CoT 思维链
CoT 让模型先写中间步骤再给答案，本质是把计算摊到更多 token 上。推理模型时代手写「请一步步思考」的收益大幅缩水 —— 思考已经内置且可按 effort 调档；仍值得手写的是任务特定的推理结构，而 self-consistency 之类的多采样投票要拿成本换稳定。
也叫：CoT · 思维链 · chain of thought · self-consistency · 一步步思考
核心概念：先打比方，再给定义出自 T1-1
Zero-shot / Few-shot（零样本 / 少样本）。不给示例 / 在提示词里给几组输入输出示例。
In-context learning（上下文学习）。模型不更新任何参数，仅凭上下文里的示例调整自己的行为。
这里有一个必须先立住的祛魅：few-shot 主要传递的是「格式与任务边界」，不是「知识」。 它教的是「答案长什么样、什么算合格」，不是「怎么想才能想对」。很多人把它当成一种廉价的训练，这是根本性的误解——也正是前面那个故障的思想源头。
CoT（Chain of Thought，思维链）。让模型把中间推理步骤写出来，再给最终答案。
手写 CoT vs 内化 CoT。前者是你在提示词里要求它一步步想；后者是模型在后训练阶段就学会了先推理再作答（见 T0-5）。这两者在 2026 年是互相干扰的关系，不是互相增强。
给几个例子，当成一种廉价的训练
它教的其实是「答案长什么样、什么算合格」，不是「怎么想才能想对」
传递的是格式与任务边界
在提示词里给几组输入输出示例；模型不更新任何参数，仅凭上下文调整行为，这叫 in-context learning
手写流程加模型自己推理，越多越好
2026 年这两者是互相干扰的关系，不是互相增强
把中间推理步骤写出来再作答
手写 CoT 是你在提示词里要求它一步步想；内化 CoT 是模型在后训练阶段就学会了先推理再作答（T0-5）
以上节选自T1-1 Prompt 基本模式：few-shot 与 CoT 的有效边界，读全文能看到前后语境。