思维链

LobeHub 的思维链（Chain of Thought，CoT）可视化功能为你提供了洞察 AI 模型推理过程的窗口，让你在最终答案出现之前，实时观察思考过程的展开。

什么是思维链？

思维链是一种推理技术 ——AI 模型在给出最终答案之前，先将复杂问题分解为清晰、有逻辑的步骤。LobeHub 将这一内部推理过程可视化，让你能够：

看到思考过程 — 观察 AI 如何分析问题
理解决策路径 — 追踪从问题到答案的逻辑推进
验证推理合理性 — 确认结论是否基于严谨的逻辑
调试异常回复 — 发现推理过程中出现偏差的地方
学习解题方法 — 观察专家级的问题解决模式

工作原理

当模型使用思维链推理时：

问题分析 — 模型首先理解所提问题
分步思考 — 将解题方法分解为逻辑步骤
中间推理 — 逐步推进，展示可见的思考内容
最终答案 — 将所有洞见综合为清晰的回复

这一过程实时发生，显示在最终答案上方的可折叠区域中。

查看推理过程

思考指示器

当模型正在推理时，你会看到：

一个动态的 "思考中…" 指示器，表示正在推理
一个时长计数器，显示模型思考耗时
一个可展开区域 — 点击即可查看完整思考过程
逐步呈现的每个推理步骤

显示模式

折叠视图 — 仅显示 "思考中..." 指示器和时长。适合你信任推理结果的快速回复，或希望保持界面简洁时使用。

展开视图 — 点击即可查看完整的分步推理、中间结论、逻辑连接，以及从头到尾的完整思考过程。适合验证复杂推理或学习问题解决方法时使用。

思维链的激活时机

CoT 推理最有价值的场景（也是模型最常使用它的场景）：

数学问题 — 多步骤计算场景，模型会建立方程式、执行中间步骤并逐步展示过程。例如："计算 10,000 美元以 5% 年利率按季度复利投资 3 年的收益。"

逻辑推理 — 演绎和归纳推理问题，模型识别前提、应用逻辑规则、得出中间结论并建立最终推断。

代码调试 — 系统性的错误分析，模型逐一检查代码结构、识别潜在问题、验证假设并提出解决方案。

复杂问题解决 — 多维度分析场景，模型分解问题、从多个角度考量、权衡利弊并综合解决方案。

战略规划 — 结构化决策过程，模型定义目标、分析约束、评估选项并给出推荐路径。

使用场景

学习与教育 — 思维链对学习者极具价值。观察如何处理复杂问题，学习分步解题方法，了解错误出现的原因。尝试要求 AI "展示解题过程" 或 "逐步说明"，获得最清晰的推理展示。

软件开发 — 用 CoT 理解技术决策：代码审查逻辑、架构选型、复杂问题调试、算法优化。跟随 AI 的分析，发现你可能遗漏的考量点。

数据分析 — 观察结论如何从数据中得出：统计推理、假设检验、模式识别过程一览无余，在采取行动前验证分析方法的合理性。

研究与写作 — 观察论点和叙述结构的形成过程：观点如何组织、逻辑流如何发展、论据如何筛选。

解读推理过程

查看思维链输出时，重点关注：

逻辑推进 — 各步骤是否环环相扣？思想之间是否有清晰的关联？推理是否自然流畅？

完整性 — 问题的所有方面是否都被涵盖？是否考虑了边界情况？有没有遗漏的内容？

合理性 — 假设是否合理？逻辑是否严谨？结论是否从前提中自然推导出来？

如果某个推理步骤看起来有误或不完整，可以继续对话："这一步好像有问题，因为……" 或 "能重新考虑第 3 步吗？" 模型可以根据你的反馈修正推理过程。

使用技巧

明确要求推理过程 — "请逐步展示你的推理" 或 "仔细思考这个问题" 等提示词能鼓励模型展示详细的 CoT 过程
重要决策务必查看 — 对于关键选择或高风险问题，始终展开并阅读推理过程
质疑异常步骤 — 如果某一步骤不对，请求澄清或提供替代思路
从模式中学习 — 观察 AI 处理不同类型问题的方式，有助于提升你自己的解题能力

<Callout type={'info'}> 并非所有模型都使用思维链推理，即使支持 CoT 的模型也不是在所有回复中都会触发。CoT 最常见于需要分步分析的复杂问题。支持该功能的模型包括 o1、o3、Claude 3.7 Sonnet、Gemini 2.0 Flash Thinking 等。 </Callout>