01 · 为什么"加一句话"就能提升输出质量
2022年，谷歌研究团队发现了一个简单但威力巨大的现象：当你告诉AI"一步步思考"（Let's think step by step）时，它的问题解决能力会显著提升，尤其是在数学、逻辑和推理任务上。这个发现叫做Chain-of-Thought（思维链，CoT）。
为什么一句话能改变这么多？因为你改变了AI完成任务的方式。
大模型为什么需要"中间步骤"
想象考试时的两种答题方式：直接写出答案 vs 先列出步骤再得出答案。后者不仅更容易被检查，而且降低了出错风险。AI也一样。
当AI被要求"直接给出答案"时，它在内部只经过一两步推理就输出了。当被要求"先推理再回答"时，它实际上进行了多层次的中间计算和验证。这些中间步骤让误差有机会被纠正。
类比：人类思考 vs AI思考
人类做复杂决策时会列优缺点、考虑后果、反复权衡。但如果有人突然问你"你怎么想"，你往往脱口而出一个简化的答案。AI也需要这样的"思考时间"——而思维链就是给它这个时间。
CoT不是魔法。它的本质是：给模型足够的计算步骤和表达空间，让它能显现自己真实的推理能力。
02 · 三种推理引导策略
策略一：步骤分解法
适合有明确逻辑顺序的任务。你明确告诉AI先做什么、再做什么、最后做什么。
步骤分解示例
任务：分析这个产品评价的情感，并给出改进建议
步骤：
1. 首先，提取评价中的具体不满点（用户说了什么不好）
2. 其次，分析这些不满点的根本原因（为什么不好）
3. 然后，针对每个原因提出1-2个改进方向
4. 最后，优先级排序（哪个改进最重要）
评价内容：[用户评价]
策略二：正反论证法
适合分析和评估类任务。让AI先列支持某个观点的论据，再列反对的论据，最后综合分析。这样做的好处是避免单一视角的偏见。
正反论证示例
问题：我们公司应该进入新的地域市场吗？
请按以下格式分析：
【支持进入的论据】
- 点1：[具体理由]
- 点2：[具体理由]
【反对进入的论据】
- 点1：[具体理由]
- 点2：[具体理由]
【综合分析】
[权衡利弊后的结论]
策略三：假设检验法
适合需要判断或验证的场景。先提出假设，然后逐一检验这个假设是否成立。
假设检验示例
假设："这次销售额下降是因为市场竞争变激烈"
验证步骤：
1. 这个假设的关键要素是什么？（定义清楚"竞争变激烈"的具体表现）
2. 有哪些数据可以支持或反驳这个假设？
3. 还有哪些其他可能的原因被我忽略了？
4. 综合评判：这个假设的可信度有多高？
三种方法的适用场景
| 方法 |
最适合的任务类型 |
为什么有效 |
| 步骤分解 |
编程、规划、流程设计 |
强制AI按顺序完成，避免跳步 |
| 正反论证 |
决策分析、市场评估、策略制定 |
防止AI陷入单一视角 |
| 假设检验 |
问题诊断、原因分析、真伪判断 |
有系统地验证，而非猜测 |
03 · CoT的适用范围与局限
对什么任务有效
- 数学与逻辑推理：详细的步骤确实能提升准确性
- 复杂分析：产业分析、战略规划、问题诊断
- 多因素决策：需要权衡的场景
- 代码编写：AI先"思考"架构再写代码，质量更高
对什么任务无效甚至有害
- 简单事实查询："美国首都是哪里"不需要CoT
- 创意写作：强制分步骤反而会让文章显得呆板、失去灵气
- 快速回应：如果你急着要答案，CoT会拖慢速度
过度引导的反效果
如果你给的步骤太细致、太固化，反而会限制AI的创意和灵活性。比如要求它在每个步骤都遵循同样的思考框架，有时反而会导致"机械化"的输出。
不是所有任务都需要CoT。选错方法，即使加了CoT，效果也可能更差。
04 · 高阶：让AI自己规划推理路径
从"告诉它怎么想"到"让它自己规划"
初级的CoT是你指定步骤。高阶的是让AI自己决定需要多少步、每步做什么——我们叫它Plan-then-Execute（先规划，再执行）。
Plan-then-Execute 示例
任务：帮我诊断为什么项目延期了
要求：
1. 首先，列出你认为需要调查的关键问题（自主规划）
2. 然后，按优先级排序
3. 接着，逐一回答这些问题
4. 最后，给出诊断结论和改进建议
项目信息：[背景描述]
这个方法的好处是AI有更多自主决策的空间，输出往往也更贴近现实——因为它自己判断了什么最重要。
分阶段处理超复杂任务
对于特别复杂的任务（比如从零开始设计一个产品），可以用"分阶段执行"：
- 第一阶段：需求分析（AI自主规划需要了解的信息）
- 第二阶段：概念设计（基于需求，生成初稿）
- 第三阶段：风险评估（发现第二阶段的漏洞）
- 第四阶段：最终优化（融合反馈，生成最终版本）
每个阶段的提示词都会参考前一个阶段的输出。这样做的成本是多轮对话，收益是输出质量的显著提升。
05 · 推理引导 + CRAFT 框架的完整案例
前面学过的CRAFT框架（Context、Role、Action、Format、Tone）可以和思维链完美结合。关键是在Action部分嵌入推理指令。
完整案例：竞争对手分析
Context:我们是一个ToB SaaS产品，想分析主要竞争对手的优劣势
Role:战略分析师
Action:分析以下竞争对手，请按步骤进行：
1. 提取竞争对手的核心功能/服务（从官网、评价、新闻等推断）
2. 分析他们相比我们的优势（具体体现在哪些功能、体验、价格）
3. 分析他们相比我们的劣势
4. 识别我们的核心差异点
5. 根据以上，给出我们的战略建议
Format:
【竞争对手名称】
- 核心功能：[列表]
- 他们的优势：[3-5条]
- 他们的劣势：[3-5条]
- 我们的差异：[明确指出]
- 战略建议：[2-3条可执行的建议]
Tone:客观、数据驱动、避免感情色彩
竞争对手数据：[你提供的信息]
看这个案例，Action部分已经从"分析竞争对手"细化到了有具体顺序的推理步骤。加上Format的约束，输出就会既有思维深度，又有结构清晰。
CoT + CRAFT = 结构化思维 + 系统化输出。这是高质量AI工作的黄金组合。
练习：用推理引导改造一个任务
- 选择你工作中一个"需要分析"的任务（比如用户反馈分析、项目问题排查等）
- 用"步骤分解法"或"正反论证法"，写出带推理指令的提示词
- 给AI同一个输入，一次不加CoT，一次加上CoT，比较结果质量
- 记录下：CoT版本在哪些方面更好（逻辑、完整性、可信度）