在上一节拆解 Agent 核心组件时，我们提到了 “思考与规划（Planning）”。当 Agent 面对一个复杂任务时，它不会盲目动手，而是会先在大脑里拆解步骤。
这种能够让大模型进行多步逻辑推理、拆解任务的核心技术，就是我们今天要介绍的——思维链（CoT）。
什么是思维链（CoT）？
思维链，也就是 “Chain of Thought（简称 CoT）”。简单来说，思维链就是让大模型在给出最终答案之前，先把中间的推导过程一步一步地写出来。
比如我们随手问 DeepSeek 一个问题，他中间 “思考” 的那一部分，就是它的思维链，如下图所示。
想更直观地理解思维链，咱们可以回想一下：小时候做高难度应用题时，自己是怎么做的。
- 传统大模型的回答（脱口而出）：老师刚把一道复杂的鸡兔同笼题念完，你连笔都没动，就脱口而出一个数字：“答案是 35！”。这种凭直觉的瞎猜，十有八九是错的。
- 思维链的回答（打草稿）：你拿出草稿纸，一步步地想：“第一步，先假设笼子里全是鸡，算出这时一共有多少条腿；第二步，拿实际的总腿数减去这个假设腿数，得到多出来的腿数；第三步，把多出来的腿数除以 2，就是兔子的真实只数……”经过一行行严密推导，你才敢确定：“所以正确答案是 42。”
放到 AI Agent 里，思维链（CoT）说的就是：强制大模型在给出最终答案之前，必须先把中间的 “推理过程” 和 “逻辑草稿” 一五一十地全写出来。
神奇的是，当大模型开始这样 “自言自语” 地一步步推导时，那些它原本做不对的复杂数学题、理不清的业务代码结构，往往一下子就解开了——它的逻辑推理能力，也跟着大幅提升。
为什么这样管用呢？因为大模型本质上是 “顺着上文一个字一个字往下写” 的——把每一步都明明白白写出来，写下一步时就有了可靠的依据，而不用 “一步登天” 地直接猜出最终答案。
此外需要注意的是，如果你是调用大模型 API，那么大模型写出的所有 “推导过程（草稿）”，全部都会被计入 “输出 Token” 中并产生计费。
提示: 对于 AI Agent 来说，思维链就是它的 “草稿纸”。
为什么需要思维链？
在传统的问答模式中，大模型使用的是 “快思考”。我们一提问，它就直接凭概率把答案吐出来。这套路应付简单问题没问题，可一旦碰上复杂的数学计算、或者多重逻辑推理，它就很容易因为跨度太大而产生 “幻觉”，直接给出一个错误的结论。
一旦加上思维链，大模型就被强制进入了 “慢思考” 状态。
举个例子，我们问大模型：“小明有 5 个苹果，吃掉了 2 个，然后去超市又买了他剩下苹果数量的 3 倍。请问他现在有几个苹果？”
- 如果不使用思维链（直接回答）：大模型可能会被这几个数字绕晕，凭概率随手拼出一个错的：“小明现在有 9 个苹果。”
- 如果使用思维链（一步步推导）：大模型会这样输出：
- 第一步：小明原本有 5 个苹果，吃掉 2 个，剩下 5 - 2 = 3 个。
- 第二步：去超市买了剩下数量的 3 倍，也就是买了 3 * 3 = 9 个。
- 第三步：现在一共有的数量是，剩下的 3 个加上新买的 9 个，3 + 9 = 12 个。
- 最终答案：小明现在有 12 个苹果。
就这样，把一个问题拆成一个个小步骤，大模型的逻辑准确率就被大大提上来了。
不过我们也别滥用思维链：它主要用来对付复杂的推理题。如果只是问 “今天星期几” 这种简单问题，还硬让它一步步推，反而是白白多花 Token、多等时间。
思维链在 AI Agent 中的作用
在 AI Agent 的实际运行中，思维链可不只是用来做数学题——它更是整个 Agent 能自主干活的底层逻辑支撑。
当我们给 AI Agent 下达一个复杂的业务指令（比如：“帮我分析竞品 A 的最新财报，并写一封邮件汇报给老板”）时，Agent 的大脑就得靠思维链，来一步步规划接下来的动作：
- Agent 开始思考（运用 CoT）：为了完成这个任务，我需要先拿到竞品 A 的财报，然后提取关键数据，最后把数据转化成邮件格式。
- 第 1 步决策：我需要调用 “联网搜索工具”，查询竞品 A 的最新财报。
- 观察结果：获取到了财报文本。
- 第 2 步决策：我需要调用 “文本分析工具” 提取核心营收数据。
- 第 3 步决策：我需要调用 “邮件发送工具”，把总结好的内容发送给老板。
要是没有思维链，Agent 看到你这一长串指令，根本不知道第一步该迈哪只脚，更别说把后面一连串的工具调用顺顺当当串起来了。
如何触发思维链？
对普通用户和开发者来说，触发大模型的思维链特别简单，而且几乎不花钱。主要有下面 2 个技巧。
1. 在提示词中加入 “魔法咒语”
我们完全不用改底层代码、也不用做微调，只要在 Prompt（提示词）的结尾，加上一句话就行：
请一步一步地思考（Let's think step by step）没错，就这么简单的一句话，就能逼着大模型打开内部的推理过程，让逻辑准确率明显往上窜！这种做法，业界叫它 “零样本思维链（Zero-shot CoT）”。
2. 直接提供推导示例
如果是做企业级应用、希望推理过程更严谨，咱们还可以在提示词里先给大模型一个 “带完整推导过程的标准答案” 做示范。
这样一来，大模型在处理新问题时，就会自动照着你给的推理步骤去思考。这种做法也叫 “少样本思维链（Few-shot CoT）”。
提示: 关于 “零样本” 和 “少样本” 的概念，我们在后续 “少样本提示” 一节中会详细介绍。
未来的演进：原生推理模型
随着技术的发展，现在越来越多的主流大模型，已经通过专门的训练，把 “先一步步推理、再回答” 变成了自己的默认技能——这类模型也被称为 “推理模型”。
当我们使用 DeepSeek 这类模型时，已经不再需要手动加 “请一步一步思考”了。它们收到问题后，会在后台自动进行长时间的自我推理、反复纠错，甚至生成长达几万字的隐藏思维链，直到推出严谨的答案，才把结果给你。
这里小伙伴们需要清楚：对于通用模型（普通模型），还是要靠我们手动加 “咒语” 才会一步步思考；而对于推理模型（比如 DeepSeek-R1、OpenAI 的 o 系列），它们是在训练时就学会了自己思考，根本不用我们提醒。
总的来说，思维链（CoT）让大模型有了超强的逻辑拆解能力。当 AI Agent 靠着思维链想清楚了 “第一步该干什么” 之后，接下来，它就要去真实世界里动手操作工具了。
