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。
核心事实
时间轴 (近 90 天)
作者忽略了所有CoT（思维链）模型，认为它们浪费token、速度更慢
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
链式思考（Chain-of-Thought，CoT）由Wei等人提出，通过引导模型逐步展示推理过程提升复杂数学和逻辑推理任务准确性
全部知识事实 (11)
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%已验证Chain 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%已验证Agent的实现通常通过ReAct（Reasoning + Acting）框架来实现规划能力
90%已验证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
80%已验证链式思考（Chain-of-Thought，CoT）由Wei等人提出，通过引导模型逐步展示推理过程提升复杂数学和逻辑推理任务准确性
75%待验证作者忽略了所有CoT（思维链）模型，认为它们浪费token、速度更慢
50%待验证在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%待验证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
50%待验证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%待验证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
50%待验证CoT是静态推理链，而ReAct Agent是动态的、与环境交互的闭环系统
50%