2.2 思考链提示词技术 - 制作一个智能助理

思考链（Chain-of-Thought）

思考链（Chain-of-Thought, CoT）是一种高级的提示词技术，它鼓励语言模型（LLM）在生成答案之前进行逻辑推理和解释。这种方法特别适用于需要逻辑推理的复杂任务，可以提高模型输出的准确性。

由于目前大模型发展迅猛，在不复杂任务的情况，大模型有了比以前更强的推理能力；思考链在简单的应用场景下已经变得不那么重要了，以下举一个简单的例子来看看kimi的表现如何

标准提示词

带CoT的提示词

在处理复杂任务时，结合思考链和少量样本提示的策略，仍然是解决复杂逻辑问题的重要手段。

目前，这种技术已经被广泛应用于AI代理（Agent）的开发中。通过可视化代码编排，将复杂的任务分解为一系列子任务，并且在关键节点让大模型介入。这些子任务可以由大型模型逐一高效完成，最终再将它们整合起来，形成完整的解决方案。

目前这种方案被广泛应用于智能机器人、私有知识库等各种领域；

如下图所示的例子，展示了如何通过简单的提示词制作一个提供天气类服务的智能助理

自动思维链（Auto-CoT）

我们也可以考虑通过简单的启示，来促使机器人自我思考，保证每个思考链都是正确的；当然最简单的例子就是要求大模型自己自动分析和拆解，如：

示例Auto-CoT提示词：

问题：如果一个数字的平方加上8等于该数字的3倍，求这个数字。

提示：请自动展示你的推理过程，以解决这个问题。

这个提示词简洁明了，直接引导模型使用Auto-CoT技术。模型将尝试自动地展示从设置方程到解方程的整个推理过程。

同时你也可以自己先把复杂任务的前置条件设定好，引导大模型自发的思考，如：

自动思考链技术对比思考链，提示词可以做到更精简的同时达到一样的效果

 往期文章：

第一章：提示词编写入门&1.1提示词（prompt）基本概念

1.2提示词编写要素和技巧

1.3 掌握这些提示词，工作更轻松

第二章：让AI像人一样思考

2.1少量样本提示：快速掌握新知