2026-09-01 12 min read -- 次瀏覽
深入理解 LLM 思維鏈（Chain-of-Thought）
從 ReAct 到 Tree-of-Thought，系統性拆解大語言模型的推理策略與實際應用技巧。
大語言模型 LLMCoT推理
## 什麼是思維鏈（Chain-of-Thought）？
思維鏈（Chain-of-Thought, CoT）是提示工程中最重要的突破之一。它要求大語言模型在給出最終答案之前，先展示其**推理過程**。
> 「讓模型像人類一樣，一步步思考問題。」— Wei et al., 2022
## 核心原理
當我們簡單地問模型「7 × 8 = ?」時，模型可能直接輸出 56。但當問題變為「一家餐廳有 23 張桌子，每張桌子可坐 4 人，已有 67 位客人，還能容納多少人？」時，**逐步推理**就變得至關重要。
### Zero-Shot CoT
最簡單的形式：在問題後加上 `Let's think step by step`。
```
Q: 一個農場有 15 隻雞和 8 隻鴨，總共有多少隻腳？
Let's think step by step.
```
### Few-Shot CoT
提供幾個帶有推理過程的範例：
```
Q: 小明有 12 顆蘋果，給了小華 3 顆，又買了 5 顆。
A: 小明最初 12 顆 - 給出 3 顆 = 9 顆，再買 5 顆 = 14 顆。答案：14 顆。
Q: [你的問題]
A: Let me think through this step by step...
```
## 進階策略：Tree-of-Thought
Tree-of-Thought (ToT) 將 CoT 擴展為樹狀搜索：
1. **生成**多個可能的推理路徑
2. **評估**每條路徑的合理性
3. **選擇**最佳路徑繼續展開
4. **回溯**到失敗的節點嘗試新路徑
## 實際應用
| 場景 | CoT 策略 | 效果 |
|------|---------|------|
| 數學推理 | Zero-Shot CoT | 準確率 +15% |
| 程式除錯 | Few-Shot CoT | 準確率 +22% |
| 邏輯推理 | Tree-of-Thought | 準確率 +35% |
## 總結
思維鏈不僅是一種提示技巧，更是一種讓 AI 系統性思考的範式。掌握 CoT，是成為高效 AI 使用者的必經之路。