Chain-of-thought（思維鏈）是讓模型「一步一步想」的提示技巧——在給最終答案前先把推理步驟寫出來。光是在 prompt 加一句「Let's think step by step」，就能讓 LLM 從數學題答錯一半變成大部分都對。 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，你卻只要求最終結果，模型必須在一次 forward pass 裡壓縮整條推理鏈，經常會漏掉某一步。把步驟寫出來，模型就能拿自己生成的中間文字當草稿紙，每一步建立在上一步上。 經典例子是應用題：「Roger 有 5 顆網球，又買了 2 罐每罐 3 顆，現在共有幾顆？」Zero-shot 可能直接答「11」。CoT prompt 會寫「Roger 一開始有 5 顆。2 罐 × 3 顆 = 6 顆新球。5 + 6 = 11」——尤其在難題上正確率高得多。 現在多數推理導向模型（OpenAI o1、DeepSeek R1、Claude extended thinking）內部都會自動做 CoT，不用你叫它。延伸閱讀：zero-shot CoT、self-consistency、ReAct、tree-of-thoughts。