不是催模型“多想一会儿”而是让复杂任务出现清晰的中间步骤先拆解再推导最后给出结论。本文从直接回答讲起逐步过渡到Zero-shot CoT、Few-shot CoT与Auto-CoT。什么是 Chain-of-Thought PromptingChain-of-ThoughtCoTPrompting是一种面向推理任务的提示方法。它不只要求模型输出最终答案还通过示例或指令引导模型生成若干中间推理步骤。普通提示往往采用“问题 → 答案”的形式。CoT 则把过程展开为“问题 → 条件识别 → 分步推导 → 结果检查 → 答案”。这种结构更适合多步计算、常识推理、符号推理和需要明确约束的任务。为什么分步骤可能更有效复杂问题容易在一次跳转中丢失条件。CoT 的价值在于把中间状态写出来让每一步只承担较小的推理负担。原始研究表明在其测试设置中CoT 对较复杂的算术、常识和符号推理任务更有帮助效果也会受到模型能力、任务难度与示例质量影响。没有示例时加一句“逐步分析”Zero-shot CoT不提供完整演示只在问题后加入推理指令。经典写法是“让我们逐步思考”实际使用时可以进一步约束步骤和输出格式。需要更稳定时先给一两个完整示例Few-shot CoT在 Prompt 中加入“问题 中间步骤 答案”的示例。模型不仅学习答案形式也学习如何拆解该类问题。相比只写一句“逐步分析”它更适合具有固定规则、固定判定标准或特定输出格式的任务。示例太多时自动构造多样化演示手工编写 CoT 示例耗时而且容易只覆盖某一种题型。Auto-CoT的核心思路是先把问题按相似性聚类再从不同类别中选取代表问题自动生成推理链最终组成更有多样性的 Few-shot 演示集合。Auto-CoT 减少了人工构造示例的工作量但自动生成的推理链仍可能出错因此需要抽样检查、规则过滤或人工复核。实际写 Prompt抓住五个部分部分作用建议写法Task说明要做什么使用明确动词如计算、判断、比较、规划。Context提供必要背景只保留会影响结论的信息。Constraints限制推理范围写清不可假设的内容、数据边界与规则。Reasoning steps规定处理顺序要求识别条件、分步处理和检查结果。Output format控制最终结构固定标题、字段、JSON Schema 或标签。