思维链提示概述
思维链（Chain-of-Thought，CoT）是一种提示技术，通过引导模型在给出最终答案之前展示中间推理步骤，显著提升模型在复杂推理任务上的表现。这项技术由Google Research在2022年提出，已被证明在数学推理、逻辑推理、常识推理等任务上效果显著。
CoT的工作原理
传统提示方式直接要求模型给出答案，而CoT提示要求模型「一步步思考」。例如：
# 传统提示
问题：小明有5个苹果，给了小红2个，又买了3个，现在有几个？
答案：6个
# CoT提示
问题：小明有5个苹果，给了小红2个，又买了3个，现在有几个？
让我们一步步思考：
1. 小明最初有5个苹果
2. 给了小红2个，剩余：5 - 2 = 3个
3. 又买了3个，现在：3 + 3 = 6个
答案：6个Zero-shot CoT
最简单的CoT形式是Zero-shot CoT，只需在提示词末尾加上「Let's think step by step」（让我们一步步思考）即可触发模型的推理链。这种方法不需要任何示例，但效果通常不如Few-shot CoT。
Few-shot CoT
Few-shot CoT通过提供2-3个带有完整推理过程的示例，引导模型模仿推理模式。这是目前效果最好的CoT方法：
请按照以下示例的推理方式回答问题。
示例1：
问题：一个班级有30名学生，其中60%是女生，女生中有三分之一戴眼镜。戴眼镜的女生有多少人？
推理：
- 女生人数：30 × 60% = 18人
- 戴眼镜的女生：18 × 1/3 = 6人
答案：6人
示例2：
问题：商店举行促销，原价200元的商品打8折后再减20元，最终价格是多少？
推理：
- 打8折后：200 × 0.8 = 160元
- 再减20元：160 - 20 = 140元
答案：140元
现在请回答：
问题：一本书原价45元，打7折后，小明用100元买了两本，应找回多少钱？Few-shot提示技巧
Few-shot提示不仅适用于CoT，也是通用提示词工程中的重要技术：
- 示例质量优于数量：2-3个高质量示例通常优于5个平庸示例
- 示例多样性：覆盖不同场景的示例能帮助模型更好地泛化
- 格式一致性：保持示例格式与期望输出格式一致
- 标注关键信息：在示例中用标签标注输入和输出
CoT的适用场景
CoT在以下场景中效果显著：
- 数学和算术推理
- 逻辑推理和谜题解答
- 多步骤问题解决
- 代码调试和解释
- 常识推理
需要注意，CoT对于简单任务（如直接的事实问答）帮助不大，反而可能增加不必要的推理成本。
最佳实践总结
1. 对于复杂推理任务，优先使用Few-shot CoT 2. 简单任务使用Zero-shot CoT或直接提示 3. 确保示例的推理过程正确、清晰 4. 在API调用中，CoT会增加token消耗，需要权衡成本与效果