什么是思维链 (CoT) 提示？| IBM

思维链 (CoT) 模拟人类的推理过程，通过一系列连贯的逻辑推导促进系统性的问题解决。

思维链 (CoT) 提示是一种人工智能方法，通过将复杂的任务分解为一系列逻辑步骤，最终实现解决方案，以模拟类似人类的推理过程。这种方法反映了人类智能的基本特征，提供了一种结构化的问题解决机制。换句话说，思维链 (CoT) 基于认知策略，将复杂问题分解为可管理的中间思想，然后依次引导至最终答案。¹

如果我们考虑提示链，它是一种更基础的思维链 (CoT) 提示形式，其中 AI 被提示根据给定上下文或问题生成响应。相比之下，思维链 (CoT) 提示不仅仅是生成连贯且相关的响应，还要求 AI 从头开始构建完整的逻辑论证，包括前提和结论。提示链侧重于优化单个响应，而思维链 (CoT) 提示旨在创建全面且逻辑一致的论据，从而突破 AI 解决问题能力的界限。

试想，如果 AI 被问到“天空是什么颜色的？”，AI 会生成一个简单直接的回答，例如“天空是蓝色的。”然而，如果使用思维链 (CoT) 提示要求 AI 解释为什么天空是蓝色的，AI 首先会定义“蓝色”的含义（即一种原色），然后推导出天空之所以呈现蓝色，是因为大气吸收了其他颜色。这一回答体现了 AI 构建逻辑论证的能力。

为什么思维链 (CoT) 提示有效？

思维链 (CoT) 提示模拟人类的推理过程，将复杂的问题分解成易于处理的中间步骤，并依次得出最终答案。² 这种逐步解决问题的结构旨在帮助确保推理过程清晰、合乎逻辑和有效。

在标准提示格式中，模型输出通常是对所提供输入的直接响应。例如，如果输入提示“天空是什么颜色的？”，AI 就会做出简单直接的回答，如“天空是蓝色的”。

然而，如果使用思维链 (CoT) 提示要求 AI 解释为什么天空是蓝色的，AI 首先会定义“蓝色”的含义（即一种原色）。AI 然后推导出天空之所以呈现蓝色，是因为大气吸收了其他颜色。这一回答体现了 AI 构建逻辑论证的能力。

为了构建提示，用户通常会在提示的末尾附加一条指令。用户通常会在提示中添加指令，例如“描述您的推理步骤”或“逐步解释您的答案”。从本质上讲，这种提示技巧要求 LLM 不仅生成结果，还要详细说明得出答案的一系列中间步骤。³

提示链是生成式 AI 应用中另一种流行的方法，通过使用多个按顺序相互构建的提示来分解复杂任务，从而提高可靠性。提示链和思维链 (CoT) 等技术会引导模型逐步推理问题，而不是直接跳到一个听起来正确的答案。这种方法也有助于可观察性和调试，因为它鼓励模型的推理更加透明。这两种方法的主要区别在于，提示链法是将多个提示排序，逐步分解任务，而思维链 (CoT) 提示法则是在单个提示中激发模型的推理过程。

超越提示思考，全面了解背景

通过 Think 时事通讯，随时了解最新的行业新闻、AI 工具以及提示工程领域的新兴趋势。此外，还可以访问新的阅读解释器、教程和专家洞察分析，我们会将这些内容直接发送到您的收件箱。请参阅 IBM 隐私声明。

思维链 (CoT) 提示是如何运作的？

思维链 (CoT) 提示利用大语言模型 (LLM) 阐述一系列推理步骤，引导模型为新任务生成类似的推理链。通过基于示例的提示展示推理过程，从而增强模型处理复杂推理挑战的能力。²现在，我们通过解决经典的数学应用题 - 解多项式方程，来理解这种提示技术的流程。

示例：思维链提示如何用于解决多项式方程？

思维链 (CoT) 提示通过指导大语言模型 (LLM) 遵循一系列逻辑步骤，将问题解决过程逐步分解，可帮助有效解决多项式方程。²让我们看看思维链 (CoT) 提示如何处理多项式方程。

以求解二次方程为例。

输入提示：求解二次方程：x² - 5x + 6 = 0

当将此提示输入到 IBM watsonx.ai 聊天中时，我们可以看到人类提问与 AI 助手答复之间的以下对话。

为了生成这种类型的输出，思维链 (CoT) 的基本原理的如下图所示。思维链的最终答案将是：“方程 x² − 5x + 6 = 0 的解是 x = 3 和 x = 2”

思维链 (CoT) 变体

思维链 (CoT) 提示已经演变成多种创新变体，每种变体都为解决特定挑战而量身定制，并以独特的方式增强模型的推理能力。这些改进不仅将思维链 (CoT) 的适用性扩展到不同领域，还优化了模型问题解决的过程。³

零样本思维链

零样本思维链变体利用模型中的固有知识，在没有特定示例或针对手头任务进行微调的情况上解决问题。这种方法在在处理新型或多样化问题类型地尤其具有价值，因为此类问题可能没有定制训练数据。⁴该方法可以利用标准提示和少样本提示的特性。

例如，在回答问题“与法国接壤并有红白旗帜的国家的首都在是哪里？”时，尽管没有经过此类问题的特定训练，但使用零样本思维链 (CoT) 的模型会利用其内嵌的地理和国旗知识来推断得出答案为瑞士。

自动思维链

自动思维链 (auto-CoT) 旨在通过自动生成和选择有效的推理路径，最大限度地减少编写提示的工作量。这种变体增强了思维链 (CoT) 的可扩展性和可访问性，使其适用于更广泛的任务和用户。^{5, 8}

例如，要解决一个数学问题，比如“如果你买了 5 个苹果，并且原来已经 3 个苹果，那么您总共有多少个？”，自动思维链 (CoT) 系统可以自动生成中间步骤，例如“从已有的 3 个苹果开始”，然后“在现有 3 个苹果的基础上增加 5 个苹果”，最终得出“苹果总数 = 8”，这样无需人工干预即可简化推理过程。

多模态思维链

多模态思维链扩展了思维链 (CoT) 框架，能够整合来自各种模态的输入，如文本和图像，使模型能够处理和融合各种类型的信息，以完成复杂的推理任务。⁶

例如，当您看到一张拥挤的海滩场景照片并被问道：“这个海滩在夏天可能会很受欢迎吗？”时，采用多模态思维链 (CoT) 的模型可以分析视觉线索（包括海滩占用率、天气状况等）以及对季节性受欢迎程度的文本理解，推断出一个详细的回答，例如“海滩很拥挤，这表明其受欢迎程度很高，夏季可能会进一步增加。”

这些思维链提示的变体不仅展示了思维链 (CoT) 方法的灵活性和适应性，还暗示了 AI 推理和解决问题能力未来发展的巨大潜力。

AI 学院

成为 AI 专家

获取相关知识，以确定 AI 投资的优先级，从而推动业务增长。立即开始观看我们的免费 AI 学院视频，引领 AI 在组织中的未来应用。

观看系列视频

思维链的优势和局限性

思维链 (CoT) 提示是一种强大的技术，能够提升大语言模型 (LLM) 在复杂推理任务中的性能，在多个领域中展现出显著优势，包括提高准确性、透明度和多步推理能力。但是，必须考虑其局限性，包括对高质量提示的需求、计算成本的增加、易受对抗性攻击以及评估推理或理解定性改进等方面的挑战。通过解决这些局限性，研究人员和实践者能够确保在各种应用中负责任和有效地部署思维链 (CoT) 提示。¹⁰

思维链提示的优势

思维提示链可以让用户在许多方面受益。其中部分益处包括：

改进提示输出：思维链 (CoT) 提示通过将复杂的推理任务分解为更简单、更符合逻辑的步骤，从而提高了 LLM 在这些任务上的表现。
透明度和理解力：中间推理步骤的生成能够使模型得出结论的过程变得更加透明，让用户更容易理解模型的决策过程。
多步推理：通过系统地解决问题的各个部分，思维链 (CoT) 提示通常能够得出更准确、更可靠的答案，尤其是在需要多步推理的任务中。多步推理是指通过将复杂的逻辑运算分解为更小的顺序步骤来执行这些运算的能力。这种认知技能对于解决错综复杂问题、做出决策以及理解因果关系至关重要。
注重细节：这种循序渐进的解释模型类似于通过详细拆解来促进理解的教学方法，使思维链 (CoT) 提示在教育领域中具有重要价值。
多样性：思维链 (CoT) 可以应用于广泛的任务领域，包括但不限于算术推理、常识推理和复杂问题解决，展现了其灵活的实用性。

思维链提示的局限性

以下是在采用思维链过程中遇到的一些限制。

质量控制：思维链 (CoT) 提示的有效性在很大程度上依赖于所提供提示的质量，因此需要精心制作的示例来准确引导模型。
高计算能力：与标准的单步提示相比，生成和处理多步推理需要更多的计算能力和时间。因此，任何组织采用这种技术的成本都更高。
概念误导：存在生成看似合理但实际不正确的推理路径的风险，可能导致误导性或错误的结论。
昂贵且耗费人力：设计有效的思维链 (CoT) 提示可能更加复杂且耗费人力，需要对问题领域和模型功能有深入的理解。
模型过拟合：模型可能会过度拟合提示中的推理风格或模式，从而降低其在不同任务中的泛化能力。
评估与验证：尽管思维链 (CoT) 能够提升可解释性和准确性，但衡量推理或理解方面的定性改进仍具有挑战性。这主要源于人类认知的复杂性以及语言表达评估的主观性。然而，仍有多种方法可以用于评估思维链 (CoT) 提示的有效性。例如，将模型的响应与基线模型或人类专家的答案进行比较，可以提供相关性能提升的洞察分析。此外，分析 LLM 生成的中间推理步骤也能为决策过程提供有价值的洞察分析，即使直接衡量推理或理解的改进难度很大。

思维链的进步

思维链 (CoT) 的演变见证了多个领域协同进步的成果，尤其是在自然语言处理 (NLP)、机器学习和快速发展的生成式 AI领域。这些进步不仅将思维链 (CoT) 推向了解决复杂问题的最前沿，还彰显了其在各种应用程序中的实用性。在这里，我们深入探讨关键发展，整合指定术语，全面展示思维链 (CoT) 的进步历程。

提示工程与原始提示

提示工程的创新显著提升了模型对原始提示的理解和交互能力，从而生成更细致入微且符合情境的推理路径。这一发展对于提升思维链 (CoT) 的有效性至关重要。²

符号推理与逻辑推理

将思维链整合到符号推理任务和逻辑推理任务中，提升了模型的抽象思维和推理能力，标志着在利用思维链 (CoT) 解决基于逻辑的挑战方面取得了重大突破。⁷

例如，符号推理旨在求解数学方程式，比如 2 + 3 = 5。在这种情况下，问题被分解成其组成部分（加法和数字），模型根据其学习的知识和推理规则推导出正确答案。另一方面，逻辑推理涉及从前提或假设中得出结论，例如“所有鸟都会飞，企鹅是一种鸟”。然后，该模型将根据提供的信息确定企鹅会飞。将思维链 (CoT) 提示整合到符号推理和逻辑推理任务中，使 LLM 能够展现出更好的抽象思维和推理能力，从而能够解决更复杂、更多样化的问题。

增强创造力

生成式 AI 和转换器架构的应用彻底改变了思维链 (CoT)，使其能够生成具有创造力和深度的复杂推理路径。这种协同效应拓展了思维链 (CoT) 的应用范围，进而对学术和实践领域产生影响。⁹

较小模型和自洽性

推进较小的模型可有效进行思维链 (CoT) 推理的进展，使获得复杂推理能力的途径更具普及性。CoT 中对自洽性的关注确保了生成路径的逻辑合理性，从而提升模型得出的结论的可靠性。¹¹

将思维链 (CoT) 集成到聊天机器人中，并利用最先进的 NLP 技术，已然改变会话式 AI，支持聊天机器人进行更复杂的交互，而这些交互需要更深层次的理解和问题解决能力。¹²

这些进步共同标志着思维链 (CoT) 性能的飞跃以及聊天机器人与思维链 (CoT) 模型整合的重要性，彰显了它们在革新 AI 驱动的决策和解决问题过程中的潜力。通过将聊天机器人的对话能力与思维链 (CoT) 模型的高级推理能力相结合，我们可以创造更复杂、更有效的 AI 系统，以便处理更广泛的任务和应用。

此外，各种应用和思维链 (CoT) 模型的整合可以使 AI 系统更好地理解和响应用户的需求和偏好，进而提升整体用户体验。通过将自然语言处理 (NLP) 技术整合到思维链 (CoT) 模型中，我们可以使聊天机器人以人性化的方式理解和响应用户输入，从而创造出更具吸引力、直观和有效的对话体验。

思维链用例

思维链 (CoT) 方法能够将复杂问题分解为易于理解的推理步骤，现已在多个领域中得到应用。这些用例不仅展示了思维链 (CoT) 的广泛适用性，还体现了其在改变系统处理问题解决和决策任务中的潜力。接下来，我们将探讨关于有效应用思维链 (CoT) 的几个典型用例。

AI 助手

将思维链 (CoT) 集成到聊天机器人中，并利用最先进的 NLP 技术，已然改变会话式 AI，支持聊天机器人进行更复杂的交互，而这些交互需要更深层次的理解和问题解决能力。

聊天机器人

高级聊天机器人利用思维链 (CoT) 更好地理解和解决客户的咨询。通过将客户的问题分解为更小、更易于处理的部分，聊天机器人可以提供更准确、更有用的响应，从而提高客户满意度并减少人工干预的需要。

研究与创新

研究人员利用思维链 (CoT) 来构建解决复杂科学问题的思维过程，并促进创新。这种结构化方法可以加速发现过程，并且使新假设的提出成为可能。

内容创建和摘要

在内容创作中，思维链 (CoT) 有助于通逻辑组织思维和信息以生成结构化大纲或摘要，从而提升书面内容的连贯性和质量。

教育与学习

思维链 (CoT) 在教育技术平台中发挥着重要作用，能够帮助生成复杂问题生成逐步解答。这在数学和科学等学科中尤其有价值，因为理解过程与最终答案同样重要。基于思维链 (CoT) 的系统可以指导学生完成解决问题的步骤，从而提高他们的理解力和记忆力。

AI 伦理与决策

思维链 (CoT) 对于阐明 AI 驱动决策背后的推理至关重要，尤其是在需要考虑伦理问题的情况下。通过提供透明的推理路径，思维链 (CoT) 可确保 AI 决策符合伦理标准和社会规范。

这些用例强调了思维链 (CoT) 在不同领域的变革潜力，展示了其重新定义解决问题和决策过程的能力。随着思维链 (CoT) 的不断发展，其应用范围预计将进一步扩大，从而将此方法融入技术和社会进步的各个方面。

思维链标志着 AI 能够模仿人类认知过程，承担复杂推理任务的能力实现了飞跃。通过阐明中间推理步骤，思维链 (CoT) 不仅能增强 LLM 问题解决能力，还提升了透明度和可解释性。尽管存在固有的局限性，但对思维链 (CoT) 变体和应用的持续探索正在不断扩展 AI 模型的推理能力，预示着未来 AI 认知功能的进一步增强。

什么是思维链 (CoT) 提示？