思維鏈 (Chain of Thought / CoT)
思維鏈是一種提示工程技術,引導人工智慧在輸出最終結論前,先寫出中間的推理步驟,藉此大幅提升複雜邏輯與計算的準確度。
思維鏈(Chain of Thought,簡稱 CoT)是一種讓大型語言模型模擬人類思考脈絡的提示工程技巧。它的核心概念是讓模型在給出最終答案之前,先把解題的邏輯、計算或推論步驟一步一步寫出來,而不是直接猜測結果。
在面對簡單的問答時,AI 或許可以直接輸出正確資訊;但當問題牽涉到多層次的條件判斷、數學計算或因果分析時,如果要求模型立刻給出結論,往往容易產生邏輯跳躍甚至幻覺。透過思維鏈的引導,問題被拆解成循序漸進的中間產物,進而顯著提升複雜任務的準確性。
思維鏈如何運作:將思考過程具象化
傳統的提問方式像是要求 AI 直接交出期末考卷的最終答案,而思維鏈則是要求它在草稿紙上寫下計算過程。當模型將思維具體化為文字時,下一個產生的詞彙就能以前面已確認的推論為基礎,形成環環相扣的推導鍊。
現代先進的模型已逐漸內建自主推論的機制,會在後台自動進行深度思考;但在日常使用提示詞時,我們依然能主動運用 CoT 來引導模型按照特定架構分析問題。
在地生活範例:手搖飲料店的夏季備料評估
假設你在台中經營一家手搖飲料店,準備推出芒果冰沙新品,需要評估首週的鮮果採購量與耗損成本。如果直接問 AI:「我每天預計賣 150 杯芒果冰沙,一週要進多少芒果?」模型可能只會給出一個粗糙的預估數字。
若改用思維鏈提示,你可以要求模型依序拆解:
- 步驟一:單杯原料拆解,每杯冰沙需要多少公克果肉,換算成帶皮帶籽的芒果約為幾顆。
- 步驟二:日常耗損率估算,考慮運送碰撞與熟成過度的自然損耗比例。
- 步驟三:平假日銷量加權,週一到週四以平日基本量計算,週五至週日依假日人潮倍率加成。
- 步驟四:安全庫存與叫貨週期,整合上述數據計算每週總採購箱數。
當 AI 一步一步列出中間數值,你不僅能清楚檢查哪一個環節的假設需要調整,整體產出的數字也會比直接給答案精準許多。
如何撰寫有效的 CoT 提示詞?
在日常實務中,運用思維鏈並不複雜。最基礎且經典的方式,是在提示詞末尾加上指令:請一步一步思考並說明推理過程。如果任務更加複雜,你可以提供一個包含推理步驟的範例給模型參考,這在提示工程中被稱為少量樣本思維鏈(Few-shot CoT)。
明確要求模型先列出已知條件、再推導中間結論、最後才標註最終解答,通常能大幅減少運算錯誤與邏輯漏洞。
思維鏈的常見盲點:步驟通順不代表結論正確
使用思維鏈時必須保持警覺:推導過程看起來有條有理,不代表結論一定完全正確。語言模型本質上依然是在預測下一個最合理的字詞,即便中間推論出現了事實錯誤或計算疏失,模型依然會用極具說服力的語氣繼續往下推導。
因此,看到 AI 列出詳細步驟時,使用者不能照單全收,反而應該善用這些列出來的步驟,逐一驗證其前題與邏輯是否符合現實情況。
常見問題
最簡單的思維鏈提示詞該怎麼寫?
只需在任務說明的最後加上「請一步步思考並列出推導步驟」或「請先分析原因再給出結論」,就能觸發模型展開推論。
所有問題都需要使用思維鏈嗎?
不需要。事實查詢、文字翻譯或簡單摘要等任務不需要複雜推理,直接回答即可;只有在面對數學、程式邏輯、多條件決策時,思維鏈才最具效益。
思維鏈會增加模型的回答時間與成本嗎?
會。因為模型需要額外生成推導步驟的文字,輸出的字數增加,因此回應時間通常會稍微變長,消耗的運算資源也較多。
