名詞解析 · Prompt Techniques

Chain of Thought (CoT)

思維鏈

Prompt Techniques 新手

30 秒版 · 給沒耐心的人

引導 AI 在給出最終答案之前，先逐步展示推理過程的提示技巧。讓 Claude「先想清楚再說」，顯著提升複雜推理、數學和多步驟分析任務的準確率。

完整解說 +

01 · 這是什麼？

Chain of Thought（CoT，思維鏈）是一種提示技巧，核心做法是在你的問題後面加上「請逐步思考」或類似的引導語，要求 Claude 在給出最終答案之前，先把推理過程一步一步地展示出來。這個技巧的重要性來自一個基本的 LLM 行為特性：如果你只問「答案是什麼」，Claude 傾向於直接輸出一個看起來最可能的答案，跳過中間的推理步驟。對於簡單問題，這沒問題。但對於需要多步驟計算或邏輯推理的問題，跳過步驟意味著跳過了每一步驗證正確性的機會，容易在中途犯錯而不自知。 CoT 強制 Claude 把問題拆解成可驗證的小步驟，每一步都建立在上一步的基礎上。這樣做有兩個好處：第一，Claude 自己在推理過程中更容易發現邏輯錯誤並自我修正；第二，你能看到推理過程，一旦答案有問題，你能找到是哪一步出了問題，而不是面對一個不知道哪裡錯的黑盒答案。

02 · 為什麼存在？

CoT 有效的機制，來自 LLM 生成 Token 的方式。Claude 每次輸出都是一個 Token 接一個 Token 地生成，每個新 Token 的生成都以之前所有的 Token 為基礎。這個機制有一個重要的含義：Claude 在思考過程中輸出的中間步驟，本身就成為後續推理的「上下文」，為接下來的步驟提供更完整的資訊。用更簡單的比喻：你在解一道複雜數學題，如果你在腦子裡算（類比直接輸出答案），你只能依賴工作記憶，容易算錯。如果你把每一步都寫下來（類比 CoT），你能看著自己寫的步驟繼續推進，每一步都有前一步的書面結果可以依賴，準確率自然更高。CoT 給了 Claude 「把中間步驟寫出來看」的機會，本質上是在擴展它的有效「工作記憶」。這也解釋了為什麼 CoT 對複雜問題效果特別明顯，對簡單問題效果不大——簡單問題根本不需要多步驟推理，CoT 只是增加了不必要的輸出長度。

03 · 如何影響你的決策？

理解 CoT 對你的日常 Claude 使用影響直接：你會知道什麼時候該加這句話、加了有什麼用、以及為什麼有些問題即使加了 CoT 還是得不到好結果。最直接的影響是準確率。在不加 CoT 的情況下，Claude 對複雜多步驟問題的錯誤率相當高——它常常跳過步驟、在中途做了錯誤假設，但輸出看起來很有信心。加了 CoT 之後，這些問題大部分會在推理過程中被自我修正，或者至少讓你能看出哪裡出了問題。對開發者來說，CoT 的影響更大：在構建需要複雜推理的 AI 應用時，把 CoT 整合進 System Prompt 是提升輸出品質最低成本的方法之一。很多生產環境的 AI 應用在需要推理的步驟都預設開啟 CoT，只在不需要推理的步驟（例如格式化輸出、簡單分類）關閉，以節省 Token 成本。

04 · 你該怎麼辦？

**立刻能用的 CoT 指令格式：** 最簡單（Zero-Shot CoT）： ``` [你的問題] 請逐步思考。 ``` 或 ``` 請一步一步分析這個問題，再給出結論。 ``` 更結構化的版本： ``` 請用以下格式回答： 1. 分析問題的關鍵條件 2. 列出解題步驟（每步一行） 3. 給出最終答案 4. 確認答案是否合理 ``` 加入驗證步驟（對高準確率要求的場景）： ``` 請逐步解答，最後用另一種方法驗證你的答案是否正確。 ``` **什麼時候用 CoT：** ✅ 數學計算（特別是多步驟） ✅ 邏輯推理題（如果 A 則 B...） ✅ 程式碼 debug（為什麼這段代碼會出錯？） ✅ 複雜分析（分析這篇文章的論證結構） ✅ 決策評估（幫我評估這個方案的優缺點） **什麼時候不需要 CoT：** ✗ 簡單事實查詢（台灣的首都是哪裡？） ✗ 簡單翻譯 ✗ 創意寫作（不需要「正確答案」） ✗ 格式轉換（把這段 JSON 轉成 CSV）

實際例子 +

小王是一位財務分析師，需要驗證一個複雜的折扣計算。他試了兩種方式： **方式一（直接問）**：「一個商品原價 $1,200，先打八折，再享受會員 9.5 折優惠，最後加上 5% 的稅。最終要付多少？」 Claude 直接回答：「$912.60」小王不確定這個數字對不對，但看不出哪裡可能有問題。 **方式二（加 CoT）**：同樣的問題，加上「請逐步計算，每步列出算式」。 Claude 的回答：「Step 1：原價 $1,200 Step 2：打八折 → $1,200 × 0.8 = $960 Step 3：會員 9.5 折 → $960 × 0.95 = $912 Step 4：加 5% 稅 → $912 × 1.05 = $957.60 最終金額：$957.60」小王看到步驟，發現方式一給的 $912.60 是錯的（它似乎漏掉了稅的計算或算錯了）。方式二的每個步驟都可以驗證，他確認了 $957.60 是正確答案。這個例子展示了 CoT 最重要的價值：不只是讓答案更準確，而是讓推理過程變得透明、可驗證。對財務、法律、醫療這類需要高準確性的場景，這個透明度本身就是核心需求。

圖解

歡迎截圖分享，轉載請註明來源

常見誤解 +

✕ 誤解1

× 誤解一：CoT 讓 Claude 思考得更深入，所以所有問題都應該加。CoT 的作用是讓推理步驟可見，不是讓 Claude 變得更聰明或知識更豐富。對於一個不需要多步驟推理的問題（「法國的首都是哪裡？」），加 CoT 只是讓 Claude 多說了一些廢話（「Step 1：回憶法國地理...Step 2：答案是巴黎」），浪費 Token，沒有任何品質提升。CoT 的適用條件是：問題本身有多個推理步驟，且這些步驟之間有邏輯依賴關係。

✕ 誤解2

× 誤解二：加了 CoT 之後，Claude 的答案一定是對的。CoT 大幅降低了複雜推理的錯誤率，但不能保證100%正確。如果 Claude 的第一步就做出了錯誤的假設，後續步驟建立在這個錯誤基礎上，整個推理鏈都可能是錯的。CoT 的真正價值在於：讓你能看到推理過程，從而有機會發現並糾正錯誤，而不是保證答案一定對。高準確度要求的任務，CoT 之後仍需要人工驗證關鍵步驟。

這件事跟你有什麼關係 +

直接影響

CoT 是一個幾乎沒有缺點的技巧，但它的收益分佈不均勻，用對場景才有最大價值。 **優點**：提升複雜推理準確率效果顯著，特別是數學和邏輯問題；讓推理過程透明，可以發現和糾正中間步驟的錯誤；Zero-Shot CoT 成本極低，只需加一句話；和其他技巧（Few-Shot、Role Prompting）疊加效果良好。 **代價**：增加輸出長度（Token 消耗增加），對成本敏感的 API 應用需要評估；對簡單問題沒有幫助，反而增加不必要的輸出；有時 Claude 的「步驟」流於表面（把問題重述一遍算是一步），這時候需要更明確的指令要求「真正的計算步驟」，而不只是文字描述。 **最佳使用場景**：問題有明確的「正確答案」；問題的解決過程可以被分解成有序步驟；任何一步出錯都可能影響最終結果的任務。

下一個詞條 →

Few-Shot Prompting

提問

參照詞條

實用資源

Claude API 狀態 → 模型定價 → Prompt 試驗場 → Token 計算器 → MCP 伺服器目錄 → LLM 評測排行 → 模型比較 →