这两个概念是大语言模型（LLM）推理能力演进中的关键范式，有继承关系但定位不同。
🔗 链式思考（Chain-of-Thought, CoT）
定义
让模型用自然语言显式生成中间推理步骤，再得出最终答案的提示技术。
核心思想：模拟人类“边想边写”的解题过程，将复杂问题拆解为可验证的子步骤。
核心流程
graph LR
A[提出问题] --> B[识别关键信息]
B --> C["检索相关知识/规则"]
C --> D[执行第一步推理]
D --> E[生成中间结果]
E --> F{"是否需要更多步骤？"}
F -- 是 --> G[执行下一步推理]
G --> E
F -- 否 --> H[整合所有中间结果]
H --> I[得出最终答案]
关键变体
| 类型 | 特点 | 示例 |
|---|---|---|
| Zero-Shot CoT | 无需示例，仅加提示词 | 如“请逐步思考并回答” |
| Few-Shot CoT | 提供含推理步骤的示例引导模型 | 更稳定，但需精心设计示例：请按照以下格式回答：【思考过程】1. 首先:... 2. 然后:...4. 最后:...【最终答案】... |
🌰 举个例子
提问：如果一个苹果5元，买3个苹果需要多少钱？
思考过程：
1. 一个苹果5元
2. 买3个苹果
3. 5 × 3 = 15元
→ 这正是 CoT 的典型输出：结构化推理链 + 最终答案。
✅ 价值
- 提升数学/逻辑类任务准确率（Google 2022论文验证）
- 增强结果可解释性（人类可追溯错误步骤）
- 降低幻觉（步骤约束减少胡编）
🤖 ReAct（Reasoning + Acting）
定义
CoT 的增强框架（Yao et al., 2022），在推理中动态调用外部工具（搜索、计算器、API等），形成“思考→行动→观察→再思考”的闭环。
核心流程
flowchart LR
A[用户问题] --> B{"推理<br>（Reason）"}
B -->|需外部信息| C["行动<br>（Act）<br>调用工具"]
C --> D["观察结果<br>（Observe）"]
D --> B
B -->|信息充分| E[生成最终答案]
🌰 对比示例
| 问题 | CoT 回答（仅内部推理） | ReAct 回答（含工具调用） |
|---|---|---|
| “巴黎现在几点？” | ❌ 可能编造（模型无实时知识） | 1. 思考：需查实时时间 2. 行动：调用天气API 3. 观察：API返回"15:30" 4. 思考：结合时区计算 → 输出正确时间 |
✅ 价值
- 突破模型知识边界（接入实时数据/专业工具）
- 减少事实性错误（用工具验证关键信息）
- 支撑复杂任务（如“订机票+查天气+规划行程”）
🌟 总结
| 维度 | Chain-of-Thought (CoT) | ReAct |
|---|---|---|
| 核心能力 | 纯文本推理（内部知识） | 推理 + 工具交互（外部知识） |
| 输出内容 | 思考步骤 + 答案 | 思考 → 行动指令 → 工具结果校对 → 新思考 → 答案 |
| 适用场景 | 数学题、逻辑题（知识封闭） | 需实时数据、API调用、多步骤操作（知识开放） |
| 优势 | 提升数学/逻辑类任务准确率 | 突破模型能力边界 |
