--- categories: - '[[LLM Wiki]]' tags: - wiki - concept - chain-of-thought - prompt-engineering - reasoning - ai-education created: 2026-04-20 updated: 2026-04-22 source: '[[教学大模型发展状况深度研究报告-20260415]]' type: concept aliases: - Chain-of-Thought - 思维链 - CoT - 推理链 status: reviewed relations: - type: part_of target: '[[教学大模型]]' description: 同源：教学大模型发展状况深度研究报告-20260415 confidence: 3 - type: extends target: '[[教学大模型]]' confidence: 2 - type: extends target: '[[苏格拉底式教学法]]' confidence: 2 --- [raw:教学大模型发展状况深度研究报告-20260415:513]# Chain-of-Thought（思维链） Chain-of-Thought (CoT, 思维链）是一种提示工程技术，通过引导大语言模型逐步推理，提高复杂问题解决能力和准确性。在教育AI中，CoT 是提升数学推理和问题求解质量的关键技术。 ## 定义 思维链是一种提示策略，要求模型在给出最终答案前，先生成详细的推理步骤。这种方法： - 显式展示推理过程 - 分解复杂问题为简单步骤 - 提高答案的可解释性和准确性 ## 核心原理 ### 逐步推理 ``` 直接回答 vs 思维链 问题：一个长方形的周长是20厘米，面积是多少？ 直接回答： "面积是25平方厘米。" ❌ 缺少推理过程 思维链： "让我们一步步思考： 1. 长方形周长公式：周长 = 2 × (长 + 宽) 2. 已知周长 = 20，所以 2 × (长 + 宽) = 20 3. 两边同时除以2：长 + 宽 = 10 4. 假设长 = 宽（正方形情况），则 长 = 宽 = 5 5. 面积公式：面积 = 长 × 宽 = 5 × 5 = 25 6. 所以面积是25平方厘米。" ✅ 清晰推理过程 ``` ## CoT 在教育中的应用 ### 1. 数学问题求解 ``` 问题：解方程 2x + 5 = 13 CoT提示： "请一步步解这个方程，说明每一步的推理。" 模型输出： "步骤1：方程是 2x + 5 = 13 步骤2：将5移到右边：2x = 13 - 5 步骤3：计算：2x = 8 步骤4：两边同时除以2：x = 8 / 2 步骤5：最终答案：x = 4" ``` ### 2. 物理问题分析 ``` 问题：一个物体从静止开始自由落体，2秒后速度是多少？ CoT提示： "请分析这个物理问题，列出相关公式和计算步骤。" 模型输出： "分析： 1. 已知：初速度 v0 = 0，时间 t = 2秒 2. 重力加速度 g = 9.8 m/s² 3. 速度公式：v = v0 + gt 4. 代入计算：v = 0 + 9.8 × 2 = 19.6 m/s 5. 所以2秒后速度是 19.6 m/s" ``` ### 3. 错误纠正和调试 ``` 学生错误答案："2x + 5 = 13" → "x = 8/2" CoT纠正： "让我们检查这个解法： 步骤1：方程正确 2x + 5 = 13 步骤2：移项错误！应该是 2x = 13 - 5 = 8 步骤3：除法步骤不完整，应该是 x = 8/2 = 4 所以正确答案应该是 x = 4" ``` ## CoT 提示模板 ### 标准思维链提示 ``` "请一步步思考这个问题，详细说明你的推理过程。" ``` ### 教育特定思维链提示 ``` "你是一个数学老师，请用苏格拉底式方法引导学生。 1. 不要直接给出答案 2. 先理解学生的问题 3. 通过提问引导学生思考 4. 逐步给出提示 5. 最后验证答案的正确性 学生问题：{学生输入}" ``` ### 验证式思维链提示 ``` "请先思考这个问题的解法，然后验证每一步的正确性。如果发现错误，请纠正并说明。" ``` ## CoT 的优势 1. **提高准确性**：逐步推理减少跳跃性错误 2. **增强可解释性**：推理过程透明，便于理解和验证 3. **支持教学**：可以展示解题思路，帮助学生理解 4. **便于调试**：发现错误步骤并纠正 ## 关键挑战 1. **计算成本高**：逐步推理需要更多tokens，增加计算成本 2. **时间延迟大**：生成较长推理过程，响应时间增加 3. **推理一致性**：确保推理链的逻辑连贯性 **问题描述**： - 模型可能在推理链的不同步骤中产生前后矛盾 - 例如：先假设A，后续推理中又假设非A，导致结论不一致 **产生原因**： - 上下文窗口限制导致早期假设被遗忘 - 多步骤推理中缺乏全局一致性检查机制 - 缺乏明确的推理路径回溯验证 **应对策略**： - **显式约束**：在提示中要求模型保持假设一致性 - **分步验证**：要求模型在每个推理步骤后检查逻辑连贯性 - **回溯验证**：要求模型验证最终结论是否与初始假设一致 - **示例提示**："请确保你的推理过程前后一致，如果发现矛盾，请明确指出并修正" 4. **幻觉风险**：长推理链可能增加幻觉风险 ## LLM时代的新发展 随着大语言模型的发展，CoT 技术正在升级： - **自动CoT生成**：模型自动生成分步推理 - **CoT蒸馏**：将大模型的CoT能力蒸馏到小模型 - **多路径CoT**：生成多个推理路径并投票选择 - **CoT + RAG**：结合检索增强生成提高准确性 ## 相关概念 - [[教学大模型]] — 应用CoT的AI教育系统 - [[苏格拉底式教学法]] — 结合CoT的引导式教学 - [[RAG]] — 检索增强生成 - [[Khanmigo]] — CoT在教育中的应用案例 ## 来源 - [[教学大模型发展状况深度研究报告-20260415]] — CoT在数学推理中的应用 [raw:教学大模型发展状况深度研究报告-20260415:513]# Chain-of-Thought（思维链） Chain-of-Thought (CoT, 思维链）是一种提示工程技术，通过引导大语言模型逐步推理，提高复杂问题解决能力和准确性。在教育AI中，CoT 是提升数学推理和问题求解质量的关键技术。 ## 定义 思维链是一种提示策略，要求模型在给出最终答案前，先生成详细的推理步骤。这种方法： - 显式展示推理过程 - 分解复杂问题为简单步骤 - 提高答案的可解释性和准确性 ## 核心原理 ### 逐步推理 ``` 直接回答 vs 思维链 问题：一个长方形的周长是20厘米，面积是多少？ 直接回答： "面积是25平方厘米。" ❌ 缺少推理过程 思维链： "让我们一步步思考： 1. 长方形周长公式：周长 = 2 × (长 + 宽) 2. 已知周长 = 20，所以 2 × (长 + 宽) = 20 3. 两边同时除以2：长 + 宽 = 10 4. 假设长 = 宽（正方形情况），则 长 = 宽 = 5 5. 面积公式：面积 = 长 × 宽 = 5 × 5 = 25 6. 所以面积是25平方厘米。" ✅ 清晰推理过程 ``` ## CoT 在教育中的应用 ### 1. 数学问题求解 ``` 问题：解方程 2x + 5 = 13 CoT提示： "请一步步解这个方程，说明每一步的推理。" 模型输出： "步骤1：方程是 2x + 5 = 13 步骤2：将5移到右边：2x = 13 - 5 步骤3：计算：2x = 8 步骤4：两边同时除以2：x = 8 / 2 步骤5：最终答案：x = 4" ``` ### 2. 物理问题分析 ``` 问题：一个物体从静止开始自由落体，2秒后速度是多少？ CoT提示： "请分析这个物理问题，列出相关公式和计算步骤。" 模型输出： "分析： 1. 已知：初速度 v0 = 0，时间 t = 2秒 2. 重力加速度 g = 9.8 m/s² 3. 速度公式：v = v0 + gt 4. 代入计算：v = 0 + 9.8 × 2 = 19.6 m/s 5. 所以2秒后速度是 19.6 m/s" ``` ### 3. 错误纠正和调试 ``` 学生错误答案："2x + 5 = 13" → "x = 8/2" CoT纠正： "让我们检查这个解法： 步骤1：方程正确 2x + 5 = 13 步骤2：移项错误！应该是 2x = 13 - 5 = 8 步骤3：除法步骤不完整，应该是 x = 8/2 = 4 所以正确答案应该是 x = 4" ``` ## CoT 提示模板 ### 标准思维链提示 ``` "请一步步思考这个问题，详细说明你的推理过程。" ``` ### 教育特定思维链提示 ``` "你是一个数学老师，请用苏格拉底式方法引导学生。 1. 不要直接给出答案 2. 先理解学生的问题 3. 通过提问引导学生思考 4. 逐步给出提示 5. 最后验证答案的正确性 学生问题：{学生输入}" ``` ### 验证式思维链提示 ``` "请先思考这个问题的解法，然后验证每一步的正确性。如果发现错误，请纠正并说明。" ``` ## CoT 的优势 1. **提高准确性**：逐步推理减少跳跃性错误 2. **增强可解释性**：推理过程透明，便于理解和验证 3. **支持教学**：可以展示解题思路，帮助学生理解 4. **便于调试**：发现错误步骤并纠正 ## 关键挑战 1. **计算成本高**：逐步推理需要更多tokens，增加计算成本 2. **时间延迟大**：生成较长推理过程，响应时间增加 3. **推理一致性**：确保推理链的逻辑连贯性 **问题描述**： - 模型可能在推理链的不同步骤中产生前后矛盾 - 例如：先假设A，后续推理中又假设非A，导致结论不一致 **产生原因**： - 上下文窗口限制导致早期假设被遗忘 - 多步骤推理中缺乏全局一致性检查机制 - 缺乏明确的推理路径回溯验证 **应对策略**： - **显式约束**：在提示中要求模型保持假设一致性 - **分步验证**：要求模型在每个推理步骤后检查逻辑连贯性 - **回溯验证**：要求模型验证最终结论是否与初始假设一致 - **示例提示**："请确保你的推理过程前后一致，如果发现矛盾，请明确指出并修正" 4. **幻觉风险**：长推理链可能增加幻觉风险 ## LLM时代的新发展 随着大语言模型的发展，CoT 技术正在升级： - **自动CoT生成**：模型自动生成分步推理 - **CoT蒸馏**：将大模型的CoT能力蒸馏到小模型 - **多路径CoT**：生成多个推理路径并投票选择 - **CoT + RAG**：结合检索增强生成提高准确性 ## 相关概念 - [[教学大模型]] — 应用CoT的AI教育系统 - [[苏格拉底式教学法]] — 结合CoT的引导式教学 - [[RAG]] — 检索增强生成 - [[Khanmigo]] — CoT在教育中的应用案例 ## 来源 - [[教学大模型发展状况深度研究报告-20260415]] — CoT在数学推理中的应用