第 3 章 · 推理与规划机制：思维链、思维树与任务分解

第 3 章 · 推理与规划机制：思维链、思维树与任务分解

第 2 章把 Planning 模块定位为「策略空间」——一个 Agent 可以选 CoT、ToT、任务分解、ReAct 等多种策略。本章要把这个空间里的核心算法一一展开。线索只有一条：LLM 的推理能力，是被「怎么问」激发出来的。问得直白，它给浅答；问得让它「分步想」，它给深答；问得让它「多路探索」，它给惊喜。

章节摘要

第 2 章给出了 Planning 的策略空间与路由框架。本章沿着「让 LLM 想得更深、走得更稳」这条线，纵向深化 Planning 模块的内部算法，专注「怎么想清楚」，为第 4 章 ReAct 的「边想边做」奠定基础。

本章覆盖四个方面：

1. 思维链 CoT：从最经典的「分步推理」范式讲起。解释 CoT 为何有效（让模型分配更多算力到推理）、它的变体（Zero-shot CoT、Self-Consistency）与适用边界。
2. 思维树与思维图：当单条思维链不够，需要多路径探索与回溯时，ToT 与 GoT 如何把推理从「线」推广到「树」与「图」。
3. 任务分解策略：面对复杂长程任务，如何把大问题拆成小问题。讨论自顶向下、层次化、递归三种分解粒度，以及 HuggingGPT 式任务图。
4. 规划范式对比：把 Plan-and-Execute、ReWOO、Plan-and-Solve、LATS 放在一起对比，回答「什么时候该一次规划完，什么时候该边走边想」。

本章不涉及「行动」——所有推理都停留在 LLM 内部，是纯「想」。第 4 章才会把这些「想」的方法与「行动」交织起来，形成 ReAct 的完整循环。

学习目标

读完本章，你应当能够：

1. 解释 CoT 为什么有效，说出三种触发方式（few-shot CoT、Zero-shot CoT、Self-Consistency）的差异。
2. 复述 ToT 的四要素（思维分解、生成、评估、搜索），并画出 BFS/DFS 两种搜索流程。
3. 区分任务分解的三种粒度（自顶向下、层次化、递归），并能根据任务特征选择。
4. 辨析 Plan-and-Execute、ReWOO、Plan-and-Solve、LATS 四种规划范式的核心思想与适用场景。
5. 理解「先规划后执行」与「边规划边执行」的根本权衡，能为给定任务选择合适的规划时机。

子章节安排与导引

四节构成「单链推理 → 多路搜索 → 任务拆分 → 范式对比」的递进，从最简单的 CoT 一路推进到最复杂的 LATS，最后用一张范式对比表收束，自然过渡到第 4 章 ReAct。

配图说明

• Mermaid「CoT 单链推理 vs ToT 树搜索」：在第 01 节末尾给出，对比线性与树形推理的形态。
• Mermaid「ToT 的 BFS 与 DFS 搜索」：在第 02 节给出。
• Mermaid「任务分解的三种粒度」：在第 03 节给出。
• ASCII「Plan-and-Execute 与 ReAct 的规划时机对比」：在第 04 节给出。
• Mermaid「四种规划范式关系图」：在第 04 节末尾给出。

SEO 关键词

思维链、Chain of Thought、CoT、Zero-shot CoT、Self-Consistency、CoT-SC、思维树、Tree of Thoughts、ToT、思维图、Graph of Thoughts、GoT、任务分解、Decomposed Prompting、HuggingGPT、Plan-and-Execute、ReWOO、Plan-and-Solve、LATS、推理增强、Prompt Engineering。

章节关联

• 前置：第 2.3 节给出了 Planning 的策略空间与路由框架，本章是其中「纯推理类」策略的展开。读者应先理解策略路由的概念。
• 后续：第 4 章把本章的推理方法与「行动」交织，形成 ReAct 范式；第 7 章会把任务分解扩展到多 Agent 的 SOP 协作；第 8 章会讨论这些范式的工程化实现。