CoT、ToT 与 GoT：大模型推理范式进化详解

一、CoT（Chain of Thought）思维链

1.1 核心思想

CoT（Chain of Thought）即“思维链”，核心是让大模型在回答问题时显式输出中间推理步骤。

👉 本质：

线性推理（Linear Reasoning）

1.2 推理结构

1
2
3


问题 → Step1 → Step2 → Step3 → 答案

1.3 示例


问题：小明有3个苹果，又买了2个，一共有多少？

推理过程：

* 原来有3个
* 又买了2个
* 总数 = 3 + 2 = 5

答案：5

1.4 优点

✅ 实现简单，仅需 Prompt 即可
✅ 提升数学、逻辑推理能力
✅ 可解释性强（过程透明）

1.5 缺点

❌ 单路径推理，一条路走到底
❌ 中间错误会导致最终错误
❌ 不具备回溯能力

1.6 小结

CoT = 让模型“边想边说”，但只能沿着一条路径前进

二、ToT（Tree of Thoughts）思维树

2.1 核心思想

ToT（Tree of Thoughts）将推理结构从“链”扩展为“树”，允许模型在多个思路之间进行探索。

👉 本质：

搜索 + 推理（Search + Reasoning）

2.2 推理结构

起点

/ \


思路A   思路B
/         
A1          B1
/              
答案1          答案2

2.3 核心机制

2.3.1 Thought（思维生成）

每一步生成多个候选思路

2.3.2 Evaluation（评估）

对不同思路进行评分（优/劣）

2.3.3 Search（搜索策略）

常见策略包括：

DFS（深度优先）
BFS（广度优先）
Beam Search（束搜索）

2.4 示例


任务：求解问题

Step1：

* 方法A：贪心
* 方法B：回溯

Step2：

* A → 失败
* B → 成功

最终选择：方法B

2.5 优点

✅ 支持多路径探索
✅ 可以回溯错误路径
✅ 更适合复杂任务（如规划问题）

2.6 缺点

❌ 计算成本较高（多次调用模型）
❌ 需要设计搜索策略
❌ 推理延迟增加

2.7 小结

ToT = 让模型像搜索算法一样，多尝试几条路径再做决策

三、GoT（Graph of Thoughts）思维图

3.1 核心思想

GoT（Graph of Thoughts）将推理结构进一步扩展为“图”，支持复杂的依赖关系与信息共享。

👉 本质：

非线性推理 + 信息融合

3.2 为什么需要 GoT

ToT 存在的问题：

❌ 不同分支之间无法共享信息
❌ 存在重复计算
❌ 难以表达复杂依赖关系

3.3 推理结构

A
/
B C
\ /
D

👉 特点：

节点可复用
多路径可汇合
支持复杂依赖关系

3.4 核心能力

3.4.1 节点复用

中间推理结果可以被多个路径共享 ♻️

3.4.2 信息融合

多个推理路径的结果可以合并得到更优解 🔗

3.4.3 非树结构

支持 DAG 或更复杂的图结构

3.5 示例


任务：论文分析

路径1：分析方法
路径2：分析实验结果

融合：

* 用实验结果验证方法
* 用方法解释结果

最终得到更全面结论

3.6 优点

✅ 表达能力最强
✅ 支持复杂系统推理
✅ 提升推理效率（通过复用）

3.7 缺点

❌ 实现复杂
❌ 调度困难（类似计算图执行）
❌ 计算成本最高

3.8 小结

GoT = 让模型像图计算系统一样进行推理

四、三种推理范式对比总结

维度	CoT	ToT	GoT
结构	链	树	图
推理方式	单路径	多路径	多路径 + 融合
是否支持回溯	❌	✅	✅
信息共享	❌	❌	✅
复杂度	低	中	高
成本	低	中	高
适用场景	简单推理	搜索问题	复杂系统问题

五、面试速答版

CoT、ToT 和 GoT 是三种逐步增强的大模型推理范式。
CoT 是链式推理，通过逐步输出中间过程来提升模型能力，但只能单路径执行；
ToT 引入树结构，支持多路径探索和搜索策略，可以进行回溯；
GoT 则进一步扩展为图结构，支持不同推理路径之间的信息共享和融合，适用于更复杂的任务。

它们的演进路径是：线性推理 → 搜索推理 → 图推理。