Prompt工程进阶：思维链到思维树的演进

Prompt工程的深层逻辑

很多人把Prompt工程理解为"写好指令的艺术"，这只触及了表面。Prompt工程的深层逻辑是控制模型的推理过程——让模型按照我们期望的方式思考，而非仅控制它思考什么。

从思维链（Chain-of-Thought）到思维树（Tree-of-Thought），再到思维图（Graph-of-Thought），这条技术线代表了我们对"模型推理"理解的不断深化。

思维链（CoT）：让模型学会"展示过程"

CoT的核心发现极其简单：在Prompt中加入"让我们一步一步思考"这样的指令，模型的推理能力就能显著提升。

原理在于：自回归模型生成每个Token时，前面的Token都是后续推理的"草稿纸"。直接给出答案时，模型没有"思考空间"；先写出推理过程，等于让模型把中间计算外化到了Token序列中。

标准CoT：

问题：一个商店有23个苹果，卖了17个，又进了15个，现在有多少个？
思考：初始有23个苹果，卖了17个后剩23-17=6个，又进了15个后是6+15=21个。
答案：21

Zero-shot CoT：只需在问题后加"Let’s think step by step"，无需提供示例。

Few-shot CoT：提供几个带推理过程的示例，模型会模仿这种推理格式。

CoT的局限

CoT是线性的——模型沿着一条路径推理到底。但很多问题需要探索多个方向、回溯错误路径、比较不同方案。这正是思维树要解决的。

思维树（ToT）：让模型学会"探索和回溯"

ToT将推理过程组织成树结构：

1. 分解：将问题分解为多个推理步骤
2. 生成：在每个步骤生成多个候选想法
3. 评估：评估每个想法的前景
4. 搜索：使用BFS或DFS搜索最有前景的路径

实践示例：

问题：设计一个用户注册流程的优化方案

步骤1 - 分析维度：
  想法A：从减少表单字段入手
  想法B：从社交登录入手
  想法C：从分步引导入手
  评估：A最通用，B最快，C体验最好 → 选B作为主线，A作为补充

步骤2 - 细化方案B：
  想法B1：仅支持微信登录
  想法B2：支持微信+手机号双通道
  评估：B2覆盖更全 → 选B2

步骤3 - 细化方案B2：
  ...

ToT的实现方式

在实际使用中，完整的ToT框架需要多次LLM调用（生成、评估、搜索），成本较高。我们开发了简化版的ToT Prompt模板：

请用以下方式思考这个问题：

1. 首先，列出3-5个可能的解决方向
2. 对每个方向，简要评估其优缺点
3. 选择最有前景的1-2个方向深入展开
4. 如果选定的方向遇到困难，回退到其他方向

问题：[用户问题]

这种简化版虽然不如完整ToT严谨，但在日常使用中已经能显著提升复杂问题的回答质量。

思维图（GoT）：网状推理结构

GoT进一步将推理结构从树推广到图——允许节点之间有任意的连接关系，支持推理的合并和循环。

适用场景：

• 需要综合多个独立分析的问题
• 需要反复迭代优化的方案
• 需要从不同角度交叉验证的推理

GoT的Prompt模板：

请用以下方式分析这个问题：

阶段1 - 多角度分析：从3个不同角度独立分析问题
阶段2 - 交叉验证：检查各角度的分析是否一致，标记矛盾点
阶段3 - 综合整合：将各角度的洞察整合为一个连贯的结论
阶段4 - 反思验证：审视结论是否站得住脚，是否有遗漏

问题：[用户问题]

自我一致性（Self-Consistency）

另一种提升推理可靠性的方法是自我一致性——让模型对同一问题生成多条独立的推理链，取多数一致的答案。

请用3种不同的方法解决这个问题，然后比较三个结果：

方法1：[推理路径A]
方法2：[推理路径B]
方法3：[推理路径C]

比较：如果三个结果一致，给出最终答案；如果不一致，分析差异原因后给出最终判断。

在数学和逻辑推理任务上，自我一致性可以将准确率提升5-15%。

实践选择指南

从Prompt到推理基础设施

随着推理时计算（inference-time compute）成为新的Scaling Law，Prompt工程正在从"写好指令"进化为"设计推理过程"。

未来的方向是让模型自主选择推理策略——简单问题用CoT，复杂问题自动切换到ToT或GoT。这需要一个元推理层来评估问题复杂度并选择对应的推理策略。

Prompt工程的终点不是写出完美的Prompt，而是让模型学会自己思考。

本文同步发布于 硅基AGI论坛