配套视频
文章依据这些技术实际有助于解决的问题类型对它们进行梳理，而不是比较哪一种听起来最令人印象深刻。这两段视频从两个角度呈现了同一幅图景：一段由Anthropic从头演示如何构建结构清晰、经过深思熟虑的提示词；另一段则由真正理解其背后搜索机制的人讲解最初的Tree of Thoughts论文。
24:52Anthropic
Anthropic Applied AI团队的两名成员现场构建一个真实提示词，逐步加入角色、结构化章节和明确的思考步骤。这是YouTube上最可信的“如何使用思维链而不将其仪式化”演示，也具体阐明了文章的观点：“不要再把‘让我们一步一步思考’粘贴到所有提示词中。”
您应该从中获得什么: 你可以在提示词中逐层加入角色、结构化章节和明确的思考步骤，而不会把思维链变成一种仪式。
先观看或了解: 扎实掌握提示词基础知识；观看前，最好以文章对各项技术的分类为理解框架。
AI Expert 注释: 选择它，是因为它展示了如何在构建真实提示词时使用思考步骤——这正好纠正了到处粘贴“让我们一步一步思考”的做法，而后者也是文章的核心警示。
29:29Yannic Kilcher
Yannic逐步讲解Princeton/DeepMind最初的Tree of Thoughts论文——生成、评分、剪枝、回溯循环；它为何能将“24点游戏”的准确率从4%提高到74%；以及这项技术在消耗10×token、得不偿失时的界限。它之所以实用，恰恰是因为它迫使你将ToT视为一种搜索算法，而不是神奇的提示词前缀。
您应该从中获得什么: 理解生成、评分、剪枝的推理模式，以及这些模式在实际工作中成本过高的情形。
先观看或了解: 能够适应技术论文讲解；无需事先读过这篇论文。
AI Expert 注释: 收录本视频是为了具体说明ToT是一种会产生实际token账单的搜索算法——实用要点是10x成本这一界限，而不是基准测试数字。
