思維鏈（Chain-of-Thought）提示法：讓 AI 想清楚再回答

你有沒有遇過這種狀況：丟一道需要算的題目給 AI，它秒回一個答案，結果一驗算根本是錯的？你有沒有發現，它越是「自信地直接給答案」，反而越容易出錯？你有沒有想過，問題不在它笨，而在它「沒想就答」？這篇文章要教你一招幾乎零成本就能大幅拉高 AI 推理正確率的方法——思維鏈（Chain-of-Thought）提示法：與其讓 AI 直接蹦出結論，不如逼它先一步一步把推理過程想清楚、寫出來，再給答案。 適合已經會下基本指令、但一碰到「要算的」「要判斷多個條件的」「要做複雜推理的」題目就常被 AI 唬弄的工作者，以及準備把 AI 接進報價、核對、分類等需要「算對」流程的團隊。讀完你會得到可直接複製的思維鏈 Prompt 模板、何時該用何時別用的判斷準則，一套「找出 AI 在哪一步出錯」的除錯方法，以及一段進階心法，告訴你在推理模型當道的今天，思維鏈該怎麼用得更聰明。

為什麼 AI 直接給答案，反而常常算錯？

先講一個很多人都被坑過的場景。你問 AI：「一箱蘋果 24 顆，賣掉了三分之二，又補進 10 顆，現在有幾顆？」如果它直接回「26 顆」，你可能就信了——但其實答對與否，全看它有沒有「真的算」。很多時候它是憑語感湊一個看起來合理的數字，剛好對了你就以為它很強，剛好錯了你還不一定查得出來。（順帶一提，正確答案是 24 的三分之二是 16，賣掉 16 剩 8，補 10 顆是 18 顆——不是 26。你看，連這種小題，「沒列式」就可能差很多。）

問題的根源在於語言模型的運作方式。模型本質上是在「預測下一個字」，當你要它『直接給答案』，它就傾向直接生成一個最像答案的數字或結論，中間的計算其實被它跳過了。 這就像考試時有人不打草稿、看到題目憑直覺圈一個選項——簡單題還行，碰到要好幾步才能解的題目，跳步幾乎必錯。AI 越是「自信地秒答」，越代表它沒有把該想的步驟想完。

思維鏈提示法要做的，就是把模型的「想」和「答」強制分開。你不准它直接給結論，而是要求它先把推理過程一步一步攤開來寫，最後才下結論。當模型被迫把每一步寫出來，它在生成過程中就真的「算」了一遍——前一步的中間結果，會成為它生成下一步的依據，錯誤更不容易累積、也更容易被你抓到。這跟 ChatGPT 提示詞指南 裡強調的「把任務講清楚」是一脈相承的進階功夫：當題目需要推理時，最該講清楚的不是要什麼答案，而是「要怎麼想」。如果你用的是 Claude，Claude 提示技巧 也有專門對推理任務的寫法建議，原理相通。

核心概念：「直接作答」與「思維鏈」差在哪？

要搞懂思維鏈的價值，把它跟「直接作答」並排比較最清楚。同一道題，兩種提示方式，差別不只在過程長短，更在正確率。

可以用一個生活化的比喻來記：直接作答像「心算」，思維鏈像「列式計算」。 心算簡單題很快，但碰到「(24 × 2/3) 補 10」這種要好幾步的，列式寫出來才不會錯。AI 也是一樣——你給它一張「草稿紙」（也就是要它把推理寫出來的空間），它的表現就會穩定得多。

這裡要補一個常被忽略的重點：思維鏈的價值，有一半在「除錯」。 當 AI 直接給一個錯答案，你只能整題重來；但當它把過程寫出來，你一眼就能看到「喔，它在『賣掉三分之二』這步算成了 8 顆而不是 16 顆」，你就能精準地補一句提示去修正那一步。這個特性，讓思維鏈在需要接進 Workflow 自動化、講求穩定的場景特別好用——過程攤開，問題才查得到、流程才信得過。

再補一個進階的觀念分界，避免你把幾個相近的技巧搞混：思維鏈管的是「怎麼想」，Few-shot 提示 管的是「照著範例做」，結構化輸出 管的是「答案長什麼格式」。 三者常常一起出現——你給模型一兩個「帶完整推理過程的範例」（這叫 few-shot CoT），它就會模仿那個推理的深度與格式；再要求它把最終結論包成 JSON 或固定欄位，程式就接得乾淨。把這三層分清楚，你寫提示時就知道哪個旋鈕該轉。

實際教學：五步寫出有效的思維鏈 Prompt

Step 1：判斷這題到底需不需要推理

不是每題都該用思維鏈。先問自己一個問題：「這題我自己要不要動筆算一下，才答得出來？」 如果答案是「要」——例如它牽涉計算、要比對好幾個條件、或要做有前後邏輯的判斷——那就值得用思維鏈。如果答案是「不用，看一眼就知道」——例如查事實、翻譯、簡單分類——那加思維鏈只是徒增 token 與等待時間，沒有好處，甚至可能讓模型「想太多」反而把簡單題複雜化。

一個實務上的分界線：只要題目裡出現「算」「比較」「依規則判斷」「多個條件同時成立」這類字眼，幾乎都該用思維鏈。

Step 2：在指令裡明確要求「一步一步想再回答」

這是思維鏈最核心、CP 值最高的一招。你只要在指令裡加上一句明確要求，例如「請先一步一步寫出你的推理過程，最後再給結論」，模型就會把「想」攤開來。關鍵在於動詞要明確：不要只說「仔細一點」，而要說「列出步驟」「逐項計算」「先推理再作答」——這些動詞會直接改變模型的生成行為。

注意一個細節：「想」要放在「答」前面。 如果你讓模型先講答案、再補理由，它常常是先憑直覺給答案、再硬掰一套理由來圓——這叫「事後合理化」，正確率不會提高。一定要逼它「先想、後答」。

如果這類「先想後答」的要求每次都要重打，建議把它寫進 系統提示 一勞永逸：在系統層設定「凡是需要計算或多條件判斷的問題，一律先列推理步驟、最後用固定標記給結論」，之後每一輪對話都自動套用，不用每次手動提醒。

Step 3：替複雜題目指定推理的步驟結構

當題目簡單時，一句「一步一步想」就夠了。但碰到複雜題目——例如要套用一套報價規則、或要同時滿足好幾個條件——光一句話模型可能還是亂拆。這時你要主動給它推理的骨架，告訴它該依哪些步驟走。例如：「請依以下步驟推理：(1) 先列出題目給的所有條件；(2) 逐一套用規則計算；(3) 核對每個條件是否都滿足；(4) 才給最終答案。」

給了骨架，模型就不會東漏一個條件、西跳一個步驟。這一步特別適合處理你公司內部那些「有固定判斷規則」的任務，例如折扣怎麼疊、運費怎麼算、案件該歸哪一類。想把這套骨架做得更系統、可重複套用到一整類任務，可參考 提示工程框架，把「角色＋規則＋步驟＋輸出格式」固定成模板，團隊每個人寫出來的提示品質就會一致。

Step 4：要求最後用固定標記框出結論

推理過程很長，人讀起來要找答案、程式要擷取答案，都需要一個明確的「結論在這」。所以請 AI 在推理結束後，用一個固定標記框出結論，例如「最終答案：18 顆」。這個小動作對自動化流程至關重要——當你把 AI 接進程式，程式只要去抓「最終答案：」後面那段，就能穩定取出結果，不用在一大串推理裡瞎猜哪句是答案。若下游要程式解析，更穩的做法是讓它把結論輸出成 結構化格式（例如固定欄位或 JSON），把「會變的推理」和「要被讀取的答案」徹底分開。

Step 5：用不同題目測試，找出它常在哪一步出錯

思維鏈最大的好處之一，就是它讓你看得到 AI 在哪一步出錯。所以最後一步，是拿幾道你已知正確答案的題目去測，看它的推理過程在哪個環節容易翻車。如果它老是在「換算百分比」那步出錯，你就在提示裡針對那步補強，例如「計算百分比時，請先寫出算式再算結果」。反覆幾輪，你的思維鏈 Prompt 就會收斂到穩定可靠。

範例：Prompt 與 Workflow 流程圖

先給你一個可以直接複製、套用到大多數推理任務的思維鏈 Prompt 模板：

你是一位嚴謹的計算與判斷助理。請依照以下規則回答問題。

【推理規則】
1. 先列出題目給定的所有已知條件與數字。
2. 一步一步進行推理或計算，每一步都寫出算式與中間結果，不可跳步。
3. 完成後，回頭核對：每個條件是否都用到、每一步是否合理。
4. 最後用「最終答案：」框出結論，並用一句話說明關鍵理由。

【輸出格式】
推理過程：
（逐步寫）
核對：
（檢查每個條件）
最終答案：（一句話結論）

【題目】
（在這裡貼上你的題目）

如果這題會被程式接手、不希望使用者看到落落長的推理，可在結尾加一句：「以上推理請保留供我內部核對，最後只把『最終答案：』那一行回傳即可。」

想再升一級、讓模型照著你要的推理深度走，可以在模板前面加一個「帶推理過程的範例」，也就是 Few-shot 思維鏈：

【示範一題給你看怎麼想】
題目：一箱 24 顆，賣掉三分之二，再補 10 顆，現在幾顆？
推理過程：
1. 已知：原有 24 顆；賣掉 2/3；補進 10 顆。
2. 賣掉的數量 = 24 × 2/3 = 16 顆。
3. 賣後剩 = 24 − 16 = 8 顆。
4. 補貨後 = 8 + 10 = 18 顆。
核對：賣掉與補貨都用到了，算式無誤。
最終答案：18 顆（賣掉 16、剩 8、補 10）。

請用上面這種「先列條件、逐步算式、核對、再框結論」的方式，回答下面這題：
【題目】（在這裡貼上你的題目）

把整個思維鏈的運作攤平成文字版流程圖，方便你接進團隊的 Workflow：

收到題目
   ↓
判斷：這題需要多步推理嗎？
   ├─ 不需要（查事實／翻譯）→ 直接作答，結束
   └─ 需要 ↓
列出題目所有已知條件
   ↓
一步一步計算／推理（每步寫出算式與中間結果）
   ↓
核對：條件都用到了嗎？每步合理嗎？
   ├─ 有問題 → 回到出錯的那一步重算
   └─ 都正確 ↓
用「最終答案：」框出結論 ＋ 一句關鍵理由
   ↓
依場景決定：對外只給答案／保留完整推理供核對

這張流程圖的精神是：把「判斷要不要推理」放在最前面、把「核對」放在給答案之前，這兩個關卡能擋掉最多錯誤。

進階：更深入的一層

當你已經會用基本的思維鏈，下一步是搞懂三件更底層的事——它們會決定你的提示在真實、高風險的任務裡撐不撐得住。

第一，自我一致性（Self-Consistency）：讓它算很多次再投票。 思維鏈會明顯提高正確率，但單次推理仍可能走錯一條路。進階做法是讓模型用「不同的推理路徑」把同一題算三到五次，再取出現最多次的那個答案。原理很直白：一條路徑偶爾出錯，但多條路徑同時錯到同一個錯答案的機率很低，所以「多數決」比「單次」可靠。實作上你可以在提示裡寫「請用兩種不同的算法各算一次，若結果不一致，請指出差異並重新檢查」，或在程式端跑多次後比對。代價是 token 與時間翻倍，所以只用在「算錯成本很高」的關鍵任務。

第二，思維鏈≠模型的真實思路，別把它當成「可信的解釋」。 這是最多人誤會的一點。模型寫出來的推理，是它「為了得到答案而生成的文字」，多數時候確實對應它的計算，但它有可能寫出一套看似合理、實則和真正得到答案的內部過程不完全一致的說明。意思是：推理過程是除錯的好工具（能幫你抓到明顯的算錯），但不是百分百忠實的「模型內心獨白」。所以高風險場景，請把推理當「待驗證的線索」，而不是「保證正確的證明」——務必保留人工或程式的核對關卡。

第三，思維鏈 vs. 推理模型：分工正在改變。 2024 年後出現的 推理模型（如 OpenAI o 系列、DeepSeek-R1、Claude 的延伸思考模式）把「一步一步想」內建進模型訓練裡，你不手動加思維鏈，它也會自己先想一大段再答。這是不是代表手寫思維鏈過時了？不是。分工變成這樣：

一句話總結這層：推理模型幫你省掉了「叫它想」，但沒省掉「告訴它怎麼想、怎麼收尾」——而後兩者，正是你領域知識真正的價值所在。

常見錯誤

第一個常見錯誤是對簡單題也硬套思維鏈。查個事實、翻個句子也叫 AI 一步一步想，結果它把簡單事情想複雜，還多花 token 和時間。記住：思維鏈是給「要算、要判斷」的題目用的，不是萬靈丹。

第二個錯誤是讓 AI 先給答案、再補理由。這順序一反，模型就變成事後找藉口圓自己的直覺答案，正確率不會提高。一定要「先想、後答」。

第三個錯誤是沒有固定的結論標記。推理寫了一大串，結果答案散在某一句裡，人要找半天、程式根本抓不到。務必要求模型用「最終答案：」這類固定標記收尾，或直接輸出成 結構化格式。

第四個錯誤是把思維鏈當成「保證正確」。思維鏈會明顯提高正確率，但不是百分百——它仍可能在某一步算錯，甚至寫出和真正算法不完全相符的推理。所以重要任務一定要保留「核對」這一步，甚至讓它算兩次比對結果。

第五個錯誤是在推理模型上重複手動加一堆「請仔細思考」。推理模型本來就會想，你再疊一層冗長的思考指令，常常只是拖長輸出、增加成本，收益有限。對推理模型，你該花力氣的是「給它領域規則和結論格式」，而不是反覆叫它想。

最佳實務

第一，先用最簡單的「一步一步想」試，不夠穩再加步驟結構。別一開始就寫落落長的規則，多數題目一句話就見效，複雜了才補骨架。

第二，要求模型在推理中寫出「算式」而非只寫文字。「先算 24 的三分之二」不如「24 × 2/3 = 16」來得可靠，寫出算式能逼它真的算，也方便你核對。

第三，內部留推理、對外給結論。給人看的場合，叫模型推理完只回傳結論加一句重點理由，兼顧正確率與閱讀體驗；要查錯或程式接手時才保留完整過程。

第四，把核對寫成獨立一步。不要只說「算對一點」，而要明確要求「算完後回頭逐一檢查每個條件」，把檢查變成流程的固定環節。

第五，重要的判斷任務，搭配 Prompt 串接 一起用。把「算」和「判斷」拆成不同段，每段內用思維鏈，整體會比一次塞進一個超長提示更穩。

第六，把成熟的思維鏈沉澱進 系統提示 或 可重用框架。一旦你某類任務的思維鏈調穩了，別讓它只活在某一次對話裡——固定成系統層設定或團隊模板，整個團隊的輸出品質就會一起拉高。

實際案例：台灣電商客服報價，從「常報錯」到「零失誤」

台中一家做家居用品的中型電商，客服每天要回覆大量「我買這幾樣、有滿額折扣嗎、運費多少」的詢問。他們的報價規則其實不複雜，但層層疊疊：滿 1,500 免運、會員再 95 折、特定品類不參與折扣、外島運費另計。導入 AI 客服初期，他們直接叫 AI「幫忙算總價」，結果 AI 常常漏掉「特定品類不打折」這條，或把外島運費算成本島，報錯價被客人截圖客訴，客服主管每天都在救火。

導入前的狀況：AI 報價平均每 10 筆就有 1 到 2 筆算錯，客服得人工複查每一筆才敢送出，等於 AI 沒省到力，還多了不信任感。

問題就出在「AI 直接給答案、沒把規則一條條套」。他們改用思維鏈，重寫提示，要求 AI 依固定步驟推理：先列出客人購買的每項商品與金額、再逐項判斷是否屬於不打折品類、接著套用滿額免運與會員折扣、最後判斷是否外島、核對後才用「最終報價：」框出結論。同時把完整推理保留在系統後台供客服一眼複查，對客人只回傳最終報價與一句「已套用會員 95 折」。為了讓後台程式能穩定抓到金額、自動填進工單，他們還把結論固定成 結構化輸出（例如 { "報價": 1620, "已套用": ["會員95折","滿額免運"] }），而非夾在自然語句裡。

導入後的成果：報價錯誤率從約 15% 降到接近 0；因為推理過程攤開，客服複查一筆從原本要自己重算、約 90 秒，縮短到掃一眼推理、約 15 秒，等於單筆複查時間省下約 8 成；以每天約 200 筆報價估，等於每天替團隊省回近 4 小時的重算工時，能挪去處理更需要人情味的客訴。主管的原話是：「以前是 AI 算、人重算；現在是 AI 算給人看、人只要瞄一眼。」

無獨有偶，台北一家小型會計事務所，把「判斷一筆費用該歸哪個會計科目」這種要依規則判斷的工作，也用同樣手法處理——要求 AI 先列出該筆費用的性質、再逐條比對科目規則、最後標明結論並附理由。導入前新人分類的科目一致性約七成、常因「同一種費用兩個人歸不同科目」要返工；導入思維鏈後，因為每筆都附「為什麼這樣分」的推理，一致性拉到九成以上，事後查帳或新人接手時一目了然，月底結帳的返工次數明顯下降。他們進一步把這類「先比對科目、再產出傳票草稿、再交人覆核」的流程，用 Prompt 串接 拆成三段，每段內各用思維鏈，整體更穩。（提醒：會計科目認定與稅務處理涉及專業判斷與法令適用，AI 的推理僅供初步參考，正式帳務與申報仍應由合格會計師或記帳士覆核，本文不構成財務或稅務建議。）

這兩個案例的共通點很清楚：真正讓 AI 變可靠的，不是換更強的模型，而是逼它「把怎麼想攤開來」。 過程看得到，錯誤就擋得住，人也才敢把流程交給它。

結論

思維鏈提示法的核心，一句話就能講完：別讓 AI 直接給答案，逼它先一步一步想清楚、寫出來，再下結論。 它幾乎零成本，卻能在「要算、要判斷、要推理」的題目上大幅拉高正確率，還附帶兩個無價的好處——讓你看得到 AI 在哪一步出錯，從而能精準修正；也讓你的領域規則有地方「灌進去」，把通用模型變成你這一行的專家。

實作上記住這條主線：先判斷這題需不需要推理（簡單題別硬套），需要的話就要求它「先想後答」、替複雜題目給步驟骨架、用固定標記框出結論、再拿已知答案的題目測試收斂。重要任務再疊上「核對」「算兩次比對」這些保險。對外只給結論、內部保留推理，正確率與閱讀體驗就能兼顧。別忘了進階那層：推理過程是除錯線索、不是免驗證的證明，而推理模型省掉了「叫它想」，卻更需要你「告訴它怎麼想」。

接下來怎麼走？如果你想把思維鏈接進實際工作流程，建議搭配 Prompt 串接 把複雜任務拆段處理；想把這套推理結構標準化成團隊都能重用的模板，去看 提示工程框架；如果你用的是會自己推理的新模型，先讀 AI 推理模型 搞懂何時該交給它、何時還得自己給骨架。當你習慣了「逼 AI 把思路攤開」這個動作，你會發現它不只更常算對，連你自己要不要信任這個答案，都變得有依據可循。想要現成可改的範本，也可以到 任務食譜書 直接拿來套。

❓ 常見問題 FAQ

🔗 延伸閱讀

• ChatGPT 提示詞完整指南：從入門到進階
• 提示工程框架：把好提示變成可重用的模板
• Prompt 串接（Chaining）：把複雜任務拆成多段提示
• AI 推理模型：o 系列與 R1 怎麼用、何時用
• Few-shot 提示：用範例教會 AI 你要的格式