一、什么是思维链
思维链（Chain-of-Thought，简称CoT）是一种在大型语言模型（LLMs）中使用的技术，旨在提升模型在复杂推理任务上的表现。这种方法通过模拟人类解决问题时的思考过程，将问题分解为一系列子问题，然后逐步解决这些子问题，最终得出结论。我们都知道大模型生成的结果是根据概率进行计算的，并不能真的像人类一样自主思考（至少目前是这样），所以对于推理任务，大模型并不擅长。因此，给多点时间或者指引给大模型，才能提高生成结果的可靠性。
二、思维链的原理及类型
1、原理
- 问题分解：将一个复杂的问题分解成一系列更小、更简单的子问题。
- 逐步推理：对每个子问题进行逐一推理，生成中间步骤。
- 得出结论：基于中间步骤，得出最终答案。
2、思维链的类型
- Zero-shot CoT：在没有任何人工标注的推理步骤的情况下，模型直接生成推理步骤和最终答案。
- Few-shot CoT：提供少量的示例，包含输入、CoT推理步骤和输出，模型根据这些示例生成新的推理步骤和答案。
三、如何实现思维链
如果我们使用的是大模型智能助手，那么在对话的过程中，我们可以引导模型一步步思考，并让它把思考的过程也输出来。比如这里，我们让大模型进行简单的一个累加计算，但是让它直接给答案（虽然还是罗列了数字，但是计算结果是错的）。
这里还是上面的问题，但是我们给出指令让它一步步推理，同时把推理过程告诉我们。这样一来，大模型有了充分的思考时间，答案是对的（虽然推理过程显得它不太聪明的样子）。
对于非常复杂、信息量较大或者推理难度大的任务，我们可以适当给出一到两个示例，告诉大模型推理的思路和方向，从而引导它模仿我们推理的过程来输出结果。同样地，我们这里让它直接返回答案，可以看到，还是答错了。
但是我们可以给一些例子给它，告诉它该怎么推理（包括上面篮球的例子，它的推理过程太冗余了，同样可以给出例子，让它模仿我们推理的模式进行答复）。可以看到，它模仿得不能说像，只能说一模一样，这次回答正确了。
四、总结
在算术推理、常识推理和符号推理等任务中，CoT可以显著提高模型的准确性和可靠性。CoT生成的中间步骤可以帮助用户理解模型是如何得出答案的，也提高了模型的可解释性。相比于传统的微调方法，CoT不需要对模型进行大量的参数更新，从而减少了计算资源的消耗。因此，对于一些比较复杂的、步骤较长的任务，不妨采用CoT提高大模型的性能。随着技术的发展，CoT相关的技巧也越来越多，笔者会持续跟踪并分享相关领域的研究进展。
