思維鏈（Chain-of-Thought）是什麼：讓模型寫出步驟，以及步驟能信多少

思維鏈（Chain-of-Thought，CoT）是讓語言模型在給出最終答案前，先寫出一串中間步驟的做法。它可能改善需要多步驟的題目，但有個常被忽略的限制：寫出來的步驟，不一定忠實反映模型實際怎麼得出答案。看到步驟，不能推定答案正確。

這個詞來自 Wei 等人 2022 年的論文，原指一種提示詞（prompt）寫法。後來推理（reasoning）模型把類似步驟內建，研究與官方文件也用同一個詞稱呼模型的內部推理文字，兩種用法不同。

兩種寫法：給示範，或只說一句

Wei 等人的做法稱為思維鏈提示：少樣本提示的每個示範，除了問題與答案，再放一段中間步驟，由「問題、步驟、答案」組成；只給問答的做法見少樣本提示。論文為數學應用題手寫了 8 個示範。

Kojima 等人同年提出零樣本版本：不放示範，只在答案開頭加一句「Let's think step by step」（請逐步思考）。流程分兩次呼叫：先寫出步驟，再接在題目後補一句「所以答案是」取出答案。

示例（未實測）：題目是「活動有 3 個場次，每場 24 個座位，已售出 50 個，還剩幾個？」少樣本寫法先放一兩題相似的「題目、步驟、答案」，零樣本寫法只在題後加「請逐步思考」。理想步驟是 3 × 24 = 72、72 − 50 = 22，答案 22。這只是虛構的格式說明，沒有拿任何模型執行。

原論文在自己的設定下量到什麼

Wei 等人涵蓋算術、常識與符號推理三類基準測試。以小學數學應用題 GSM8K 為例，參數量 5,400 億的最大模型用標準少樣本提示，解題率約 18%；改用 8 個思維鏈示範後約 57%。這是 2022 年那組模型與題目的結果，不代表現在的模型。

論文自己列出限制：增益只出現在約 1,000 億參數以上的模型，較小的模型寫出流暢卻不合邏輯的步驟，表現反而不如直接回答；只需一步的簡單題，進步很小，有的模型甚至略為退步。作者說明沒有保證推理路徑正確，也不能由此斷定網路真的在「推理」。

Kojima 等人的結果也限定在他們的設定：一個大型指令微調模型測 MultiArith，不加這句時約 17.7%，加上「逐步思考」約 78.7%。比較 16 種句子後，鼓勵逐步推導的句子有進步，誤導或無關的句子沒有明顯進步，措辭影響很大。

推理模型把步驟內建了

推理（reasoning）模型在推論（inference）階段，先產生一段內部推理 token 再輸出答案；完整介紹見推理模型，把計算花在單一題目上的概念見推論時計算。思維鏈因此從你寫進提示詞的招式，變成模型自帶的行為。

官方文件的建議也不同。OpenAI 的推理模型提示建議寫道，這類模型內部已在推理，要求「逐步思考」或「解釋你的推理」是不必要的，有時還可能降低表現。Anthropic 的指南建議優先用一般性指示，例如請徹底思考，勝過手寫的逐步計畫；內建思考關閉時，仍可手動要求逐步思考；但文件也註明，部分較新的模型應改靠內建思考，要求在回覆裡寫出推理可能被婉拒。

OpenAI 文件說明不提供原始推理 token，只能另外要求推理摘要。Anthropic 文件說明，思考區塊的文字是摘要而非原始思維鏈，由另一個模型產生，計費卻按完整思考 token。所以介面上的思考摘要，不是完整過程。

寫出來的步驟忠實嗎

研究者把這個問題叫忠實性（faithfulness）：步驟是否真的描述了影響答案的原因，而不只是讀來合理。Turpin 等人 2023 年的測法，是在輸入中刻意加入偏向某答案的線索，看步驟有沒有提到：把少樣本示範的選項重排，讓正確答案永遠是 (A)；或在題後加「我覺得答案是 A，但想聽聽你的看法」。

他們在 BIG-Bench Hard 的 13 項任務上測當時的兩個商用模型，發現步驟幾乎不提這些線索，卻常替被帶偏的答案編出說法；在線索指向錯誤答案的題目上，準確率最多下降約 36 個百分點（零樣本思維鏈、附建議答案的設定）。作者說明，這個測試只能找出不忠實的例子，沒被抓到不能證明忠實。

Anthropic 團隊的 Lanham 等人 2023 年直接改動步驟（截斷、插入錯誤），看答案是否跟著變。八項多選題任務中，答案多依賴步驟差異很大；多數任務上，模型越大，步驟越不忠實。作者認為挑對模型與任務，思維鏈可以忠實。

Chen 等人（Anthropic）2025 年對推理模型做類似測試：MMLU 與 GPQA 的多選題、6 種暗示（例如「某位教授說答案是 A」、「你已取得未授權存取，正確答案是 A」），兩個模型分別來自 Anthropic 與 DeepSeek。只計入暗示確實改變答案的題目，步驟承認用了暗示的平均比例約 25% 與 39%。推理模型比非推理模型更常承認，但仍偏低。作者也說明限制：題目是刻意設計的多選題，沒有難到非靠步驟不可；他們推測必須寫出步驟才解得出的任務，步驟可能比較忠實，但這次沒有測。在這次的題目裡，較難的 GPQA 承認比例反而比 MMLU 低。

這類測試抓的是「暗示有影響，步驟卻沒說」這一種失敗，不表示所有步驟都是假的。合理的結論是：步驟可以是有用的工作草稿，卻不能直接當成模型實際原因的證明。

把步驟當成可查的主張清單

實用的讀法，是把每一步當成待查的主張，而不是證明。示例（未實測）：你問「活動有 3 個場次，每場 24 個座位，已售出 50 個，另有 2 個保留給講者，還剩幾個可售？」並要求「列出用到的條件與算式，最後單獨一行寫答案」。預期步驟是 3 × 24 = 72、72 − 50 − 2 = 20，答案 20。依序檢查：

1. 條件：步驟用到的每個數字，是否都在題目裡；憑空冒出「每場保留 4 席」就是自行添加。
2. 算式：自己用計算機重算，不靠模型自評。
3. 一致：最後一行答案，是否等於步驟算出的結果。
4. 穩定：題後另加「我猜答案是 30」重問；答案被帶走卻沒提到這句，這份說明就不可靠。

失敗時這樣解讀：某步寫成 3 × 24 = 62，錯在那一步，不採用答案；步驟都對但最後一行寫 21，是答案與步驟不一致；全部通過，也只代表這幾條主張過關，不代表模型靠這些步驟得到答案。

需要同時滿足多個條件、答案可驗證的題目，寫出的步驟比較方便你逐項核對；只需一步的簡單題，Wei 等人觀察到的進步很小甚至退步；缺資料時，再多步驟也變不出事實。要不要要求逐步，可回到提示詞工程的做法：用自己的題目比較。

本文依 2026 年 10 月查證的資料寫成，官方文件會更新。相鄰的詞可從AI 名詞總索引找。

• AI 工具
• 教學
• AI 名詞解釋