提示词（Prompt）——链式思维提示词（Chain-of-Thought Prompting）在大模型中的调用（以 Qwen 模型为例）

---

链式思维提示词（Chain-of-Thought Prompting）实战教程

一、引言

在使用大语言模型（如 Qwen、GPT 等）进行推理类任务时，模型往往需要处理复杂逻辑问题 ，例如数学计算、条件推断或多步推理。

然而，直接提问往往会让模型"跳步"得出结论，容易出错。

这时，就可以使用一种被称为 链式思维（Chain-of-Thought, CoT） 的提示词技巧，让模型在生成最终答案前展示出逐步推理过程，从而显著提升正确率与解释性。

本文将通过阿里云 ModelScope 平台上的 Qwen 模型，演示链式思维提示词的实际效果与使用方式。

---

二、实验代码

下面这段 Python 代码展示了链式思维提示词的调用方式与对比结果。

import os 
from openai import OpenAI

client = OpenAI(
    # 新加坡和北京地域的API Key不同。获取API Key：https://help.aliyun.com/zh/model-studio/get-api-key
    # api_key=os.getenv("DASHSCOPE_API_KEY"),
    api_key="sk-******",
    # 以下是北京地域base_url，如果使用新加坡地域的模型，需要将base_url替换为：
    # https://dashscope-intl.aliyuncs.com/compatible-mode/v1
    base_url="https://dashscope.aliyuncs.com/compatible-mode/v1",
)

# ----------（一）普通提示 ----------
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {
            "role": "user",
            "content": "该组中的奇数加起来为偶数：1、2、3、4、5、6、7，对吗？"
        },
        {
            "role": "assistant",
            "content": "所有奇数相加等于16。答案为是。"
        },
        {
            "role": "user",
            "content": "该组中的奇数加起来为偶数：17、10、19、4、8、12、24、3，对吗？"
        },
        {
            "role": "assistant",
            "content": "所有奇数相加等于39，答案为否。"
        },
        {
            "role": "user",
            "content": "该组中的奇数加起来为偶数：15、12、5、3、72、17、1，对吗？像上面一样回答我"
        },
    ]
)
print(response.choices[0].message.content)

print("**********")

# ----------（二）链式思维提示 ----------
response = client.chat.completions.create(
    model="qwen-plus",
    messages=[
        {
            "role": "user",
            "content": "该组中的奇数加起来为偶数：15、12、5、3、72、17、1，对吗？让我们来分步思考。"
        }
    ]
)
print(response.choices[0].message.content)

---

三、两种提示方式对比

在上面的实验中，我们做了两个版本：

类型	提示词内容	模型行为	优缺点
普通提示词	"像上面一样回答我"	模型直接输出结果，不展示推理过程	响应速度快，但容易出错
链式思维提示词	"让我们来分步思考（Let's think step by step）"	模型会逐步列出推理过程后再得出结论	准确率高，逻辑透明，可解释性强

例子说明：

普通提示结果（可能输出）：

所有奇数相加等于36，答案为是。

链式思维结果（更合理）：

这些数中的奇数是 15、5、3、17、1。

它们的和是 41。

41 是奇数。

因此，答案为否。

可以看到，第二种提示方式明显更符合人类的推理逻辑。

模型在回答前**"思考了过程"**，因此结果更稳定、更可信。

---

四、链式思维提示词的原理

链式思维提示词的核心思想是：

在提示中显式要求模型进行逐步推理，而不是直接给出答案。

在技术层面上，模型被训练时学习到**"逐步展开思考的文字模式"**。

当用户在提示词中加入类似：

• "让我们一步步思考"

• "请先分析再回答"

• "展示你的推理过程"

• "Let's think step by step"

这些语句时，模型会激活推理链（Reasoning Chain），按逻辑逐步展开分析。

这种方法首次在论文 "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models"（Google Research, 2022）中被提出，并被证明对数学、逻辑、常识等任务极为有效。

---

五、应用场景

链式思维提示词（CoT）常用于以下场景：

场景	示例
数学推理	求和、概率、方程、数列推理
逻辑判断	条件真假、归纳演绎、因果分析
文本理解	阅读理解、故事逻辑推演
数据分析	多条件过滤与组合计算
代码调试	逐步解释出错原因与逻辑流程

---

六、链式思维与模型提示设计技巧

✅ 常用提示模板：

让我们分步思考这个问题。
请先分析，再得出结论。
请展示中间计算步骤。

✅ 强化效果的组合方式：

• 与**少样本学习（Few-Shot Prompting）**结合，让模型先看几个正确推理样例；

• 与**角色设定（Role Prompting）**结合，例如：

  "你是一位逻辑分析师，请分步解释并验证结论。"

• 与**自我校验提示（Self-Consistency）**结合，让模型多次推理取一致答案。

---

七、总结

链式思维提示词是**提示工程（Prompt Engineering）**中最实用、最有效的逻辑强化技巧之一。

它能让模型"像人一样思考"，在推理、分析、解释性任务中显著提高准确率。

一句话总结：

不要直接问模型答案，要教它"先想清楚，再回答"。

通过在提示中添加一句：

让我们来分步思考。

你就能显著提升模型的逻辑推理能力与可靠性。

---

八、参考链接

• 阿里云 Model Studio 官方文档

• Chain-of-Thought Prompting 论文（Google Research, 2022）

• Qwen 模型介绍与示例

---