什么是思维链？让 AI 把推理写出来

同一道题，直接问 AI 可能答错，加上一句「请一步一步想」，正确率就上来了。这个现象背后是思维链：让大模型在给出答案之前，先把推理的中间步骤写出来。它是提示词技巧里性价比极高的一招，几乎零成本，却能在复杂任务上明显改变表现。这篇讲清它的机制、用法和失效边界。

机制：进来什么，发生什么，出去什么

把模型想成一个只会接着往下写的机器：你输入提示词，它按概率生成下一段文字，直到输出结束。直接问「答案是什么」，它被迫一步跳到结论，中间过程全部压缩在隐式计算里；要求它分步写，输出形态就变了——先产出「先做什么、再做什么」的分步文本，每一段已写出的步骤又会成为下一步生成的上下文。

打个比方，这相当于让 AI 打草稿：草稿摊在纸上，每一步都看得见，错在哪里一眼可查。类比之后回到机制本身：思维链没有给模型增加任何新知识，它改变的是生成路径——把「一口报答案」改成「沿着中间步骤走」，而每一步的输出都会约束后一步的选择空间，前面算对了，后面走偏的概率就下降。

为什么跳步是错的根源

复杂问题容易错在跳步。直接要答案，中间任何一步推错都无从察觉，你看到的只有一个最终结论，错得没有痕迹。步骤摊开之后有两层效果：一是错误会被暴露，你能在检查步骤时发现问题；二是模型自己也在「读」自己写的内容，前文越自洽，后文越稳定。

这也解释了任务难度和思维链回报的关系。两步能完成的算术，分步与不分步差别不大；十几个变量的方案权衡，不分步几乎必错。步骤越多、越容易跳步，思维链的帮助越大。

四种写法与适用场景

四种写法不必全用。日常任务一句「请分步骤分析」就够；固定流程的工作可以备一份带步骤的示范示例，每次复用；计算类任务把「反向验算」固定在提示词末尾，成本不高，回报稳定。

什么时候不管用

三类场景不必用。简单任务：问「今天星期几」还要求分步，纯属浪费输出时间。事实性问题：它不知道的事，想再多遍也是编，步骤写得再工整也改变不了内容是虚构的事实。开放式创意：写诗、起名字，过程分解没有意义，直接给结果反而自然。

还有一个常见误解要拆掉：写成思维链不等于想对了。它可能把一段错误推理写得非常流畅，每一步看起来都合理，结论却是错的。推理的「形式正确」和「内容正确」是两回事，前者是思维的样式，后者需要事实支撑。

写出来的推理，未必是真实的计算

这一点值得单独讲：思维链里展示的步骤，未必是模型内部真实的计算过程，更像一份组织良好的事后解释。模型生成文字的机制是逐词预测，它展示给你的「思考」，同样是按概率写出来的文本，不能当作可信的推理依据。

所以正确的定位是：思维链是提高准确率的手段，不是审计工具。关键结论仍要自己复核——数字代入验算、事实回来源核对、逻辑挑关键节点检查。把它当「概率放大器」，别当「正确性证明」。

思维链使用速查

• 万能开头：请分步骤分析，最后再给结论
• 计算类加一句：算完反向验算
• 步骤越多、越易跳步的任务，回报越大
• 简单任务、事实问答、创意写作不必用
• 步骤写出来不等于结论正确，关键节点自己复核

三个常被问到的问题

• 让它分步思考，输出变长了很多，值得吗？：看任务价值。步骤输出会消耗更多 token，等待时间也更长，对一道关键计算题值得，对批量琐碎问题就是纯粹的等待成本。批量场景可以只对高风险条目开分步，其余直出。
• 不同规模的模型，思维链效果一样吗？：不一样。参数量更大的模型本身推理底子更好，思维链是锦上添花；小模型上了分步也不一定能把每步算对。规模差异怎么理解，可参考参数量 7B 和 70B 的区别。
• 深度思考模式和手动写「一步步想」是一回事吗？：深度思考是模型在输出前先做内部推理，用户看不到过程；手动要求分步是让推理直接写在回答里。两者可以叠加，复杂任务先开深度思考再要求分步输出，效果通常更好。

补充两个相关判断。分步输出会明显拉长回答，每秒输出多少 token 直接决定你要等多久，取舍见生成速度与等待时间；推理能力随模型代际变化明显，新的代际往往不用刻意提示也会分步，免费版和付费版的代际差异可以帮你判断手里的版本值不值得折腾这些技巧。