提示工程中有三种技术，可以在高难度分析任务上带来可衡量、可重复的改进：思维链、自我批评和思维树。自2022至2023年那一波推理研究以来，这些技术一直受到学界关注——思维链见Wei et al., 2022，思维树见Yao et al., 2023。尽管专用推理档位已经兴起（当前GPT-5.x和Claude模型的思考模式，以及DeepSeek R1），这些技术依然重要：一方面，它们对快速模型仍然有用；另一方面，它们也决定了你应该如何为推理模型本身编写提示词。
本文将介绍每种技术是什么、该在什么时候使用哪一种，以及相关的成本效益账。
这些技术解决什么问题
这三种技术针对的是同一个根本问题：语言模型通常以自回归方式逐个token生成答案。如果没有单独的审议或搜索阶段，早期生成的token会迅速限制后续内容，使答案过早锁定在薄弱的结论上。对于简单任务，这样做没有问题，也很高效。但对于多步推理、复杂分析，或任何需要正确处理多个中间环节才能得出答案的任务，这种默认方式可能产出看似自信却错误的结果。
这些技术迫使模型在确定答案之前，将更多计算用在中间推理上。
思维链（CoT）
这是最早也最简单的技术。在提示词中加入“给出最终答案前，请逐步思考”之类的语句，模型就会先给出推理过程，再给出结论。
来看一个完整示例。请比较：
**普通提示：**一列火车上午9:00从塔林出发，速度为80 km/h。另一列火车上午9:30从塔尔图出发，以100 km/h的速度驶向塔林。两座城市相距190 km。它们会在什么时间相遇？
以及：
**使用CoT：**同一个问题。请逐步思考。首先，计算第一列火车在第二列火车出发前行驶的距离。然后，列出它们相遇时间的方程。展示计算过程，再给出最终答案。
在高难度算术类问题中，普通GPT-3.5级模型的错误率约为30–50%；使用CoT的版本则接近5–15%。随着模型不断进步，这些数字已经有所变化，但总体趋势——加入CoT能够提升多步任务的准确率——在各代模型中始终一致。
适合使用思维链的情况：
- **多步算术，特别是涉及单位、日期或精确舍入时。**即使是强大的模型也会在这些问题上出错。
- 逻辑谜题以及答案需要通过一连串推理才能得出的类似问题。
- **代码调试，**因为答案取决于对状态变化的追踪。
- **策略分析，**因为结论取决于对多项因素的权衡。
不必使用的情况：
- 简单的事实回忆。“爱沙尼亚的首都是什么？”不需要CoT。
- **生成类任务。**写作、总结、起草。在这些任务中，CoT只会增加token，并不会提高质量。
- **推理模型。**o3、Claude Extended Thinking、DeepSeek R1已经会在内部执行CoT——在提示词中加入“逐步思考”，往好里说是多余，往坏里说则可能适得其反。
最后一点至关重要，我们稍后还会回到这个话题。
自我批评
这是一种分两轮进行的技术。首先让模型生成答案，然后让它批评自己的答案并生成修订版。
提示词结构如下：
第1步：[Your original question]
第2步：审查你上面的答案。找出其中的任何错误、弱点，或你所做但可能并不成立的假设。严格批评你自己的工作。
第3步：根据你的批评，生成修订后的答案。
这种改进源于模型摆脱了第一轮对结论的执着。模型被迫以批评者的视角审视自己的工作，便能发现原本那一轮无法察觉的问题。
更复杂的变体是宪法式/基于原则的自我批评。你先定义答案应该满足的一组原则，再让模型逐项进行评估。
针对这类问题，好的答案应遵循以下原则：
- 回答实际问题，而不是该问题的泛化版本。
- 引用具体证据，而不是含糊地提及来源。
- 在存在不确定性时明确承认这一点。
- 对信心进行恰当校准——在有力的论点上保持自信，在薄弱的论点上使用保留措辞。
生成一个答案。然后根据每项原则对其进行评估。之后再修订答案。
Anthropic的Constitutional AI工作以及现代对齐研究中的类似方法，背后采用的就是这种技术。
适合使用自我批评的情况：
- 希望不离开当前对话就进行第二轮完善的写作任务。
- 模型很可能过度自信的分析工作。
- 希望模型找出自身论证漏洞的决策支持。
- 希望在代码生成后再进行一轮审查的代码任务。
不必使用的情况：
- 不存在可作为修订目标的“正确”答案的任务（创意头脑风暴、想法生成）。
- 你更希望亲自进行批评的任务（任何以你的判断为核心价值的任务）。
- **快速对话回复，**因为此时延迟成本会超过质量收益。
思维树（ToT）
这是成本最高的技术。模型不再只生成一条推理链，而是显式考虑多条路径，评估每一条路径，再选择最有希望的一条。
一个完整示例的结构如下：
第1步：为这个问题生成三种不同的解决方法。
第2步：针对每种方法完成最初的几个步骤，但不要确定最终答案。
第3步：评估哪种方法最有可能成功，并说明原因。具体指出各自的优势和弱点。
第4步：选定最佳方法并完成解答。
思维树之所以有效，是因为有些问题存在多种看似可行的解决路径，而你最先尝试的并不总是最佳路径。通过强制进行并行探索，你可以避免被锁定在次优路径上。
来看一个实际的高难度提示词示例：
我有一条复杂的SQL查询，运行速度太慢。请帮我优化。
第1步：生成三种不同的优化策略。 第2步：针对每种策略，指出它要解决的具体瓶颈及其成本。 第3步：评估哪种策略最有可能以最低风险为我们带来最大的收益。 第4步：实施选定的方法。
与“这是一个改写版本”相比，你得到的结果会明显更有深度：三种方法、相互比较、建议以及实施方案。
适合使用思维树的情况：
- **存在多个可信解决方案的问题。**架构决策、算法选择、战略选择。
- **优化问题。**首次尝试往往不是最佳方案。
- **以探索为目的的创意任务。**命名、框架设计、定位。
- 任何你怀疑显而易见的答案可能有误的任务。
不必使用的情况：
- **只有一种正确解决方法的任务。**如果一条SQL查询就能解决问题，就不要索要三条。
- **简单的事实问题。**没有必要。
- 大多数推理模型任务——如今，这些模型会在内部完成这类探索。
实用决策树
当你面对一个难题时，真正的问题不是“我应该使用CoT、自我批评还是ToT”，而是“这个问题的形态是什么？”
- 线性多步问题（算术、逻辑谜题、严谨推理）→ 思维链。
- 过度自信构成风险的问题（分析、建议、应当经过审查的代码）→ 自我批评。
- 存在多种可行方法的问题（优化、战略选择、创意探索）→ 思维树。
- 对话式、简单或生成式任务 → 都不用，省去额外开销。
还有一种有用的元模式：在自我批评中使用ToT，并在ToT中使用CoT。探索三条路径（ToT），逐步推理每一条路径（CoT），然后批评选定的路径（自我批评）。这听起来有些过度，但对于难度最高的分析工作确实有用。代价是延迟和token；收益则是答案质量得到实质提升。
推理模型如何改变这笔账
自2024年以来，最大的变化是专用推理模型的兴起——o1、o3、Claude Extended Thinking、DeepSeek R1、Gemini 2.5 Thinking。这些模型在输出答案之前会在内部执行思维链，通常会“思考”数十秒甚至数分钟。
这从三个重要方面改变了提示方式：
**1. 不要再加入“逐步思考”。**推理模型本来就会这样做。显式加入这句话可能会让模型困惑或生成多余的内容。直接提问即可。
**2. 相信模型选择的推理长度。**如果你提出一个复杂问题，模型会在内部生成一条很长的推理链。你不会看到全部内容（有些内容隐藏在“思考”模式中）。相应的代价是延迟，请耐心等待。
**3. 使用简单、直接的提示词。**与快速模型相比，推理模型对提示词没那么敏感——它们会通过推理处理歧义，而不是被歧义卡住。对快速模型效果很好的过度设计提示词（大量背景框定、多重约束、结构化模板），有时反而会降低推理模型的输出质量。先尝试更简单的版本。
来看一个完整示例。请比较给推理模型的以下两个提示词：
提示词A：“请逐步思考以下问题。首先，确定关键约束条件。然后列出选项。再根据约束条件评估每个选项。最后做出选择。展示每一步的推理。问题：我们是否应该实行每周四天工作制？”
提示词B：“我们是否应该实行每周四天工作制？背景：一家有80人的B2B SaaS公司，客户支持团队在周一至周五运营。”
对于大多数推理模型，提示词B会生成更好的答案。推理模型已经知道如何思考这个问题；显式的脚手架可能会以有害的方式限制它。
对于快速模型，情况恰恰相反。它们需要脚手架才能生成质量相当的结果。
这是自2023年以来提示工程领域最重要的新事实：在快速模型上效果最佳的同一个提示词，放在推理模型上可能反而更差，反之亦然。
成本效益账
这些技术都有成本。下面是如实的核算：
| 技术 | token成本 | 延迟成本 | 质量提升 | 何时值得使用 |
|---|---|---|---|---|
| 思维链 | ~2–3x | ~1.5–2x | 难题上提升10–40% | 使用快速模型处理多步问题时 |
| 自我批评 | ~2x | ~2x | 整体提升5–20% | 过度自信确实构成风险时 |
| 思维树 | ~3–5x | ~2–3x | 多方法问题上提升10–30% | 存在多条路径的难题 |
| 推理模型（内置） | ~3–10x | ~5–30x | 难题上提升30–100% | 任何真正困难的问题 |
对于大多数日常用途，不采用任何技术的快速模型就足够了。对于难题，合适的技术（或推理模型）值得额外的成本。对于简单任务，所有这些技术都是在浪费金钱和时间。
一条实用原则：**在决定采用某项技术之前，先问问自己，这项任务出错的代价是否大到足以证明该技术的额外成本是合理的。**如果是，就使用合适的技术；如果不是，直接发送提示词即可。
完整示例：一项真正困难的任务
假设你正在评估两份供应商提案，希望得到一份经过恰当校准的比较。
不使用任何技术（普通提示词）：
比较这两份供应商提案[paste]。我们应该选择哪一家？
你会得到一份有所保留、兼顾双方的回答。可以作为起点，但还不够。
使用CoT：
比较这两份供应商提案。请逐步思考：
- 列出对我们的决策很重要的标准。
- 根据每项标准为每家供应商评分。
- 找出分数差异最大的标准。
- 然后给出你的建议。
你会得到结构清晰得多的分析。每一步都清楚可见，你可以核实或纠正。
再加上自我批评：
[same as above]
给出建议后，批评你自己的分析：
- 我可能错误地设定了哪些标准的权重？
- 我做了哪些不该做的假设？
- 支持另一家供应商的最有力、可信的理由是什么？
然后在必要时给出修订后的建议。
批评环节会找出第一轮分析中的盲点。
使用ToT：
比较这两份供应商提案。
第1步：针对这类选择，生成三种不同的决策框架（例如，风险最小化、价值最大化、能力匹配）。 第2步：应用每个框架，得出三项建议。 第3步：这些框架在哪些方面意见一致？在哪些方面存在分歧？ 第4步：考虑到我们的实际约束，哪个框架最合适？给出最终建议。
你会从三个不同角度看待这项选择；差异之处正是最值得思考的地方。
使用推理模型：
比较这两份供应商提案。我们应该选择哪一家，为什么？请说明哪些因素会改变你的答案。
推理模型会在内部完成上述所有工作。其输出通常能与经过大量提示的快速模型输出相当，甚至更好，而实际耗时大致相同。
在2026年，对于真正困难的分析工作，使用干净提示词的推理模型通常是正确选择。CoT和ToT对快速模型仍然有用，而无论底层模型是什么，自我批评作为额外一层仍然有用。
几个实用习惯
**让自己清楚使用了哪种技术。**在提示词中记下你使用的技术，这有助于你培养对哪些方法有效的直觉。
**比较输出。**每周一次，分别在使用和不使用某项技术的情况下运行同一个高难度提示词，看看结果有何不同。你很快就能判断何时值得付出这项技术的成本。
**不要不加思考地堆叠技术。**把CoT + 自我批评 + ToT + 推理模型全都堆在一起，通常不如选择合适的一种。每增加一层都会增加成本；只有当某一层确实能改善你这项具体任务的答案时，才应添加。
**将这些技术收入你的提示词库。**准备好“使用CoT”“使用自我批评”“使用ToT”的片段，并将其应用于当前任务，可以省下反复输入脚手架的大量时间。
要点总结
三种技术，各有最适合的场景。思维链适合线性多步问题；自我批评适合发现过度自信；思维树适合有多种解决方法的问题。推理模型会在内部执行前两项技术，从而改变成本效益账——但这些技术仍然重要，既适用于快速模型，也可以作为叠加在模型之上的模式。
根据问题选择合适的技术。当它们无法带来对得起成本的收益时，就不要使用。理解“更难的问题”和“不同的问题”之间的差别，其他一切都会由此展开。
