掌握 Chain-of-Thought：让 AI 的推理更准确

大模型本质上是"逐 token 预测"。如果你要求它一步给出结论，它就倾向于找一条看起来最像答案的路径，而不是真正算一遍。思维链（Chain-of-Thought）做的，是把"算"的过程显式地写出来，从而让每一步都有前文可依赖。

为什么需要思维链

先看一个典型失败案例：

Q: 一件商品先涨价 20%，再打 8 折，最终价格相对原价是？
A: 涨价后是 1.2 倍，打 8 折后是 1.2 × 0.8 = 0.96 倍 → 比原价低 4%。

这个回答是对的，但它是"背下来"的。换成"先打 8 折再涨价 20%"这种需要重新组合的条件，直接给结论的模型就经常出错。把中间步骤写出来，错误率会明显下降——因为它必须让每一步在字面上成立。

三种写法

写法一：显式要求分步。最直接，加一句约束即可。

请一步一步推理，先列出已知条件，再逐步计算，
最后单独一行给出「结论：」。

问题：……

写法二：先列计划再执行。适合任务型场景，模型会先给出步骤清单。

第一步：把任务拆成不超过 5 个步骤，只输出步骤列表。
（等我确认后）第二步：按步骤逐条执行，每步标注依据。

写法三：自校验。在给出答案后要求它反向检查，是性价比最高的一种。

给出答案后，请做一次反向验算：
1. 把结论代回原条件，是否自洽？
2. 有没有遗漏的边界情况？
3. 如果发现错误，直接修正并说明改了什么。

五个可复制模板

以下模板可直接粘进对话，替换方括号内容即可。

1. 数学/计算：列条件 → 定公式 → 代入 → 验算单位。
2. 逻辑判断：列出所有命题 → 标注真假 → 检查是否矛盾。
3. 方案比较：先定 3 个评价维度 → 逐方案打分 → 给出取舍理由。
4. 代码调试：复述预期行为 → 定位差异 → 提出假设 → 最小验证。
5. 文本审校：先标问题类型（事实/逻辑/表述）→ 逐段修改 → 汇总改动。

什么时候不该用

思维链不是万能药。以下三种情况，加它反而更差：

• 简单分类与抽取：多出来的推理过程会增加格式错误的概率。
• 创意发散：过度结构化会让输出变得僵化、同质。
• 对延迟敏感的产品：显式推理会显著拉长首字时间，用户体验得不偿失。

另外要注意：思维链展示的"推理过程"不等于模型真实的内部计算。它可以提高准确率，但不能当作审计依据。

练习：三道小题

用上面的模板试一遍，对比"直接问"和"要求分步"的差异：

1. 某产品用户数连续三个月环比增长 15%、-8%、22%，累计变化是多少？
2. 三段论：所有 A 都是 B，有些 B 是 C，能否推出有些 A 是 C？
3. 一段 200 字的产品文案，找出其中三处事实性错误。