练完一遍了？ 用英文写下回答，粘贴到免费自查工具打分（工具按英文要点评分）
考察点
是否知道 chain-of-thought 什么时候值得它的成本，能描述生产中的用法，并理解写出来的推理不一定是真正驱动答案的过程。
评分要点
- 定义：让模型在给出最终答案前一步一步推理，或者给出包含推理过程的 few-shot 示例。
- 适用场景：多步算术、逻辑、规划、多约束问题；不适用：简单查询、标签清晰的分类、短改写。
- 成本：输出 token 更多，成本和延迟更高；是否有用要在同一 eval set 上开关对比。
- 生产做法：推理和最终结构化答案分字段输出，只解析最终字段，不把推理当作可信的解释。
常见扣分点
默认给每个 prompt 都加上 chain-of-thought。
参考回答
Chain-of-thought prompting 是让模型在答案之前写出中间推理，方法可以是一条指令，比如要求它一步一步解题，也可以是展示推理过程的 few-shot 示例。因为每个生成的 token 都会影响下一个，把步骤写出来给了模型空间，去完成一步跳不过去的计算。
它对有多个相互依赖步骤的任务帮助最大：应用题、带约束的排期、多跳问答。对情感标签或事实查询帮助不大，而且每次都要付出输出 token 和延迟。
在生产中，我要求推理和最终答案放在不同字段，只解析最终字段，并且通常不把推理展示给用户。我把推理当作有用的调试线索，而不是模型得出答案的证明，因为它未必反映真实的计算过程。对于已经被训练为内部推理的模型，显式的 chain-of-thought 提示通常收益不大。
常见追问
怎样证明 chain-of-thought 对你的任务有帮助？ 在同一个 eval set 上分别开启和关闭它运行，对比准确率、成本和延迟。
中文手册想要完整的中文备考方法？
《如何从0到1准备AI Engineer面试》：20 章、5 套答题框架（FLAME、SPARK、FORGE、RISE、EMBER）、100 道题库和 8 周备考计划。
获取中文手册 优惠码 EARLYBF 立减 40%，截至太平洋时间 11 月 3 日 23:59更想读英文版？The 0→1 AI Engineer Interview Playbook，$19.99，Gumroad 英文版。也可以先免费领取 Top 30 题 PDF（英文）。