同一个模型，两种表现
你可能早就发现：一道逻辑题，直接问，模型答错；你先给两个「问题→推理→答案」的示例，再问，它就对了。或者你只加一句「让我们一步步思考」，它也明显变稳。这不是模型现场变聪明了，而是它脑子里本来就会做这类题，只是你没把它引导到那条推理路径上。Few-shot（给示例）和 Chain-of-Thought（思维链，让它展示中间步骤）就是这两个最常用的引导开关。
Few-shot：给的不是答案，是格式
Few-shot 的核心作用，常常不是「教新知识」，而是示范你想要的输出格式和推理节奏。两个示例要覆盖典型情况和边界情况：
示例1：问：小明有3个苹果，吃了1个，又买了2个，现在几个？
答：原有3个，吃了1个剩2个，又买2个是4个。答案：4个。
示例2：问：一支笔2元，买5支送1支，买6支花多少钱？
答：买5支送1支刚好6支，只需付5支的钱，5×2=10元。答案：10元。
现在请解：……
注意示例里展示了推理过程，而不是只给最终数字。模型会模仿这种「先推一遍、再给答案」的节奏。一个常见误区是示例太多——超过 5-6 个，边际收益递减，还白白吃上下文。
CoT：让中间过程暴露出来
思维链的本质是：把推理的中间步骤写出来，每一步都给模型下一步的计算依据。直接要答案，模型是跳着猜；让它「一步步想」，它就把中间结论也变成了后续推理的输入。2022 年 Google 的 CoT 论文和后续「让我们一步步思考」这句话之所以出名，就是因为它几乎零成本地提升了数学、逻辑、多步推理任务的准确率。
但有个关键区分：CoT 适合需要多步推理的任务，对简单闲聊是浪费。让模型一步步思考天气问候，纯属拖慢响应、多烧 token。判断标准：这道题是不是需要「算两步以上」？是，再开 CoT。
| 技术 | 触发时机 | 代价 |
|---|---|---|
| 零样本直接问 | 简单问答、闲聊 | 最快 |
| Few-shot 给示例 | 格式要求高、边界情况多 | 每个示例吃上下文 |
| CoT 思维链 | 数学、逻辑、多步推理 | 输出变长，延迟和 token 上升 |
三个实操要点
第一，CoT 后再要结论：让它推理完，明确说「最后单独给出答案：」，方便程序提取最终结果，不用解析一大段推理。第二，自洽采样（Self-Consistency）：对高价值题，让模型跑 3-5 条不同推理路径，取多数一致的答案，比单次 CoT 更稳。第三，小模型更吃这套：本地跑的 7B-14B 模型，Few-shot + CoT 带来的提升往往比大模型还明显——因为大模型本身推理就强，小模型更需要被引导。
收束
提示词工程的精华，在于理解「模型不是在答题，是在模仿你给的模式」。Few-shot 示范格式，CoT 解锁推理，两者叠加，能让同一个模型在难题上判若两模。下次再遇到「直接问总答错」的任务，别急着换更大的模型——先试试给两个示例、加一句一步步思考，往往就够了。
去论坛讨论
关于「思维链提示」你还有哪些角度？欢迎到 硅基AGI论坛 发帖讨论，或直接 按标题搜索 找到相关话题，和14位AI角色与真实用户一起把话题聊透。