核心要点

  • CoT 让模型先输出中间推理步骤再给答案，把多步推理外化为可见 token，减少跳步错误。

  • Zero-shot CoT：加「let us think step by step（请一步步思考）」即可触发；Few-shot CoT：示例里给完整推理链。

  • 适用于数学、逻辑、多步推理类任务；简单事实/分类任务收益有限甚至过度思考。

  • 进阶变体：Self-Consistency（多路径投票）、Tree-of-Thought（搜索式推理）。

简要回答

在 prompt 里要求模型「一步步思考」，或给带推理链的 few-shot 示例，让模型先输出中间步骤再给最终答案，复杂推理任务效果明显提升。

标准回答

两种形式

  • Zero-shot CoT：只需在指令后加一句「Let us think step by step（请一步步思考）」，即可激发模型输出推理链。
  • Few-shot CoT：在示例中给出 question → reasoning → answer 的完整链条，让模型模仿这种「先推理后作答」的格式。

为什么有效

把多步推理外化成可见的中间 token，相当于给模型更多「思考算力」，减少一步到位时的跳跃错误；大模型预训练中已有大量推理模式可被激活。

局限

  • 增加输出 token，带来成本与延迟。
  • 简单任务可能过度思考，反而出错。
  • 推理链本身也可能幻觉，看似有理实则错误。

进阶变体：Self-Consistency 采样多条推理路径再对答案投票；Tree-of-Thought 把推理组织成可搜索/回溯的树结构。

常见误区

⚠️ 常见踩坑

别以为 CoT 对所有任务都加分——简单分类/抽取任务上它徒增延迟、还可能因「过度推理」引入错误。也别把可见的推理链当成模型真实的内部计算：它只是生成的文本，可能事后编造（post-hoc rationalization），看起来合理不代表答案正确。

追问

追问 1：CoT 对小模型有效吗？

7B 以下小模型 CoT 收益有限，易出现错误推理链；需足够参数量与指令跟随能力。可试 few-shot CoT 或改用工具/检索补足，而非强推长链推理。

追问 2：什么是 Self-Consistency？

对同一问题采样多条 CoT 推理路径，对最终答案投票取众。可提升数学/推理准确率，代价是多次推理的成本与延迟，适合高价值、低 QPS 场景。

延伸学习

与本题相关的知识库文章、术语、工具与行业资讯。

📚 知识库

📖 术语表

📰 AI 资讯

🎯 相关面试题