【AI面试临阵磨枪-27】CoT、ToT、Plan-and-Solve、Plan-and-Execute 分别是什么？适用场景？

一、面试题目

请你分别说明 CoT、ToT、Plan-and-Solve、Plan-and-Execute 四种大模型推理范式的核心定义，并对比各自的适用业务场景。

二、知识储备

1. CoT（Chain-of-Thought 思维链）

核心定义 最简单的线性推理范式，引导模型不直接给出答案，而是拆分问题、分步写出中间推理过程，单路径串行思考，无分支、无回溯、无自我评估。核心特点 轻量化、低耗时、单次线性推导、Prompt 简单、资源消耗低。适用场景 通用简答、基础逻辑推理、简单数学运算、常识问答、文本摘要、日常对话；适合短步骤、低难度、对延迟敏感的轻量化任务。

2. ToT（Tree-of-Thought 思维树）

核心定义 在 CoT 基础上升级为树状多分支推理 ，模型同步生成多条思考路径，自主评估每条分支的合理性，择优推进、支持错误分支剪枝与回溯试错。核心特点 多路径探索、可回溯、自我校验、多轮择优、推理精度高、开销更高。适用场景 复杂奥数推理、逻辑谜题、策略博弈、创意设计、多方案决策、复杂难题求解；适合高难度、需要试错择优、允许较高推理耗时的高阶任务。

3. Plan-and-Solve（规划求解）

核心定义 强结构化双阶段范式：先一次性输出完整固定步骤规划，再严格依照规划逐条执行推理计算 ，规划全程不修改、不动态调整。核心特点 先规划、后执行、计划固化、逻辑强约束、防止模型跳步与幻觉。适用场景 多步数学应用题、公式推导、结构化统计计算、固定流程分析、理科计算题；适合步骤固定、逻辑闭环、不需要中途变更方案的标准化任务。

4. Plan-and-Execute（规划与执行分离）

核心定义 Agent 级长流程范式，将规划器 与执行器 完全解耦：顶层生成宏观任务计划，子任务逐个落地执行，根据执行反馈动态修正、迭代更新计划 。核心特点 规划 / 执行解耦、闭环反馈、动态调优、支持工具调用、超长链路任务。适用场景 AI Agent 复杂任务拆解、多工具串联调用、长文本创作、数据分析、自动化办公、复杂业务流程编排；适合长时序、多阶段、环境多变、需要实时反馈调整的落地级复杂任务。

三、破局之道

在面试中，用这段话展现你对大模型推理范式的深层掌控力：回答这四种推理范式的区别，本质上是展示你对LLM 思考模式与任务复杂度匹配关系的掌控程度。

你可以告诉面试官：CoT 是大模型基础推理的底座，解决简单线性问题；ToT 打开了模型深度思考的上限，通过多路径试错突破复杂逻辑瓶颈；Plan-and-Solve 用前置固化规划约束模型行为，杜绝跳步与逻辑混乱；Plan-and-Execute 则是 AI Agent 落地的核心骨架，依靠规划执行解耦与动态反馈，支撑超长、多工具、强交互的复杂业务闭环。工程落地中，简单业务轻量化选用 CoT，高难度决策使用 ToT，标准化计算场景采用 Plan-and-Solve，而所有长流程、自动化、多步骤的 Agent 场景，都必须依赖 Plan-and-Execute 做全局调度。单纯依靠原生生成只能做简单对话，分层选用推理范式，才能让大模型从 "随口回答" 升级为 "可控、可靠、可落地" 的生产力工具。

四、代码实现

1. Python 版本

python 复制代码

# 1. CoT 线性思维链
def cot_inference(question: str):
    prompt = f"""
请一步步逐步推理，再给出答案：
问题：{question}
推理过程：
"""
    return llm(prompt)

# 2. ToT 思维树 多路径择优
def tot_inference(question: str):
    path1 = llm(f"思考路径1：{question}")
    path2 = llm(f"思考路径2：{question}")
    score1 = llm(f"评估该推理合理性：{path1}")
    score2 = llm(f"评估该推理合理性：{path2}")
    return path1 if score1 > score2 else path2

# 3. Plan-and-Solve 先定计划再执行
def plan_and_solve(question: str):
    plan = llm(f"列出完整固定解题步骤：{question}")
    result = llm(f"严格按照以下步骤解答：\n{plan}\n问题：{question}")
    return result

# 4. Plan-and-Execute 规划执行、动态调整
def plan_and_execute(goal: str):
    # 第一步：生成整体规划
    plan = llm(f"拆解复杂任务，生成阶段化执行计划：{goal}")
    steps = plan.split("\n")
    current_context = ""
    # 分步执行 + 动态修正计划
    for step in steps:
        exec_res = llm(f"执行当前任务：{step}\n上下文：{current_context}")
        current_context += exec_res
        # 根据结果更新后续计划
        plan = llm(f"基于当前执行结果，更新后续计划：{current_context}")
    return current_context

2. JavaScript 版本

javascript 复制代码

// 1. CoT
async function cotInference(question) {
  const prompt = `请一步步逐步推理，再给出答案：问题：${question}`;
  return await llm(prompt);
}

// 2. ToT
async function totInference(question) {
  const path1 = await llm(`思考路径1：${question}`);
  const path2 = await llm(`思考路径2：${question}`);
  const s1 = await llm(`评估合理性：${path1}`);
  const s2 = await llm(`评估合理性：${path2}`);
  return s1 > s2 ? path1 : path2;
}

// 3. Plan-and-Solve
async function planAndSolve(question) {
  const plan = await llm(`列出完整固定解题步骤：${question}`);
  const res = await llm(`严格按步骤解答：${plan} 问题：${question}`);
  return res;
}

// 4. Plan-and-Execute
async function planAndExecute(goal) {
  let plan = await llm(`拆解任务并生成执行计划：${goal}`);
  let context = "";
  const steps = plan.split("\n");
  for (const step of steps) {
    const res = await llm(`执行：${step} 上下文：${context}`);
    context += res;
    plan = await llm(`基于结果更新后续计划：${context}`);
  }
  return context;
}