為了讓模型能更清楚展現中間推理過程。

出現動機

過去 LLMs 再給答案的時候往往只有輸入和輸出，中間邏輯不可見，難以解釋也難以 debug，我們稱為 黑箱問題。

除此若有複雜推理需求，在數學、邏輯推理、問答任務中，僅憑「一步到位」的答案常常錯誤率高 → 人類解數學題、邏輯題會分步推導，CoT 借用這種「逐步思考」方式，讓模型能循序展開邏輯。

透過分步推理，模型能避免直接亂猜，精準性提升，
顯著改善在 Multi-step Reasoning（多步推理） 的表現。

→ CoT 是為了解決 模型缺乏透明推理 與 複雜任務準確率不足 的痛點而誕生。

實作

CoT 的落地方式可以從 提示設計 → 答案生成 → 系統整合 逐步展開

Prompt 工程

在 prompt 中加上 「Let’s think step by step」 → 引導模型展開逐步推理
可搭配 明確指令（例如「先列出推理，再給答案」）來提高穩定性

Few-shot 提示

提供範例：展示 題目 → 推理過程 → 最終答案
模型會模仿範例格式，提升在類似問題上的表現

多樣化生成

Self-consistency，減少單一路徑錯誤的風險：

1. 讓模型生成多條推理鏈
2. 投票選出最一致的答案