思维链底层逻辑，换个Prompt性能飙升50%

本文带你揭开思维链（CoT）的底层逻辑，告诉你如何通过“编程”式 Prompt，将 LLM 的推理能力压榨到极致。🚀

1. 揭开黑箱：CoT到底在“想”什么？

我们都知道，LLM 的内部工作像个黑箱。它在生成答案前，内部的隐藏状态其实已经进行了一场信息风暴，包含了对任务的理解、计算、甚至还有点“小情绪”（比如置信度）。但这些我们都看不见，也摸不着。

想象一下你在做一道复杂的数学题。在你动笔之前，你的大脑里已经闪过了很多念头：这道题属于什么类型？我以前做过类似的吗？关键的数字是哪些？我可能会在哪个地方犯错？

LLM 的隐藏状态 h 就类似于你大脑里这些瞬时、复杂、高维度的思绪集合。它是一个巨大的向量（一长串数字），用数学方式编码了模型到目前为止对所有输入信息的理解，包括但不限于：

语义理解：这个词是什么意思？这句话的语法结构是什么？
事实知识：与问题相关的背景知识。
中间状态：上一步计算得出的结论或部分结果。
元认知信息：模型对当前生成内容的“自信程度”、潜在的歧义、可能的错误方向等。

思维链（CoT）的出现，就像是给这个黑箱装上了一个“思想监视器”。

图片说明：通过生成辅助 Token（中间步骤），近似了循环网络的计算方式