CoT 是 Chain of Thought 的缩写，中文通常叫 思维链。

通俗地说，就是让大模型不要直接给答案，而是把问题拆成多个中间步骤，再一步一步得到结论。

例如：

小明有 5 个苹果，又买了 3 个，送给别人 2 个，还剩多少个？

直接回答：

6 个。

使用 CoT：

原来有 5 个，买了 3 个后有 5+3=85+3=85+3=8 个；
又送出 2 个，所以剩下 8−2=68-2=68−2=6 个。

这里的“先加法，再减法，最后得出答案”，就是一条简单的思维链。

CoT 的作用

它主要适合需要多步推理的问题，例如：

• 数学计算
• 逻辑推理
• 代码分析
• 复杂问答
• 方案规划

因为复杂问题如果直接预测最终答案，模型容易跳步骤或出错；拆成几个小问题后，通常更容易得到正确结果。

CoT 是怎么产生的？

常见有两种方式。

1. 在提示词中要求模型逐步分析

例如：

请一步一步分析这道题，并给出最终答案。

或者：

请先拆解问题，再进行计算。

这叫做 CoT Prompting，思维链提示。

2. 给模型几个带推理过程的示例

例如先给模型看：

问题：小红有 3 支笔，又买了 2 支，共有多少支？
分析：原来有 3 支，又增加 2 支，所以 3+2=53+2=53+2=5。
答案：5 支。

然后再让模型解决相似问题。模型会模仿这种“分析—答案”的格式，这叫做 Few-shot CoT。

CoT 和普通回答的区别

普通回答更像：

输入问题 → 直接输出答案

CoT 更像：

输入问题 → 拆解问题 → 中间推理 → 检查关系 → 输出答案

可以把它理解为：

普通回答只写结果，CoT 会写出解题过程。

需要注意的一点

大模型输出的“思维链”，不一定就是它内部真实、完整的思考过程。它更准确地说，是模型生成的一段可读的推理说明。

因此：

• 推理过程写得很长，不代表一定正确；
• 每个中间步骤仍然需要检查；
• 有时模型可能“过程看起来合理，但结论仍然错误”。

所以 CoT 能提高复杂推理的清晰度和正确率，但不能彻底消除幻觉。

一句话做笔记：

CoT（思维链）是让大模型将复杂问题拆成多个中间步骤，逐步推理后再给出最终答案的方法。