Tree of Thoughts

一句话解释

Tree of Thoughts（思维树）是一种让大语言模型在解决复杂推理问题时，主动生成多个可能的中间思考步骤，并通过评估和回溯选择最优路径的技术。它与传统的线性推理不同，更接近人类在探索多种方案后的决策过程。

为什么会被关注

传统思维链（CoT）方法在需要多步推理的任务中表现不错，但遇到需要回溯或探索多种可能性的复杂问题（如谜题、数学竞赛题）时容易陷入局部最优。思维树引入了搜索算法，让模型可以同时考虑多个分支并利用评估函数进行剪枝，大幅提升了成功率和推理深度。此外，该方法无需额外训练，直接应用于现有大模型，降低了应用门槛。

核心逻辑

思维树的核心是将推理过程建模为一棵树：树根是初始问题，每个节点是一个中间思考（例如一个问题分解步骤或一个子结论）。模型在每个节点生成多个候选节点，然后使用评估函数（如启发式打分或模型自身生成的置信度）选择最有可能的分支继续探索。如果某个分支最终失败，模型可以回溯到上一个节点重新选择。整个过程通常基于广度优先搜索或深度优先搜索实现。

常见场景

思维树特别适合需要探索多种可能性并做出决策的任务，例如数学应用题（如24点游戏）、逻辑推理谜题、策略规划（如国际象棋走法）、代码生成中的算法设计，以及需要多步验证的问答系统。在这些场景中，思维树能够帮助大模型避免陷入错误路径，并在有限的步数内找到正确解答。

容易混淆的点

很多人会将思维树与思维链（CoT）混为一谈，但思维链只有一条线性路径，而思维树允许分支和回溯。另外，思维树并非真正的树结构算法实现，而是利用大模型自身的语言生成能力模拟搜索过程，与传统的“树搜索”不同——它不需要外部知识库或预定义的搜索空间。还有，思维树与“自我一致性”方法也不同，后者是通过多次采样求众数，而前者是主动探索并评估分支。