CoT
链式思维（Chain of Thought，CoT）是一种用于提升大型语言模型推理能力的提示方法。其核心思想是在生成最终答案之前，引导模型逐步输出中间推理步骤，从而将复杂问题分解为一系列有序的子步骤。该方法广泛应用于数学推理、逻辑推断和多步骤问答等任务，能够显著提高模型在复杂任务上的准确性和可解释性。
Core Facts
Timeline (last 90 days)
在Agent开发中，CoT常作为规划模块的底层机制，帮助模型将复杂目标拆解为可执行的子步骤，ReAct负责与外部工具和环境交互，两者互为补充
Agent核心架构包括CoT/ReAct思维链、RAG检索增强和模型记忆机制三大核心技术
让大模型进行可靠评分的最佳实践包括使用评分量表(Rubric)、多维度分别评分再加权、Few-shot示例校准和CoT要求逐项分析，还可采用多次采样取均值或temperature=0
ReAct交替进行推理与行动，CoT通过中间步骤提升单步推理质量，ToT通过树状搜索探索多条解题路径
CoT的核心发现是当模型被要求逐步思考时，在算术、常识推理等任务上的准确率大幅提升
All Facts (8)
思维链推理（Chain-of-Thought, CoT）由Google Brain团队在2022年提出，通过引导模型展开逐步推理来提升复杂任务的准确率
90%VerifiedChain of Thought能显著提升模型在数学推理、逻辑判断等需要多步推导的任务上的表现
90%VerifiedAgent的实现通常通过ReAct（Reasoning + Acting）框架来实现规划能力
90%VerifiedCoT的核心发现是当模型被要求逐步思考时，在算术、常识推理等任务上的准确率大幅提升
80%Unverified在Agent开发中，CoT常作为规划模块的底层机制，帮助模型将复杂目标拆解为可执行的子步骤，ReAct负责与外部工具和环境交互，两者互为补充
50%UnverifiedAgent核心架构包括CoT/ReAct思维链、RAG检索增强和模型记忆机制三大核心技术
50%Unverified让大模型进行可靠评分的最佳实践包括使用评分量表(Rubric)、多维度分别评分再加权、Few-shot示例校准和CoT要求逐项分析，还可采用多次采样取均值或temperature=0
50%UnverifiedReAct交替进行推理与行动，CoT通过中间步骤提升单步推理质量，ToT通过树状搜索探索多条解题路径
50%