邮件，加一堆思考步骤纯属拖累。只在「需要推理」的场景用。

误区 2：以为 CoT 能消除幻觉

不能。CoT 让 AI 「答得更靠谱」，但它写出来的推理过程本身也可能编造。AI 会自信地写「根据 2024 年某某论文……」，那个论文可能根本不存在。CoT 不是真理机器，关键事实还是要你来核。

误区 3：CoT 越长越好

新手喜欢逼 AI 写 1000 字推理。但 OpenAI 的实测数据是：推理过深反而会引入更多错误。最佳推理长度通常是「刚好够覆盖必要步骤」，不要硬撑。Claude 4.7 的 effort 参数、GPT-5 的 reasoning effort 参数都内置了这个判断，普通用户用默认值就好。

想再深入一步

读到这你已经会用 CoT 了。接下来想继续提升 prompt 功力，推荐看：

• 想理解 prompt 的本质 → Prompt 是什么
• 想系统学 prompt 工程方法论 → Prompt 工程是什么
• 想看官方 5 大原则的具体写法 → 怎么写好 prompt
• 想给 AI 设角色让回答更专业 → System prompt 是什么
• 想直接抄成熟模板 → Anthropic Prompt Library 中文版

如果你正在挑用哪个 AI 工具做推理题，Claude 的 extended thinking 模式专为长推理设计；国产 AI 大全 里的 DeepSeek 也以推理能力出名，价格还低。

常见问题

CoT 和「让我深呼吸再回答」是一回事吗？

是同一类技巧。「Take a deep breath」「Let’s think step by step」「请一步一步思考」都属于零样本 CoT，本质都是触发模型的推理模式。到 2026 年这些咒语效果都在弱化，新模型已经会自己判断要不要深思。但加上没坏处。

国产模型支持 CoT 吗？

全部支持。豆包、Kimi、DeepSeek、文心一言、通义千问都吃这套。DeepSeek 的 R1 系列是专门做推理优化的，CoT 效果尤其强。豆包和 Kimi 加一句「请一步一步思考」也立刻能看到差别。

CoT 在中文场景效果好吗？

非常好。早期 CoT 论文都是英文测试，但中文实测效果不输。注意：用中文写 prompt 让 AI 用中文推理，比强行用英文 prompt 效果更稳。

用 CoT 后回答变慢了，怎么办？

正常。推理多了，输出多了，时间自然长。如果对延迟敏感（比如做客服、做实时翻译），可以：

1. 限制推理长度（「推理不超过 100 字」）
2. 用 thinking 标签藏起来，让用户看不到等待
3. 简单任务直接不用 CoT
4. 换轻量模型（Claude Haiku、GPT-5 Mini、豆包 Lite）

记住 CoT 的本质：用时间换准确率。值不值得，看场景。