Zero-shot CoT 零样本思维链
Zero-shot CoT（零样本思维链）是一种提示技巧，通过在问题后追加“Let's think step by step”等指令，引导大语言模型在没有具体示例的情况下进行分步推理，从而显著提升数学、逻辑等复杂任务的准确率。
一句话解释
Zero-shot CoT是一种无需提供任何示例，仅通过在问题后添加特定引导语（如“Let's think step by step”），就能让大模型生成逐步推理过程并得出更准确答案的方法。它建立在Chain-of-Thought基础上，但省去了准备示例的成本。
为什么会被关注
传统Few-shot CoT需要人工准备多个高质量的推理示例，成本高且难以覆盖所有问题。Zero-shot CoT只需一个通用提示就能激活模型的逻辑链能力，且实验表明在数学、符号推理等任务上效果提升显著（如GSM8K准确率提高约10-20%）。
这种方法让提示工程变得更轻量，尤其适合快速部署或数据匮乏的场景。同时它揭示了预训练模型内部已具备推理知识，只需恰当的引导即可释放，对理解大模型能力边界有重要研究价值。
核心逻辑
核心思想是利用大模型在预训练中习得的语言理解和生成能力，通过“分步思考”这一元指令，促使模型从直接输出答案的模式切换到生成中间推理步骤的模式。这类似于人类遇到复杂问题时主动分解为子问题。
实际操作中，常见形式是“Q: [问题] A: Let's think step by step.”，模型会自动生成一系列以“Step 1:”“Step 2:”等开头的推理文本，最后给出答案。该方法不依赖任何例子，仅靠提示语改变生成路径。
常见场景
最典型的应用场景是数学应用题（如算术、方程求解），模型通过逐步计算能减少算术错误。此外，也适用于符号推理（如日期计算、逻辑谜题）、常识推理（如“如何把大象放进冰箱？”）以及需要多步验证的问答。
在编程辅助中，Zero-shot CoT可帮助模型分步解释代码逻辑或生成复杂算法；在客户服务中，可用于拆分用户意图并逐步给出解决方案。凡是需要显式推理链条的任务，都可以尝试用此方法提升效果。
容易混淆的点
容易与Few-shot CoT混淆：Few-shot CoT在提示中给出2-5个完整推理示例，而Zero-shot CoT一个示例也不给。两者底层都依赖分步推理，但使用成本和适用场景不同。Zero-shot CoT更通用，但某些领域问题效果可能不及定制示例。
也容易与简单的“请解释”混淆：普通“请解释”未必触发分步推理，模型仍可能直接输出结论。Zero-shot CoT的Key是明确要求“step by step”，且通常置于答案开始处，才能有效改变生成策略。
本文内容用于 AI 热词解释和概念整理，仅供学习和理解参考。若涉及表述偏差或内容修正，欢迎联系站点进行更新。
相关热词大模型是指通过在海量数据上训练、拥有庞大参数规模的深度学习模型，其核心能力在于理解和生成人类语言及各类内容，是当前生成式AI（如ChatGPT）的技术基石。
思维链是一种提示工程技术，通过要求大语言模型在给出最终答案前，先展示其逐步推理的中间过程，从而显著提升其在数学、逻辑、常识推理等复杂任务上的表现。它模仿了人类解决问题时的思考方式，是理解模型“黑箱”运作的重要窗口。