人类在回答“23 乘以 14 是多少”时，不会凭空蹦出“322”，而是会在很多张纸上列竖式计算。 同样，让 Claude 直接回答复杂的逻辑问题，它可能会“凭直觉”猜一个答案（然后猜错）。
Chain of Thought (CoT) 是一种让模型“列竖式”的技术。通过强制模型将思考过程显性化，可以极大地提高其在数学、逻辑推理和代码生成任务上的准确率。
2.5.1 为什么模型需要“思考时间”？
大语言模型本质上是概率预测机。它是逐个 Token 生成的，就像你在打字时输入法联想下一个词一样。 如果没有 CoT，模型必须在生成第一个 Token 时就决定最终答案。这对于简单的知识检索（“中国首都在哪”）没问题，但对于需要多步推理的问题（“我应该怎么设计这个系统架构”），这就像要求在一秒钟内不仅算出结果，还要直接写在试卷上。
CoT 给了模型一个缓冲区，让它生成更多的 Token 来进行中间计算（Intermediate Computation），从而“推导出”正确答案。
2.5.2 激发 CoT 的两种模式
零样本思维链 (Zero-Shot CoT)
这是最简单粗暴的方法。 只需在 Prompt 结尾加一句咒语：
"Let's think step by step." (让我们一步步思考。)
这句神奇的话能瞬间激活模型的推理模式。
User: "我有3个苹果，吃了2个，又买了5个，分给朋友1个，还剩几个？"
Prompt: "Let's think step by step."
Claude: "1. 初始: 3。 2. 吃了2个: 3-2=1。 3. 买了5个: 1+5=6。 4. 分给朋友1个: 6-1=5。 答案是 5。"
结构化思维链 (Structured CoT via XML)
在企业级应用中，需要更受控的 CoT。不希望用户看到那一长串思考过程，只希望看到最终结果。 这时，可以利用 XML 标签将“思考”和“回答”分开。
System Prompt:
User: "分析一下 A 公司收购 B 公司的风险。"
Claude:
在后端处理时，可以利用正则表达式提取 <answer> 里的内容展示给用户，而将 <thinking> 里的内容作为日志保存，用于后续的 Prompt 调试。
2.5.3 CoT 的进阶技巧
Plan-and-Solve (先计划，后执行)
对于特别复杂的任务（如写代码），仅仅“一步步思考”可能还不够，容易走偏。 可以让 Claude 先写大纲。
Prompt:
Claude:
这种方法显著减少了代码逻辑错误。
Self-Correction (自我修正)
让模型在得出结论前，先自己检查一遍。
Prompt:
2.5.4 什么时候不需要 CoT？
CoT 不是免费的。它会消耗更多的 Token，增加延迟。 以下场景不推荐使用 CoT：
大量简单数据提取：从 1000 份简历提取姓名。（直接提取即可，不用思考）
2.5.5 Claude 的 Extended Thinking (扩展思考模式)
(注：截至 2025 年，先进模型如 Claude 4 Opus/Sonnet 和 Claude 3.5 Sonnet 内置了更强的隐式推理能力)
在最新的 Claude 原生功能中，可以通过参数 extended_thinking=True (假设 API 支持)，让模型在后台进行从数秒到数分钟的深度思考，然后再输出结果。这适用于数学证明、科研难题攻关等极端场景。
现在，Claude 已经学会了如何思考。但作为开发者，还需要它不仅想得对，还要输出得漂亮。如何让它乖乖吐出 JSON 而不是废话？
➡️ 输出格式控制 (Output Formatting)
