Chain-of-Thought Prompting

不是催模型"多想一会儿"，而是让复杂任务出现清晰的中间步骤：先拆解，再推导，最后给出结论。

本文从直接回答讲起，逐步过渡到 Zero-shot CoT 、Few-shot CoT 与 Auto-CoT。

什么是 Chain-of-Thought Prompting？

Chain-of-Thought（CoT）Prompting 是一种面向推理任务的提示方法。它不只要求模型输出最终答案，还通过示例或指令，引导模型生成若干中间推理步骤。

普通提示往往采用"问题 → 答案"的形式。CoT 则把过程展开为"问题 → 条件识别 → 分步推导 → 结果检查 → 答案"。这种结构更适合多步计算、常识推理、符号推理和需要明确约束的任务。

为什么分步骤可能更有效？

复杂问题容易在一次跳转中丢失条件。CoT 的价值在于把中间状态写出来，让每一步只承担较小的推理负担。原始研究表明，在其测试设置中，CoT 对较复杂的算术、常识和符号推理任务更有帮助；效果也会受到模型能力、任务难度与示例质量影响。

没有示例时：加一句"逐步分析"

Zero-shot CoT 不提供完整演示，只在问题后加入推理指令。经典写法是"让我们逐步思考"，实际使用时可以进一步约束步骤和输出格式。

需要更稳定时：先给一两个完整示例

Few-shot CoT 在 Prompt 中加入"问题 + 中间步骤 + 答案"的示例。模型不仅学习答案形式，也学习如何拆解该类问题。相比只写一句"逐步分析"，它更适合具有固定规则、固定判定标准或特定输出格式的任务。

示例太多时：自动构造多样化演示

手工编写 CoT 示例耗时，而且容易只覆盖某一种题型。Auto-CoT 的核心思路是：先把问题按相似性聚类，再从不同类别中选取代表问题，自动生成推理链，最终组成更有多样性的 Few-shot 演示集合。

Auto-CoT 减少了人工构造示例的工作量，但自动生成的推理链仍可能出错，因此需要抽样检查、规则过滤或人工复核。

实际写 Prompt，抓住五个部分

部分	作用	建议写法
Task	说明要做什么	使用明确动词，如计算、判断、比较、规划。
Context	提供必要背景	只保留会影响结论的信息。
Constraints	限制推理范围	写清不可假设的内容、数据边界与规则。
Reasoning steps	规定处理顺序	要求识别条件、分步处理和检查结果。
Output format	控制最终结构	固定标题、字段、JSON Schema 或标签。