思维链（Chain-of-Thought，简称 CoT）是一种提示技巧：不让模型直接给答案，而是先让它把中间推理步骤写出来，最后才给结论。解数学题时，模型会先列出"设未知数、列方程、求解"，而不是直接报数字。这种"先写过程"的约束，常能明显提高复杂问题的正确率。
核心做法：先写步骤，再给答案
大语言模型逐个生成词元，先前的输出会成为后面的上下文。中间步骤一旦落字，就成了最终答案的依据；步骤扎实，答案就不容易"跳步"出错。
从示例示范到一句话触发
最初的思维链是 few-shot 做法：提示词里给两三个"问题+分步解答"的例子，模型照着格式解新题。Kojima 等人 2022 年在《Large Language Models are Zero-Shot Reasoners》中证明，示例并非必需——问题后加一句"Let's think step by step"，模型就能自己展开推理，这就是 zero-shot CoT，在数学推理集 GSM8K 上准确率从约 10% 提到约 40%。格式特殊、符号复杂的任务适合给示例；没有现成示例时，一句话触发更快。
投票取胜：自洽性解码
自洽性（self-consistency）是思维链的延伸：让模型解同一道题很多遍，每次路径可能不同，最后取出现最多的答案。多条独立链条同时犯同一个错的概率低，投票能过滤偶然失误；代价是算力成倍增加。
它和"推理模型"不是一回事
思维链是提示方法，任何大语言模型都能用；"推理模型"（如 o1、DeepSeek-R1）是专门训练的模型类型，分步思考是它的本能。普通模型靠思维链"提醒"分步想，推理模型天生就会——给后者再加思维链，收益通常不大。
用之前要知道的四个限制
一是 token 成本高，步骤都要输出，复杂题多花几倍 token。二是推理幻觉：步骤看似头头是道，结论却可能是错的，模型擅长生成"像推理的文本"，关键步骤仍需人工核对。三是小模型收益有限，效果依赖模型底子，规模太小的模型分步写了也常错。四是长链误差累积，步骤越多出错概率越高，一步错可能步步错。
两个最常见的误解
误解一：用了思维链，模型就在"真正推理"了。不对，它只是引导模型生成分步文本，模型依然按概率预测下一个词，没有人脑那样的逻辑验证机制。误解二：展示的思维链就是模型"真实的想法"，能当可解释性证据。这很危险——展示的步骤是写给用户看的文本，不等于内部真实计算过程；研究发现模型有时先定结论再编步骤，步骤只是事后合理化。
哪些场景值得一试
数学计算、逻辑推理、多步规划、需引用依据的问答，是思维链最擅长的领域。创意写作、闲聊、简单事实查询则基本是浪费 token：问题越需要严密推导越值，答案越开放主观越没必要。
思维链把"想清楚再说"变成了可复制的操作；记住它的边界和误解，往往比记住用法更重要。
