第 4 篇：让 AI"慢思考"：思维链与进阶提示技巧

📍 专题位置：第 4/8 篇

📊 难度：进阶

⏱️ 预计阅读：18 分钟

🔗 上一篇：第 3 篇「AI 工具箱」| 下一篇：第 5 篇「拿来就用：AI 场景实战全攻略」

---

你有没有遇到过这种情况：你问 AI 一道数学题，它答错了。你心想"这 AI 真笨"。

但你有没有想过：不是你问了笨问题，是你没让它"打草稿"。

你可能不知道——同样一个问题，加一句"请一步步推理"，正确率可以从 33% 飙到 72%。

本文核心观点：AI 和人一样——让它"想快"它就瞎猜，让它"慢慢想"它就靠谱。三种进阶技巧帮你驯服复杂任务。

---

一、思维链（Chain-of-Thought）：逼 AI 打草稿

核心原理

AI 的默认模式是：看你的提示词 → 直接输出答案。

但面对复杂任务（数学、逻辑推理、多步骤分析），直接跳到答案往往出错。为什么？回到第 1 篇的核心认知：AI 是猜词机器，它在预测"看起来最合理的下一个字"。如果推理链条太长，它跳过中间步骤直接猜答案，猜错就是大概率事件。

思维链（Chain-of-Thought，简称 CoT）的解决思路很简单：不要让它直接跳到答案——逼它把"草稿"打出来。

实战对比

看这两个例子：

不用 CoT：

Q：小明有 30 个苹果，卖出 15 个，又进货 20 个，现在有几个苹果？
A：35 个（可能对也可能错，AI 在直接"猜"）

Q：小明有 30 个苹果，卖出 15 个，又进货 20 个，现在有几个苹果？

A：35 个（可能对也可能错，AI 在直接"猜"）

Q：小明有 30 个苹果，卖出 15 个，又进货 20 个，现在有几个苹果？
请一步步推理：
第一步：计算卖出后的数量
第二步：计算进货后的数量
第三步：给出最终答案
A：
第一步：小明原有 30 个苹果，卖出 15 个，剩余 30-15=15 个
第二步：又进货 20 个，15+20=35 个
第三步：最终答案：35 个

用 CoT：

请按以下步骤分析：
第一步：[描述第一步应该做什么]
第二步：[描述第二步]
第三步：[描述第三步]
最后：给出结论

Q：小明有 30 个苹果，卖出 15 个，又进货 20 个，现在有几个苹果？

请一步步推理：

第一步：计算卖出后的数量

第二步：计算进货后的数量

第三步：给出最终答案

A：

第一步：小明原有 30 个苹果，卖出 15 个，剩余 30-15=15 个

第二步：又进货 20 个，15+20=35 个

第三步：最终答案：35 个

请把以下客户反馈分类为：产品问题 / 服务问题 / 咨询。
反馈："App 老是闪退，根本没法用"

同样的模型，同样的问题——前者猜一个数字，后者一步步算出来。准确率从 33% 变成 72%，不是 AI 变聪明了，是它被"逼着打草稿"了。

CoT 的三个使用场景

不是所有问题都需要 CoT。它最适合三类任务：

万能 CoT 模板

你可以把这个模板直接加在任何复杂任务后：

请根据以下示例对客户反馈分类。输出格式：反馈内容 → 类别

示例 1："密码重置邮件一直收不到" → 产品问题
示例 2："客服态度很差，等了半小时没人理" → 服务问题
示例 3："怎么升级到高级版？" → 咨询

现在请分类："App 老是闪退，根本没法用" →

请按以下步骤分析：

第一步：[描述第一步应该做什么]

第二步：[描述第二步]

第三步：[描述第三步]

最后：给出结论

请输出以下 JSON 格式：
{
  "products": [
    {"name": "产品名", "price": 价格数字, "category": "分类"}
  ]
}

现在处理以下数据：降噪耳机 299 电子 / 运动水壶 89 户外 / 机械键盘 459 电子

小技巧：如果你不确定需要多少步，只需要说"请一步步推理"——大多数现代 AI 也能自动展开推理过程。

---

二、少样本学习（Few-shot）：给 AI 看"示范作业"

核心原理

AI 有一个神奇的能力：你给它 2-3 个例子，它就能理解你想要什么格式、什么风格、什么逻辑——然后精准模仿。

这就像你教一个实习生：与其说"把客户反馈分类"，不如给他看三张已经分好类的卡片，说"照这个做"。

从失败到成功

不用 Few-shot：

{
  "products": [
    {"name": "降噪耳机", "price": 299, "category": "电子"},
    {"name": "运动水壶", "price": 89, "category": "户外"},
    {"name": "机械键盘", "price": 459, "category": "电子"}
  ]
}

请把以下客户反馈分类为：产品问题 / 服务问题 / 咨询。

反馈："App 老是闪退，根本没法用"

1. 写初版提示词 → 看输出
2. 找出不满意的点 → 在提示词里补一条具体约束
3. 再跑一次 → 看改进效果
4. 重复 2-3 轮 → 得到稳定可用的提示词
5. 保存下来 → 以后直接复用

AI 可能正确分类，也可能给你一段小作文。结果不稳定。

用 Few-shot：

请根据以下示例对客户反馈分类。输出格式：反馈内容 → 类别

示例 1："密码重置邮件一直收不到" → 产品问题

示例 2："客服态度很差，等了半小时没人理" → 服务问题

示例 3："怎么升级到高级版？" → 咨询

现在请分类："App 老是闪退，根本没法用" →

给完三个示例后，AI 不仅分类正确，而且输出格式也自动匹配。你甚至不需要说"只输出类别名称"——它自己就懂了。

Few-shot 的最佳实践

1. 示例要"典型 + 多样"

2. 示例顺序有讲究

把最重要的示例放在最后——AI 对最后看到的示例记忆最深。

3. 示例和实际场景要一致

你的示例里用的格式（冒号、箭头、换行），就是你希望 AI 输出的格式。别示例用箭头、实际任务期望用表格——AI 会混乱。

---

三、结构化输出：让 AI 直接"吐"数据

问题

当你需要 AI 输出可以被程序读取、可以复制到 Excel、可以导入数据库的内容时，自由文本是最糟糕的格式。

❌ "把这个表格转成我能用的格式" → AI 可能给你一段文字描述

解决

✅ "把这个表格转成 JSON 格式，字段名为 name/price/category"

请输出以下 JSON 格式：

{

"products": [

{"name": "产品名", "price": 价格数字, "category": "分类"}

]

}

现在处理以下数据：降噪耳机 299 电子 / 运动水壶 89 户外 / 机械键盘 459 电子

AI 会精准输出：

{

"products": [

{"name": "降噪耳机", "price": 299, "category": "电子"},

{"name": "运动水壶", "price": 89, "category": "户外"},

{"name": "机械键盘", "price": 459, "category": "电子"}

]

}

常用输出格式速查

---

四、迭代优化：好提示词是"改"出来的

还有一个被严重低估的技巧：不要指望第一版就完美。

把写提示词当成写代码——第一版跑通，第二版优化，第三版加边界处理。AI 的每次输出都是你改进下一版提示词的线索。

迭代流程：

关键心态：第一次输出不对，不是 AI 不行，是你的提示词少了一个约束条件。

---

五、这些技巧的边界

每种技巧适合不同场景，不是越多越好：

---

六、本篇总结

一句话记住：让 AI 慢下来，它就能聪明起来。

你现在掌握了三种进阶技巧：

---

下一篇预告：技巧学会了，是时候把它们用到真实的场景中了——写作、编程、数据分析、学习。下一篇，我们进入实战战场。👉 [第 5 篇：拿来就用：AI 场景实战全攻略]()

---

✏️ 配套练习：