詳細解釋
思維鏈（Chain of Thought, CoT）是提示大型語言模型 (大語言模型 / 大模型)展示逐步推理過程的技術，通過生成中間推理步驟，顯著提升模型的數學、邏輯和常識推理能力。
核心思想：
- 直接回答：模型可能跳步導致錯誤
- 分步推理：顯式生成思考過程
- 自我修正：中間步驟可檢查和糾正
提示方式：
- Zero-shot CoT：「讓我們一步步思考」
- Few-shot CoT：提供帶推理過程的示例
- 自動CoT：自動生成示例
示例：
問題：15個蘋果，吃掉7個，又買了9個，現在有幾個？
標準回答：17個
CoT回答：
「開始有15個，吃掉7個：15-7=8個。
又買了9個：8+9=17個。
所以現在有17個。」
效果：
- 數學推理：GSM8K基準大幅提升
- 邏輯推理：符號操作更清晰
- 常識推理：多步推斷更準確
- 複雜問題：分解為子問題
變體：
- Zero-shot-CoT：無需示例，直接加提示語
- Self-Consistency：多條推理路徑投票
- Tree of Thoughts：探索多條推理樹
- ReAct：推理+行動交替
與微調的關係：
- 提示工程：無需訓練，直接使用
- 微調：在CoT數據上訓練（如Flan-T5）
- 結合：微調後的模型CoT效果更好
應用場景：
- 數學問題：小學到高中數學
- 邏輯謎題：推理遊戲、謎語
- 代碼調試：逐步分析錯誤
- 決策支持：多因素權衡
- 教育輔導：展示解題過程
為何有效：
- 分解：複雜問題拆分到可管理步驟
- 計算：中間結果作為「工作記憶」
- 檢查：可追蹤推理過程
- 規模效應：大模型CoT收益更大
CoT是釋放LLM推理能力的關鍵提示技術。
亦稱「Few Shot Cot」。