Chain-of-thought（思维链）是让模型「一步一步想」的提示技巧——在给最终答案前先把推理步骤写出来。光是在 prompt 加一句「Let's think step by step」，就能让 LLM 从数学题答错一半变成大部分都对。 它有效的原因是：LLM 是 token by token 生成的。如果答案需要多步推理，你却只要求最终结果，模型必须在一次 forward pass 里压缩整条推理链，经常会漏掉某一步。把步骤写出来，模型就能拿自己生成的中间文字当草稿纸，每一步建立在上一步上。 经典例子是应用题：「Roger 有 5 颗网球，又买了 2 罐每罐 3 颗，现在共有几颗？」Zero-shot 可能直接答「11」。CoT prompt 会写「Roger 一开始有 5 颗。2 罐 × 3 颗 = 6 颗新球。5 + 6 = 11」——尤其在难题上正确率高得多。 现在多数推理导向模型（OpenAI o1、DeepSeek R1、Claude extended thinking）内部都会自动做 CoT，不用你叫它。延伸阅读：zero-shot CoT、self-consistency、ReAct、tree-of-thoughts。