思维链CoT是一种让大模型在输出答案前先展示推理过程的技术能显著提升复杂问题的解决准确率。通过在提示中加入“让我们一步一步思考”等短语或提供带推理过程的示例模型能更有效地处理数学计算、代码分析、法律合同判断等任务。CoT适用于需要多步推理的场景但会增加Token消耗影响响应速度。现代模型如Qwen3已内置思考模式可自动实现CoT进一步提升回答质量。先问大家一个问题小明有 5 个苹果给了小红 2 个又从超市买了 3 个后来发现有 1 个烂了扔掉了。现在小明有几个苹果你能立刻给出答案但你的大脑做了5-233366-15。这个思考过程帮助你得到正确答案。大模型没有思考过程的概念——默认情况下它接到问题就直接生成答案就像你脑子里啥都没算随口说一个数。Chain of Thought思维链就是强制让模型在输出答案之前先把推理过程写出来显著提升复杂问题的准确率。一、为什么 CoT 有效模型生成 token 是序贯过程——后面的 token 依赖前面的。当模型先写出步骤15-23步骤2336步骤36-15再写答案时答案 token 的生成依赖了前面正确的推理所以更准确。反过来如果直接跳到答案模型相当于凭感觉猜复杂逻辑下出错概率大幅提升。CoT 的典型提升场景数学计算多步逻辑推理代码 bug 分析合同/需求分析复杂条件判断二、Zero-shot CoT一句话激活最简单的 CoT只加一句话“让我们一步一步思考”。// 不加 CoTString result1 chatClient.prompt() .user(一个项目有 3 名开发每人每天能完成 2 个功能点 项目共 60 个功能点但其中 20% 需要双人协作耗时按单人 1.5 倍计算。 完成项目需要多少天) .call() .content();// 可能直接给出错误答案// 加 CoTString result2 chatClient.prompt() .user(一个项目有 3 名开发每人每天能完成 2 个功能点 项目共 60 个功能点但其中 20% 需要双人协作耗时按单人 1.5 倍计算。 完成项目需要多少天\n\n让我们一步一步思考。) .call() .content();// 模型会先拆解单人功能点数、协作功能点数、各自耗时再算总时间常用的触发短语“让我们一步一步思考”“请先分析再给出结论”“请展示你的推理过程”“Think step by step”英文场景三、Few-shot CoT带推理过程的示例给模型看带推理过程的示例答案让它学会这种思考方式String cotFewShotPrompt 判断以下代码是否有并发安全问题给出推理过程和结论。 示例 代码 private int count 0; public void increment() { count; } 推理 count 操作不是原子的实际是三步读取 count、加 1、写回 count。 多线程环境下线程 A 读取 count5线程 B 也读取 count5 两者都写回 6导致一次加法丢失。 结论有并发安全问题应使用 AtomicInteger 或 synchronized。 现在分析 代码 private static final MapString, Object cache new HashMap(); public Object get(String key) { if (!cache.containsKey(key)) { cache.put(key, computeValue(key)); } return cache.get(key); } ;String analysis chatClient.prompt() .user(cotFewShotPrompt) .call() .content();四、让模型先分析再结论对于需要做判断或决策的场景强制让模型先分析再给结论减少直觉跳跃// 合同条款风险分析String contractPrompt 分析以下合同条款是否存在法律风险按照以下步骤 第一步识别条款中的关键约定权利、义务、期限、违约责任等 第二步逐一评估每个约定的潜在风险 第三步综合评估整体风险等级低/中/高 第四步给出具体的修改建议 合同条款 甲方有权在任何时间、无需提前通知乙方单方面终止本合同 乙方不得要求任何赔偿。 ;String riskAnalysis chatClient.prompt() .user(contractPrompt) .call() .content();五、CoT 结构化输出CoT 和结构化输出可以结合——让模型先思考再把结论提取成 JSONimport com.alibaba.cloud.ai.dashscope.chat.DashScopeChatModel;import org.springframework.ai.chat.client.ChatClient;import org.springframework.web.bind.annotation.*;import java.util.List;RestControllerRequestMapping(/api/bug)public class BugAnalysisController { private final ChatClient chatClient; public BugAnalysisController(DashScopeChatModel chatModel) { this.chatClient ChatClient.builder(chatModel) .defaultSystem( 你是一个资深 Java 工程师擅长 bug 分析。 分析代码时先推理出 bug 类型和根因再填写结构化结论。 不确定的字段填 null。 ) .build(); } record BugAnalysis( String bugType, String rootCause, ListString affectedScenarios, String severity, String fix ) {} PostMapping(/analyze) public BugAnalysis analyzeBug(RequestBody String code) { return chatClient.prompt() .user(分析这段代码的 bug\n\n code) .call() .entity(BugAnalysis.class); }} plaintext curl -X POST http://localhost:8080/api/bug/analyze \ -H Content-Type: text/plain \ -d private int count 0; public void increment() { count; }# 返回{bugType:并发安全,rootCause:count非原子操作,severity:HIGH,fix:使用AtomicInteger}六、CoT 的适用场景和局限适合用 CoT 的场景场景原因数学/逻辑计算需要中间步骤代码 bug 分析需要追踪执行路径法律/合同分析需要逐条核查需求分析需要拆解和推演复杂决策需要权衡多个因素不适合用 CoT 的场景场景原因简单翻译不需要推理简单分类模型直接判断更快纯创意写作强制推理反而打断创意追求极致速度CoT 会增加输出 token更慢更贵注意CoT 会增加 Token 消耗CoT 的推理过程本身也是输出 Token费用更高响应更慢。高频低复杂度的任务如简单分类不应该加 CoT。七、内置思考模式Thinking Models现在主流模型Claude 3.7、o3、Gemini 2.5 Pro、Qwen3都内置了思考模式在模型内部做 CoT不需要你在 Prompt 里显式要求。Qwen3Spring AI Alibaba 1.0.0.1 已经支持enableThinking参数直接用DashScopeChatOptions开启import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatModel;import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatOptions;import org.springframework.ai.chat.messages.UserMessage;import org.springframework.ai.chat.prompt.Prompt;import org.springframework.web.bind.annotation.*;RestControllerRequestMapping(/api/thinking)public class ThinkingController { private final DashScopeChatModel chatModel; public ThinkingController(DashScopeChatModel chatModel) { this.chatModel chatModel; } GetMapping(/qwen3) public String deepAnalysis(RequestParam String question) { return chatModel.call(new Prompt( new UserMessage(question), DashScopeChatOptions.builder() .withModel(qwen3-235b-a22b) // Qwen3 支持思考模式的模型 .withEnableThinking(true) // 开启内置思考模式 .build() )).getResult().getOutput().getText(); }}cURL 测试curl http://localhost:8080/api/thinking/qwen3?question用逻辑推理分析鸡兔同笼共35个头94只脚各有多少只说明enable_thinkingtrue时模型会在内部完整推理后再给出最终答案回答质量明显更高但响应时间也更长几秒到十几秒。对于高频简单问题建议改回withEnableThinking(false)关掉。内置思考模式和手动 CoT 的区别手动 CoT思考过程出现在普通输出里用户能看到内置思考思考在模型内部进行对用户不可见成本更高但效果更好八、实战技术方案评估import com.alibaba.cloud.ai.dashscope.chat.DashScopeChatModel;import org.springframework.ai.chat.client.ChatClient;import org.springframework.stereotype.Service;import java.util.List;Servicepublic class TechDecisionService { private final ChatClient chatClient; public TechDecisionService(DashScopeChatModel chatModel) { this.chatClient ChatClient.builder(chatModel) .defaultSystem( 你是一个资深架构师擅长技术方案评估。 评估时要展示完整的思考过程不要直接跳结论。 ) .build(); } public record TechEvaluation( ListString pros, ListString cons, ListString risks, String recommendation, // RECOMMEND / NOT_RECOMMEND / CONDITIONAL String reason ) {} public TechEvaluation evaluate(String techProposal, String context) { return chatClient.prompt() .user(String.format( 请评估以下技术方案是否适合我们的场景。 背景%s 方案%s 请先逐步分析优缺点和风险再给出结构化结论。 , context, techProposal)) .call() .entity(TechEvaluation.class); }} plaintext import org.springframework.web.bind.annotation.*;RestControllerRequestMapping(/api/tech-eval)public class TechDecisionController { private final TechDecisionService techDecisionService; public TechDecisionController(TechDecisionService techDecisionService) { this.techDecisionService techDecisionService; } PostMapping public TechDecisionService.TechEvaluation evaluate(RequestBody EvalRequest request) { return techDecisionService.evaluate(request.proposal(), request.context()); } record EvalRequest(String proposal, String context) {}} plaintext curl -X POST http://localhost:8080/api/tech-eval \ -H Content-Type: application/json \ -d {proposal:使用 Redis 做分布式 Session,context:日活 10 万单机 Spring Boot 应用}# 返回{pros:[水平扩展,会话共享],cons:[引入额外依赖],recommendation:RECOMMEND,reason:...}思维链CoT的核心强制模型先推理再答案提升复杂任务准确率Zero-shot CoT加一句让我们一步一步思考Few-shot CoT给带推理过程的示例适合需要多步推理的任务不适合简单任务增加 token现代推理模型o3、Claude 3.7内置思考模式不需要手动加 CoT 提示CoT 让模型先想再答准确率提了但每次都要输出推理过程Token 消耗也上去了。后面讲 Self-Consistency——在 CoT 基础上让模型多次独立推理取多数票作为最终答案准确率还能再高一档。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】