主题
高频面试题
什么是 CoT 思维链？它的工作原理是什么？
这道题考察你能否把“让模型一步步想”讲成推理机制和工程取舍，而不是只背一句 prompt 技巧。
面试官角度分析，想考什么
- CoT 是什么？
考基础定义。 - 为什么写出中间步骤会提升推理？
考 inference-time compute 和中间状态。 - CoT 适合哪些任务？
考复杂推理边界。 - 生产中为什么要谨慎使用 CoT？
考成本、泄漏、格式和错误链风险。
可直接抄走的 30 秒参考答案
text
CoT，也就是 Chain of Thought，是引导模型先生成中间推理步骤再给答案的方法。它有效是因为复杂推理被拆到多个 token 生成步骤里，模型可以利用前面的中间结果继续推理。它适合数学、逻辑、规划和复杂分析，但会增加 token 成本，也可能污染结构化输出或放大错误推理，所以生产里要按场景使用。面试回答详解，知其所以然
CoT 的核心不是“多写点字”，而是把隐式推理过程显式展开，让模型有更多中间状态可以继续计算。
1. CoT 是什么
Chain of Thought 指在 Prompt 或示例中引导模型先给出推理步骤，再给最终答案。
text
问题 -> 中间步骤 1 -> 中间步骤 2 -> 检查 -> 最终答案典型写法包括“请逐步分析后给出结论”或 few-shot 中展示完整推理样例。
2. 为什么有效
LLM 每生成一个 token 都会基于已有 token 再计算下一步。直接输出答案时，复杂推理被压缩到很短路径里；CoT 让模型生成中间步骤，相当于把推理拆成更多可见状态，给后续 token 提供更明确的条件。
3. 适合场景
- 多步数学题、逻辑题和符号推理。
- 需要比较多个条件的决策分析。
- 复杂代码定位、方案权衡和计划拆解。
- 需要解释依据的开放式分析。
4. 不适合场景
- 简单事实问答，CoT 会增加废话和出错机会。
- 严格 JSON 输出，推理文字可能污染格式。
- 高敏感安全场景，不希望暴露内部推理。
- 现代推理模型，通常更适合给清晰目标和约束，而不是强塞 few-shot CoT。
5. 生产使用方式
生产系统中常把 CoT 思想转化为可控流程：先分析再输出，但最终只返回结论；或者把推理拆成 plan、execute、verify 多阶段，让程序控制中间状态，而不是把完整思维过程直接暴露给用户。
面试官追问3个问题
追问一：Zero-shot CoT 和 Few-shot CoT 区别是什么？
- 考察点：是否理解触发方式。
- 回答方向：zero-shot 用一句逐步思考触发，成本低但不稳定；few-shot 给推理示例，更稳定但占 token。
追问二：CoT 为什么可能让答案更差？
- 考察点：边界认知。
- 回答方向：简单问题会引入无用步骤，错误中间结论会被后续继承，严格格式任务会被推理文字污染。
追问三：生产里要不要展示完整 CoT？
- 考察点：安全和产品意识。
- 回答方向：通常不展示完整内部推理，只展示简洁依据或可审计步骤；敏感决策还要有程序校验和人工确认。
扩展知识
CoT 与推理模型
text
普通模型 + CoT Prompt = 外部触发推理展开
推理模型 = 训练时内化推理展开能力因此对推理模型，Prompt 重点通常是目标、约束和验收标准，而不是教它怎么一步步想。
CoT 的风险
- 错误中间步骤会污染后续结论。
- token 成本和延迟上升。
- 可能泄漏不该展示的内部判断。
- 结构化输出容易被解释文字破坏。