思维链
思维链（Chain-of-Thought，CoT）是一种提示技术，让 LLM 在给出最终答案之前先生成一段逐步推理的过程。它由 Wei 等人于 2022 年在 Google Research 正式提出，如今已成为提升 LLM 在复杂推理任务上准确率的标准技术。
思维链（Chain-of-Thought，CoT）是一种提示技术，让 LLM 在给出最终答案之前先生成一段逐步推理的过程。它由 Wei 等人于 2022 年在 Google Research 正式提出，如今已成为提升 LLM 在复杂推理任务上准确率的标准技术。
为什么重要
早期的 LLM 在算术、逻辑和多步推理上举步维艰。在 Wei 的原始论文中，PaLM 540B 在 GSM8K 小学数学基准上使用基础提示时仅解出了 17.9% 的题目，而使用思维链时则达到 56.9%。同样的模型、同样的题目，仅仅是给了模型"思考的空间"，准确率就提高了 2 至 3 倍。从那以后，Claude、GPT 和 Gemini 都已把 CoT 内化为一种核心提示模式。
它如何运作
CoT 的核心思路是让 LLM 先把推理写出来，再陈述结论，而不是直接跳到答案。由于 Transformer 在生成每一个 token 时都以之前的 token 为条件，把中间推理输出出来就会让这部分内容进入上下文，从而提升最终答案的质量。更多的"思考 token"给了模型更大的"推理空间"。
主要变体
Zero-Shot CoT：只加一句类似"让我们一步一步思考"的话，不带任何示例。由 Kojima 等人于 2022 年提出，是最简单却出人意料地有效的形式。
Few-Shot CoT：在提示中包含 2 至 3 个带有逐步推理的示例题，让模型模仿这种结构。
自一致性（Self-Consistency）：对同一个问题采样多条 CoT 答案，再选出最常见的最终结论，相当于在多条推理路径之间"投票"，比单条 CoT 更准确。
思维树（Tree of Thoughts，ToT）：把推理探索成一棵树而非一条线，只扩展得分高的分支。适合复杂的规划和谜题。
ReAct：推理 + 行动（Reasoning + Acting）。它把 CoT 与工具调用结合在一个"思考 → 行动 → 观察 → 再思考"的循环中。这是 AI 智能体的标准提示模式。
CoT 在什么情况下有帮助
CoT 并不会对所有任务都同等地有帮助。
非常有效：数学、逻辑谜题、多步推理、复杂决策、代码调试。
效果较弱：简单分类、情感分析、摘要和翻译，这些任务的答案本就是即时的，CoT 大多只会增加延迟。
2026 年趋势：前沿模型现在都自带内置的"推理模式"（OpenAI o1、Claude Opus 的扩展思考），会自动运行 CoT，因此用户不再需要手动撰写 CoT 提示。注意力转向了其他能提升质量的提示技巧。
对 GEO 的影响
CoT 并不是内容写作者会直接应用的技术，但它会影响 LLM 觉得哪类内容最容易引用。如果一篇博客文章用明确的逐步逻辑把复杂概念讲清楚，LLM 就更容易把这部分内容当作自身推理的 grounding（事实依据）。当 AI 搜索 挑选要引用的内容时，把"为什么能由此推出"展开讲明白的解释，胜过一句话的结论。
Sources: