思维树（Tree of Thoughts， ToT）是大语言模型处理复杂问题时，一种模仿人类系统性思考的结构化推理方法。其核心是将一个复杂问题分解为多个步骤（"思维"节点），并探索不同的解决路径，最终通过评估和回溯找到最优解 。
一、通俗比喻：解题时的草稿纸
想象一下你解一道复杂的数学应用题：
- 传统链式思考（Chain-of-Thought）：就像在纸上一步步写下"设未知数为X -> 根据条件A列方程 -> 根据条件B变形 -> 求解X"。这是一条单一路径，如果第一步假设错了，整个答案就错了。
- 思维树（Tree of Thoughts） ：就像在草稿纸上同时尝试多种解题思路。你可能会：
- 路径一：设未知数为X，尝试用方程组求解。
- 路径二：画线段图，用图形法分析数量关系。
- 路径三 ：先假设一个结果，反向验证是否符合所有条件。
你会对每种思路的中间步骤进行打分（比如"方程组太复杂，计算容易出错，得3分"；"画图法直观，得8分"），然后选择最有希望的路径（画图法）继续深入，最终找到正确答案 。
二、核心作用：解决大模型的"思维僵化"问题
思维树主要解决了大语言模型在复杂任务中的三个关键问题 ：
| 问题 | 传统提示方法（如直接提问） | 思维树方法 |
|---|---|---|
| 思维线性化 | 模型只能按单一顺序思考，无法并行探索多种可能性。 | 允许模型"分叉思考"，同时生成多条推理路径。 |
| 无法回溯 | 一旦走上错误路径，难以回头，导致答案错误。 | 通过评估函数对中间节点打分，可以放弃低分路径，回溯到高分节点继续探索。 |
| 缺乏全局规划 | 容易陷入局部细节，缺少对问题解决步骤的整体把控。 | 将问题分解为有结构的思维单元，支持前瞻性（look-ahead）和回溯性（backtracking）搜索。 |
三、关键组成部分与工作流程
一个典型的思维树框架包含以下几个核心模块 ：
- 思维分解器：将初始问题拆解成一系列子问题或思考步骤。
- 节点生成器：针对当前思维节点，让大模型生成多个可能的后续思考方向（即子节点）。
- 评估函数：对生成的节点进行质量评估（例如，用1-10分评判其正确性或可行性）。这个函数可以由另一个大模型调用、基于规则或训练一个小的判别模型来实现。
- 搜索策略 ：决定如何遍历这棵树以找到最优解。常用策略包括：
- 广度优先搜索（BFS）：逐层探索所有可能。
- 深度优先搜索（DFS）：沿着一条路径深入到底，再回溯。
- A*搜索：结合当前路径代价和到目标的预估代价（启发函数），优先搜索最有希望的路径 。
以下是模拟思维树解决"24点"游戏（用加减乘除使4个数字结果为24）的简化Python代码逻辑：
python
# 模拟思维树解决复杂问题的核心流程
class TreeOfThoughtsSolver:
def __init__(self, llm):
self.llm = llm # 假设的大语言模型接口
self.thought_tree = {} # 存储思维节点
def decompose_problem(self, problem):
"""思维分解器：将问题分解为初始思考步骤"""
prompt = f"问题：{problem}。请列出解决这个问题的前2-3个关键思考方向。"
# 模拟LLM返回多个思考起点
initial_thoughts = self.llm.generate(prompt, num_return=3)
return initial_thoughts # 例如：['尝试所有数字组合', '优先考虑乘法达到24', '从除法逆推']
def generate_thoughts(self, current_thought):
"""节点生成器：基于当前思维，生成后续可能步骤"""
prompt = f"当前思考方向：'{current_thought}'。请给出3个具体的下一步操作或子问题。"
next_thoughts = self.llm.generate(prompt, num_return=3)
return next_thoughts
def evaluate_thought(self, thought, problem):
"""评估函数：对思维节点的质量进行评分"""
prompt = f"问题：{problem}。评估思考步骤'{thought}'的直接有效性和可行性，给出1-10分的评分。"
score = self.llm.generate(prompt) # 模拟LLM返回评分
return int(score)
def search_solution(self, problem):
"""搜索策略（简化版深度优先）"""
solution_path = []
initial_thoughts = self.decompose_problem(problem)
for thought in initial_thoughts:
score = self.evaluate_thought(thought, problem)
if score >= 7: # 如果初始思路评分高，则深入探索
solution_path.append(thought)
# 递归生成和评估后续思维
deeper_thoughts = self.generate_thoughts(thought)
for deep_th in deeper_thoughts:
deep_score = self.evaluate_thought(deep_th, problem)
if deep_score == 10: # 找到完美解决方案
solution_path.append(deep_th)
return solution_path # 返回找到的路径
return solution_path
# 使用示例
solver = TreeOfThoughtsSolver(llm=simulated_llm)
problem = "数字：3, 4, 6, 8， 如何通过加减乘除得到24？"
solution = solver.search_solution(problem)
print(f"找到的解决路径：{solution}")四、应用场景举例
- 复杂数学/逻辑推理：如上述"24点"游戏、奥数题、定理证明，模型可以尝试不同的公式应用顺序和转化策略 。
- 创意写作与规划：撰写小说时，可以为同一个情节开头构思多种发展走向（例如：主角发现宝藏后是上报国家、私藏还是被追杀），评估每种走向的戏剧性和合理性，选择最佳路径展开 。
- 战略游戏：在下象棋或围棋时，模型可以构建一棵博弈树，对每一步棋后的多种应对及后续变化进行推演和评估，选择胜率最高的走法 。
- 智能客服与诊断：在医疗咨询中，面对患者症状，思维树可以帮助系统并行考虑多种常见疾病假设（如流感、过敏、新冠肺炎），通过询问关键鉴别性问题（节点评估）来逐步收敛到最可能的诊断 。
总之，思维树通过引入结构化分解、并行探索和启发式评估，赋予了大语言模型更强的规划、反思和决策能力，使其能够像人类一样"三思而后行"，更可靠地解决那些需要多步骤、多可能性的复杂问题 。