mcpField
C
chain-of-thought-design

chain-of-thought-design

github.com/owl-listenerAgent 工作流191303 次安装20 周前更新
代码仓库

关于 chain-of-thought-design

chain-of-thought-design 是用于设计 AI 推理提示词的技能，适用于复杂、含糊或分析类任务。它介绍推理链形式、质量控制方法，以及不宜逐步推理的场景。

主要功能

  1. 01将问题拆分为多个步骤
  2. 02收集证据并标明不确定性
  3. 03选择线性、分支、迭代或辩论链
  4. 04限制推理深度
  5. 05验证中间步骤
  6. 06分离推理过程与最终输出

适用场景

  1. 01构建多步骤分析提示词
  2. 02用分支推理比较选项
  3. 03通过批评和修订完善草稿
  4. 04避免简单查询中的多余推理

安装

复制下面的命令，在终端中运行。

$npx skills add https://github.com/owl-listener/ai-design-skills --skill chain-of-thought-design

安装后在 Claude Code 中输入/chain-of-thought-design确认已加载。

详细介绍

思维链设计

思维链提示要求 AI 在给出答案前逐步展示推理过程。设计得当时，可以生成更准确、更细致、更值得信赖的输出；设计不当时，则会为错误答案给出冗长的论证。

思维链适用场景

  • 复杂推理：答案取决于中间结论的多步骤问题
  • 输入含糊：AI 需要考虑多种解释时
  • 高风险输出：需要验证推理过程，而不仅仅是答案时
  • 创造性探索：生成想法时，逐步展开有助于获得更好的结果
  • 分析任务：比较、评估和权衡分析

思维链不适用场景

  • 简单查询：“法国的首都是哪里？”不需要逐步推理
  • 对速度要求高的响应：推理会增加延迟和令牌成本
  • 模式匹配任务：有些任务更适合直接作答
  • 推理错误时：AI 可能会令人信服地推理出错误结论

设计推理链

推理链有其结构，应当有意识地进行设计： 1. 问题分解 “首先，将问题拆解为各个组成部分。” 2. 收集证据 “针对每个部分，指出你已知的信息和不确定之处。” 3. 分析 “分析每个组成部分，并说明假设和局限。” 4. 综合 “综合分析，得出整体评估。” 5. 结论 “陈述结论和信心水平。”

链式推理的变体

  • 线性链：步骤 1 → 步骤 2 → 步骤 3 → 答案。简单且可预测。
  • 分支链：考虑多种路径，逐一评估，然后作出选择。更适合决策。
  • 迭代链：起草答案、进行评议，然后修改。更适合优化质量。
  • 辩论链：分别论证支持和反对某个立场的理由，然后综合。更适合均衡分析。

控制链的质量

  • 明确指定步骤：不要只说“逐步思考”。应定义具体步骤。
  • 限制推理深度：设置最大步骤数或推理长度，避免推理链无限延伸。
  • 区分思考与输出：让 AI 在内部进行推理，然后生成简洁明了的最终输出。
  • 验证中间步骤：检查每个步骤是否成立，而不仅仅是最终答案。

设计产物

  • 按任务类型划分的思维链模板
  • 推理步骤规范
  • 链式推理变体选择指南
  • 中间步骤的质量检查点
  • 结构良好和结构不佳的推理链示例

评论

支持 Markdown