Chain of Thought 提示词技巧在 Claude 中的应用

一、Chain of Thought 是什么？为什么有效？

Chain of Thought（思维链，简称 CoT）是一种 Prompt 技巧：在要求 Claude 给出最终答案之前，先让它把中间的推理步骤写出来。

直觉上这很好理解——人类在解决复杂问题时，也会先在纸上列出推导过程，而不是直接跳到答案。强迫自己写出每一步，能发现跳跃性思维导致的错误，也能更清晰地检验逻辑是否连贯。CoT 对语言模型的作用机制类似。

二、四种 CoT 变体

变体一：标准 CoT（提供推理示例）

给 Claude 一个包含完整推理过程的示例，让它模仿这个模式处理新问题：

【示例问题】
一家餐厅有30张桌子，平日上座率60%，周末上座率85%。
每桌平均消费200元，周末有多少天？
问：一周的营业额是多少？

【示例推理过程】
步骤1：确认已知条件
- 总桌数：30张
- 平日上座率：60%，周末上座率：85%
- 每桌平均消费：200元
- 一周：5天平日 + 2天周末

步骤2：计算平日营业额
- 平日上座桌数：30 × 60% = 18张
- 平日单日营业额：18 × 200 = 3600元
- 5天平日营业额：3600 × 5 = 18000元

步骤3：计算周末营业额
- 周末上座桌数：30 × 85% = 25.5 ≈ 25张（向下取整，不能有半桌）
- 周末单日营业额：25 × 200 = 5000元
- 2天周末营业额：5000 × 2 = 10000元

步骤4：汇总
- 一周总营业额：18000 + 10000 = 28000元

【答案】28000元

---

现在用同样的推理方式解答：
一家电影院有200个座位，工作日上座率45%，节假日上座率90%。
票价工作日80元，节假日120元。
假设一周有5个工作日、2个节假日，一周的总票房是多少？

变体二：Zero-shot CoT（不给示例，直接触发推理）

最简单的 CoT 形式——在问题后面加上触发词，让 Claude 自动展开推理：

【几种有效的 Zero-shot CoT 触发词】

1. 经典触发：
"请一步一步地思考这个问题。"
"Let's think step by step."

2. 要求展示过程：
"在给出最终答案之前，先列出你的推理步骤。"

3. 分析框架触发：
"先列出相关因素，逐一分析，最后综合得出结论。"

4. 质疑触发（更严格）：
"先给出一个初步答案，然后找出这个答案可能存在的漏洞，
最后给出修正后的更完整的答案。"

变体三：Self-consistency CoT（多路径投票）

对同一个问题生成多条不同的推理路径，用”多数投票”选出最可靠的答案。适合高风险决策场景：

请从三个不同的分析角度，独立分析以下投资决策，
每个角度都给出独立的结论，最后比较三个角度的结论是否一致：

角度1：财务角度
- 分析投资回报率、现金流、风险敞口

角度2：市场角度
- 分析市场规模、竞争格局、增长趋势

角度3：运营角度
- 分析团队能力、执行难度、资源需求

三个角度分析完后：
- 如果三个角度结论一致，加强这个结论
- 如果有分歧，详细说明分歧点和最终综合判断

决策内容：[投资项目描述]

变体四：Tree of Thoughts（树状推理）

最复杂的 CoT 变体——探索多个解题路径，对每条路径进行评估，选择最优路径深入：

对于以下问题，请用树状思维探索解决方案：

问题：[复杂问题描述]

第一层：列出3-4种完全不同的解决思路（不要展开细节，只列方向）

第二层：对每种思路快速评估：
  - 可行性（高/中/低）
  - 预期效果（高/中/低）
  - 实施难度（高/中/低）

第三层：选择评估最优的1-2条路径，深入展开具体方案

第四层：给出最终推荐，说明为什么这条路径优于其他选择

三、8类场景的 CoT 应用实战

场景一：数学与逻辑推理

CoT 效果最显著的场景——多步骤计算中的任何一步出错都会导致最终答案错误，展示推理过程能及时发现错误：

请解答以下问题，每一步都写出完整的推导过程和计算式，
不要跳步，即使步骤很简单也要明确写出来：

一个水箱，注水管每小时注入12立方米，排水管每小时排出8立方米。
水箱容量为100立方米，初始有20立方米水。
如果同时开启注水和排水，需要多少小时装满？
如果只有排水管，现有的水能排多少小时？

场景二：商业决策分析

我需要决定是否要扩张到新城市，请按以下思维框架逐步分析：

第一步：识别关键决策因素
（列出影响这个决策的所有重要因素，按重要性排序）

第二步：逐因素分析
（对每个因素，评估我们目前的情况如何）

第三步：识别关键风险
（找出如果决策错误，代价最大的3个风险点）

第四步：寻找反驳论点
（列出支持"不扩张"的最有力理由）

第五步：综合判断
（基于以上分析，给出推荐决策和关键前提条件）

背景信息：[公司现状、目标城市情况、可用资源]

场景三：代码调试

这段代码有 Bug，请按以下步骤诊断：

步骤1：理解代码意图
（这段代码试图做什么？）

步骤2：追踪执行流程
（对于给定的输入，逐行模拟执行，写出每个关键变量的值）

步骤3：定位问题
（在哪一步，实际结果与预期不符？为什么？）

步骤4：给出修复方案
（如何修复？修复后重新追踪执行流程验证）

代码：
````python
def find_max_subarray(arr):
    max_sum = 0
    current_sum = 0
    for num in arr:
        current_sum += num
        if current_sum > max_sum:
            max_sum = current_sum
    return max_sum

# 测试：find_max_subarray([-2, 1, -3, 4, -1, 2, 1, -5, 4])
# 期望输出：6，实际输出：6（但对全负数数组会出错）
```

场景四：合同与法律文本分析

分析以下合同条款对我方（乙方）的影响，请按步骤推理：

第一步：字面理解
（这个条款字面上说了什么？）

第二步：潜在解读
（这个条款有没有可能被不同方式解读？列出2-3种解读方式）

第三步：最坏情况分析
（如果对方选择对我方最不利的解读，会发生什么？）

第四步：风险评级
（综合考量，这个条款对我方的风险等级：高/中/低）

第五步：修改建议
（如果风险为中或高，给出具体的修改建议文字）

条款内容：[粘贴合同条款]

场景五：技术架构决策

我需要为以下场景选择数据库方案，请用工程师的严谨思维逐步分析：

第一步：明确需求约束
（从描述中提取关键的技术需求：数据量、读写比例、一致性要求、扩展性等）

第二步：候选方案列举
（列出3-4种可行的技术方案，每个一句话说明核心特点）

第三步：逐方案评估
（对每个方案，用"满足的需求"和"不满足的需求"来评估）

第四步：权衡取舍
（没有完美方案，明确指出每个方案需要接受的核心妥协是什么）

第五步：推荐与理由
（给出推荐方案，并说明在什么条件下这个推荐会改变）

场景描述：[技术需求描述]

场景六：内容质量评估

请评估以下文章的质量，按维度逐步分析：

维度1：论点清晰度
（核心论点是什么？是否在文章中清晰呈现？每次读到文章时是否都能一眼看出？）

维度2：论据质量
（支撑论点的证据是否充分？有没有以偏概全或错误引用？）

维度3：逻辑连贯性
（从前提到结论的推理链是否完整？有没有逻辑跳跃？）

维度4：反驳处理
（文章是否考虑了反对意见？处理方式是否合理？）

维度5：综合评价
（基于以上四个维度，这篇文章的整体质量如何？主要优势和不足各是什么？）

文章内容：[粘贴文章]

场景七：用户行为分析

分析以下用户行为数据，找出关键洞察，请逐步推理：

第一步：数据概览
（描述数据的基本特征：规模、时间范围、涉及的用户群体）

第二步：识别异常
（有哪些数字明显偏高或偏低？找出前3个最值得注意的异常点）

第三步：建立假说
（对每个异常，提出2-3种可能的解释假说）

第四步：用数据验证
（用其他数据来支持或否定这些假说，说明哪些假说被支持、哪些被否定）

第五步：结论与建议
（基于有数据支持的假说，给出1-3条可操作的建议）

数据：[粘贴数据]

场景八：风险评估

评估以下计划的风险，请用结构化思维逐步分析：

第一步：风险识别（穷举法）
（从人员、资金、技术、市场、合规5个维度，各列出可能的风险点）

第二步：风险评估
（对每个风险点，评估：发生概率×影响程度 = 风险值，分高/中/低）

第三步：关键风险深挖
（对风险值为"高"的风险点，分析根本原因和早期预警信号）

第四步：缓解方案
（对每个高风险点，给出具体的缓解措施，而不是"加强管理"这类空话）

第五步：风险接受决策
（综合评估，这个计划的整体风险是否在可接受范围内？）

计划描述：[计划内容]

四、什么时候不需要 CoT？

CoT 不是万能的，在以下场景中它反而是累赘：

五、Python 实现代码

import anthropic
from typing import Optional

client = anthropic.Anthropic()


def zero_shot_cot(question: str, system: str = "") -> str:
    """Zero-shot CoT：直接触发推理"""
    prompt = f"""{question}

请一步一步地思考，在给出最终答案之前展示完整的推理过程。"""

    response = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=2048,
        system=system,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text


def structured_cot(
    question: str,
    steps: list[str],
    system: str = ""
) -> str:
    """
    结构化 CoT：指定推理步骤框架

    Args:
        question: 要分析的问题
        steps:    推理步骤列表，如 ["识别问题", "分析原因", "提出方案"]
    """
    steps_text = "\n".join(
        f"第{i+1}步：{step}" for i, step in enumerate(steps)
    )

    prompt = f"""请按以下步骤逐步分析：

{steps_text}

每个步骤都要写出具体内容，不要跳过任何步骤。

问题/任务：{question}"""

    response = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=4096,
        system=system,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text


def self_consistency_cot(
    question: str,
    n_paths: int = 3,
    system: str = ""
) -> dict:
    """
    Self-consistency CoT：多路径推理，投票选最优答案

    Args:
        question: 问题
        n_paths:  生成几条推理路径（通常2-4条）

    Returns:
        包含各路径结果和综合结论的字典
    """
    # 生成多条推理路径
    paths = []
    for i in range(n_paths):
        prompt = f"""请独立地、从零开始思考以下问题，
展示完整推理过程，给出你的结论：

{question}

（这是第{i+1}次独立分析，请不要受限于固定思路，尝试用不同角度思考）"""

        response = client.messages.create(
            model="claude-sonnet-4-6",
            max_tokens=2048,
            system=system,
            messages=[{"role": "user", "content": prompt}]
        )
        paths.append(response.content[0].text)

    # 整合多路径，投票得出最终答案
    paths_text = "\n\n---\n\n".join(
        f"【推理路径{i+1}】\n{path}"
        for i, path in enumerate(paths)
    )

    synthesis_prompt = f"""以下是对同一问题的{n_paths}条独立推理路径：

{paths_text}

请：
1. 总结各路径的核心结论，找出共识点和分歧点
2. 分析分歧点出现的原因
3. 基于多数共识和最强逻辑，给出最终综合结论
4. 说明你对这个结论的置信度（高/中/低）及理由"""

    synthesis_response = client.messages.create(
        model="claude-sonnet-4-6",
        max_tokens=2048,
        messages=[{"role": "user", "content": synthesis_prompt}]
    )

    return {
        "paths": paths,
        "synthesis": synthesis_response.content[0].text,
        "n_paths": n_paths
    }


def tree_of_thoughts(
    problem: str,
    n_branches: int = 3,
    system: str = ""
) -> str:
    """
    Tree of Thoughts：先探索多个方向，再深入最优路径
    """
    prompt = f"""对以下问题，请用树状思维结构分析：

问题：{problem}

第一层——广度探索：
列出{n_branches}种完全不同的解决思路（每种只需一句话描述方向）

第二层——快速评估：
对每种思路，用"可行性/效果/难度"三个维度快速打分（各1-5分）

第三层——深入最优：
选择总分最高的1-2个方向，展开详细的解决方案

第四层——验证与完善：
对选定方案，找出最大的漏洞并提出应对措施

最终结论：
给出完整的推荐方案"""

    response = client.messages.create(
        model="claude-opus-4-6",    # Tree of Thoughts 用 Opus 效果更好
        max_tokens=4096,
        system=system,
        messages=[{"role": "user", "content": prompt}]
    )
    return response.content[0].text


# ── 使用示例 ─────────────────────────────────────

# 1. 简单计算问题用 Zero-shot CoT
print("=== Zero-shot CoT ===")
result = zero_shot_cot(
    "某公司员工总数320人，计划裁员15%，裁员后再招28人，最终有多少员工？"
)
print(result[:200] + "...")

# 2. 商业分析用结构化 CoT
print("\n=== Structured CoT ===")
result = structured_cot(
    question="是否应该把产品定价从199元提高到299元？",
    steps=[
        "分析当前定价的市场反应",
        "评估竞品定价分布",
        "估算涨价对销量的影响",
        "计算不同场景下的收入变化",
        "综合给出建议"
    ]
)
print(result[:300] + "...")

# 3. 高风险决策用 Self-consistency
print("\n=== Self-consistency CoT ===")
result = self_consistency_cot(
    question="我们应该在下季度大幅增加广告预算（从50万增加到150万）吗？",
    n_paths=3
)
print("综合结论：", result["synthesis"][:200] + "...")

六、CoT 的常见误用与纠正

误用一：对简单任务强制展开推理
“今天是周三，3天后是周几？请一步一步思考。”——这类简单问题强制 CoT 只会让输出变长变啰嗦，没有任何帮助。CoT 是为复杂推理设计的工具，不是”让回答更严谨”的万能咒语。

误用二：推理步骤太宽泛
“请分析这个问题，第一步：分析，第二步：总结”——这种步骤划分太笼统，等于没有划分。有效的 CoT 步骤应该是具体的行动（”计算利润率”）而不是抽象的动词（”分析”）。

误用三：把 CoT 和结论混在一起要求
好的 CoT Prompt 把推理过程和最终结论分开要求。先说”请展示推理步骤”，最后说”给出结论”，而不是在每一步都要求”给出结论”。

误用四：对创意任务强加逻辑框架
创意写作需要直觉和灵感，强行要求”先分析写作目的，再分析受众，再列大纲，最后写作”反而会破坏创意的自然流动。CoT 适合分析型任务，不适合纯创意任务。

常见问题

Q：Claude 的自适应推理和手动触发 CoT 有什么区别？
Claude 4 系列的自适应推理是模型内部的”扩展思考”，推理过程不会显示在输出里。手动触发 CoT 的好处是推理过程可见——你可以检查每一步，发现哪里出了问题，也可以在中途打断并修正方向。对于需要可审计推理过程的场景（如高风险决策、合规分析），手动 CoT 不可替代。

Q：CoT 会增加多少 token 消耗和费用？
取决于推理链的长度。一般来说，带完整 CoT 的输出比直接给结论多消耗 50-200% 的输出 token。但对于真正需要 CoT 的复杂任务，这个费用增加是值得的——错误答案的隐性成本通常远高于多花的几分钱 token 费用。

Q：Self-consistency 需要调用几次 API？
n_paths + 1 次（n条推理路径各一次，加一次综合）。3条路径就是4次 API 调用，费用是单次调用的4倍左右。建议只在高风险、高价值的决策场景使用，不要在日常任务上用。

总结

Chain of Thought 的核心价值是把推理过程从”黑盒”变成”白盒”——不只是得到一个答案，而是得到一个可以被验证、可以被调试的推理链。四种变体适用不同场景：Zero-shot CoT 适合大多数分析任务；结构化 CoT 适合需要固定分析框架的任务；Self-consistency 适合高风险决策；Tree of Thoughts 适合创新性问题求解。记住：CoT 是工具，不是仪式——在真正需要多步推理的场景用，在简单任务上不要强行使用。