StudyAI8

第 6 节 / 共 14 节

2.3 思维链提示

📌 本节目标

学完本节，你将掌握思维链提示（Chain-of-Thought Prompting）的核心原理与使用方法。你将能够通过设计包含中间推理步骤的提示，引导大语言模型解决需要多步逻辑的复杂问题，尤其是数学推理任务。

1. 核心概念讲解

什么是思维链提示？

思维链提示是一种高级提示工程技术，它通过在提示中提供一系列中间推理步骤的示例，来引导模型在回答问题时也展示出类似的逐步推理过程。简单来说，就是"教模型像人一样一步一步思考"。

为什么需要它？

直接问大语言模型一个复杂数学题，模型往往直接给出答案——而且常常是错的。但是，如果你在提示中展示"先这样想，再那样算，最后得到答案"的完整过程，模型就会模仿这种推理模式，显著提高正确率。

核心要素

  • 中间步骤：在提示中明确写出从问题到答案的推理链条
  • 格式一致性：每个步骤都用相同的格式呈现（比如"步骤1：... 步骤2：..."）
  • 最终答案标记：在推理链末尾用特殊标记（如"因此答案是："）引出最终结果

比如：

假设你想让模型计算："小明有5个苹果，小红给了他3个，然后他吃掉了2个，还剩几个？"

❌ 不好的提示（直接问）：

问：小明有5个苹果，小红给了他3个，然后他吃掉了2个，还剩几个？
答：

模型可能直接回答"6个"（运气好）或"5个"（错误）。

✅ 好的思维链提示：

问：小明有5个苹果，小红给了他3个，然后他吃掉了2个，还剩几个？
答：让我们一步一步思考。
步骤1：小明最初有5个苹果。
步骤2：小红给了他3个，所以现在有 5 + 3 = 8 个。
步骤3：他吃掉了2个，所以现在有 8 - 2 = 6 个。
因此答案是：6个。

然后你再问模型新的问题，它就会模仿这种"步骤1、步骤2、步骤3"的推理格式。

代码示例（使用 OpenAI API 演示两种方式的对比）：

# 导入所需库
import openai

# 设置 API 密钥（请替换为你的密钥）
openai.api_key = "your-api-key"

# 1. 直接提问（无思维链）
direct_prompt = """
问：一个农场有12只鸡和8只兔子，总共有多少条腿？
答："""

response_direct = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": direct_prompt}]
)
print("直接回答:", response_direct.choices[0].message.content)

# 2. 思维链提示（包含推理示例）
cot_prompt = """
问：一个农场有3只鸡和2只兔子，总共有多少条腿？
答：让我们一步一步思考。
步骤1：每只鸡有2条腿，3只鸡有 3 × 2 = 6 条腿。
步骤2：每只兔子有4条腿，2只兔子有 2 × 4 = 8 条腿。
步骤3：总腿数 = 6 + 8 = 14 条腿。
因此答案是：14。

问：一个农场有12只鸡和8只兔子，总共有多少条腿？
答："""

response_cot = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": cot_prompt}]
)
print("思维链回答:", response_cot.choices[0].message.content)

2. 深入理解

为什么思维链提示有效？

大语言模型的本质是"下一个词预测器"。当你直接问"12只鸡和8只兔子有多少条腿"时，模型需要在没有中间计算过程的情况下"猜"出答案——这相当于让一个人心算而不打草稿。

思维链提示做了三件关键的事：

  1. 分解复杂度：把一个大问题拆成多个小步骤，每一步都更容易计算
  2. 提供推理模板：模型学会了"我应该先算什么，再算什么"的结构
  3. 自我纠错：中间步骤暴露了推理过程，如果某一步错了，模型可能在后续步骤中修正

初学者常见误区

| 误区 | 错误做法 | 正确做法 | |------|----------|----------| | 步骤太少 | 只给1-2个步骤就跳到答案 | 每个逻辑转换都写成一个步骤 | | 跳过计算细节 | "然后计算总数"（不写出具体算式） | "3×2=6，4×2=8，6+8=14"（写出算式） | | 格式不一致 | 第一个例子用"步骤1"，第二个用"首先" | 保持完全相同的格式模板 | | 忘记最终标记 | 推理完直接结束，没有明确答案 | 用"因此答案是："明确引出结果 | | 问题太简单 | 用1+1=2做示例，模型学不到推理模式 | 使用需要3步以上推理的示例 |

一个重要的发现：思维链提示的效果与模型规模有关。研究表明，对于参数量小于100亿的模型，思维链提示的效果提升有限；而对于更大的模型（如GPT-3.5、GPT-4、Claude系列），效果非常显著。所以当你使用小模型时，可能需要更明确、更详细的推理步骤。

3. 实战演示

案例：设计一个"找零钱"问题的思维链提示

场景：你想让模型计算"买一个35元的商品，付了100元，应该找多少零钱？"

步骤1：准备示例

先手工编写一个完整的思维链示例：

问：买一个27元的商品，付了50元，应该找多少零钱？
答：让我们一步一步思考。
步骤1：顾客付了50元。
步骤2：商品价格是27元。
步骤3：需要找零 = 50 - 27 = 23元。
因此答案是：23元。

步骤2：构建完整的提示模板

# 完整的思维链提示模板
cot_template = """
问：买一个27元的商品，付了50元，应该找多少零钱？
答：让我们一步一步思考。
步骤1：顾客付了50元。
步骤2：商品价格是27元。
步骤3：需要找零 = 50 - 27 = 23元。
因此答案是：23元。

问：买一个35元的商品，付了100元，应该找多少零钱？
答：让我们一步一步思考。
"""

# 发送给模型
response = openai.ChatCompletion.create(
    model="gpt-3.5-turbo",
    messages=[{"role": "user", "content": cot_template}]
)

# 输出结果
print(response.choices[0].message.content)

步骤3：期望的输出

模型应该输出类似这样的内容：

步骤1：顾客付了100元。
步骤2：商品价格是35元。
步骤3：需要找零 = 100 - 35 = 65元。
因此答案是：65元。

步骤4：扩展到更复杂的问题

一旦模型学会了这个模式，你可以问更复杂的问题，比如涉及多个商品的情况：

问：买一个18元的笔记本和一个23元的笔袋，付了50元，应该找多少零钱？
答：让我们一步一步思考。
步骤1：顾客付了50元。
步骤2：笔记本价格是18元，笔袋价格是23元。
步骤3：商品总价 = 18 + 23 = 41元。
步骤4：需要找零 = 50 - 41 = 9元。
因此答案是：9元。

模型会自动适应新的问题结构，因为它在示例中学到了"分解问题、逐步计算"的思维方式。

4. 关键要点

  • 思维链的核心是"展示推理过程"：不是告诉模型"要思考"，而是用示例展示"如何思考"，包括每一步的具体计算
  • 示例质量决定效果：一个精心设计的示例胜过十个粗糙的示例。确保你的示例包含完整的步骤、清晰的算式和明确的答案标记
  • 格式一致性至关重要：所有示例使用完全相同的格式模板（步骤编号、算式写法、答案标记），减少模型的理解负担
  • 适用于需要多步推理的任务：数学题、逻辑推理、代码调试、复杂问答等任务效果最佳；简单的直接问答不需要思维链
  • 模型规模影响效果：大模型（100亿参数以上）从思维链中获益更多，小模型可能需要更详细的步骤或更多示例

✏️ 练习任务

基础练习：设计一个数学问题的思维链提示

任务描述：设计一个完整的思维链提示，让模型正确计算以下问题：

"一个水果店上午卖了25千克苹果，下午卖了18千克苹果，每千克苹果8元。这一天卖苹果一共收入多少元？"

要求：

  1. 先编写一个示例（使用类似但不同数值的问题，如"上午卖20千克，下午卖15千克，每千克6元"）
  2. 示例必须包含至少3个推理步骤
  3. 使用"让我们一步一步思考"作为推理的开头
  4. 用"因此答案是："标记最终答案
  5. 将示例和问题组合成一个完整的提示文本

期望输出格式（填空）：

问：[你的示例问题]
答：让我们一步一步思考。
步骤1：[第一步推理]
步骤2：[第二步推理]
步骤3：[第三步推理]
因此答案是：[示例答案]

问：[目标问题]
答：让我们一步一步思考。

进阶挑战（选做）：设计一个包含"单位转换"的思维链问题

设计一个需要先进行单位转换再计算的数学问题（例如："小明跑了3千米，小红跑了2500米，他们一共跑了多少米？"），并编写相应的思维链提示。注意：你的示例中也需要包含单位转换的步骤。

💡 下一节我们将学习"少样本提示"（Few-Shot Prompting），它和思维链提示经常结合使用，能进一步提升模型的推理能力。敬请期待！

本节由 StudyAI8 AI 课程团队生成并审核。

上一节下一节