Chain-of-Thought Prompting Elicits Reasoning in Large Language Models
★★★★★Wei et al. (Google) · NeurIPS 2022 2022
在 few-shot 示例中展示中间推理步骤，让大模型在数学、符号、常识推理上大幅跃升——一句提示词解锁的能力革命。
思维链与提示推理
Chain-of-Thought 成熟领域「一步步想」如何把概率接龙变成推理机：CoT、自一致性、分解式提示，以及推理忠实性之辩。
代表机构： Google ResearchOpenAI
概述
2022 年的两篇论文改变了交互范式：Zero-shot CoT 发现一句「Let’s think step by step」就能解锁多步推理，Wei 等人的 few-shot CoT 则证明中间步骤的质量随模型规模涌现。之后的扩展沿三个方向：搜索（自一致性投票、树搜索）、分解（ Least-to-Most、Plan-and-Solve）、反思（Self-Refine、 verifier 校验）。
「忠实性」（faithfulness）是这条线上的哲学难题：写出来的推理链是真实的因果路径，还是事后编造的合理化说辞？证据两面都有——干预中间步骤会系统性改变结论（支持真实性），但模型也常在链中「先有答案后补理由」。这个争论直接关系到 CoT 监控能否作为安全手段（如果 CoT 不忠实，读心就失效）。
看点
提示侧的推理工程正在被训练侧吸收：o1/R1 时代，「教模型想」取代了「求模型想」。CoT 从技巧变成默认行为，提示工程师的红利期结束了。
经典工作
- Chain-of-Thought Prompting（2022）
- Self-Consistency（2022）
- Large Language Models are Zero-Shot Reasoners（2022）
论文精读
全部论文 →演进脉络
完整时间线 →-
思维链提示：让模型写出推理过程 2022 年 1 月 28 日
Google 的 Wei 等人发现 few-shot 示例中加入中间推理步骤，可让大模型在数学、常识推理上大幅跃升——CoT 成为两年内被引用最多的提示技术。