让模型先把中间推理步骤写出来再给答案，多步计算和逻辑题的正确率会明显提高；专门这样训练出来的模型叫推理模型。
有些问题不是一句话能答的：多步算术、逻辑推断、代码调试。让模型直接吐答案，它容易在中间某一步就滑倒，而且你看不出错在哪。思维链的做法很朴素——让它把过程写出来。
可以类比做数学题打草稿。 - 把一步变成很多步：模型每生成一个 Token 都要做一轮计算，写出中间步骤等于给自己争取了更多计算，把难题拆成了若干个小难题。 - 让步骤可见：前面的结论留在上下文里，后面的推理可以直接引用，减少了「边算边忘」。 - 便于纠正：答案不对时，你能定位到是哪一步出了问题，而不是只看到一个错误结果。 这种「先写过程再给结论」的用法，本身就是一种提示技巧：给几个带步骤的示例，模型就会跟着写。
后来人们不满足于靠提示临时激发，而是专门训练：用强化学习去奖励那些最终答案正确的推理过程，让模型自己学会验算、换思路、发现矛盾时回头重来。这类模型在给出最终答复前会先进行一段较长的内部推演，因此在数学、代码、规划类任务上表现更稳。 代价也很实在：输出 Token 变多，响应更慢、成本更高，简单问题（比如问今天天气）用它是浪费。所以实际产品里常常按问题难度分流。