本文介绍了赋予LLM规划能力的三种核心方法CoT思维链、ToT思维树和GoT思维图。CoT通过在prompt中添加指令使LLM逐步输出推理过程ToT则让LLM同时探索多条路径并选择最优的继续深入GoT在ToT基础上引入图结构支持推理结果的复用和合并。文章详细解析了每种方法的原理、优缺点及工程选型强调CoT简单易行ToT效果更好但成本高GoT目前主要用于学术研究。对于希望提升LLM规划能力的学习者和开发者本文提供了实用的参考和指导。百度面试官推了推眼镜语气严肃来说说核心问题如何赋予 LLM 规划能力‍♂️我脑子一懵瞎凑答案呃…规划能力不就是让它多思考一会儿嘛给它多加点时间让它慢慢想就能规划了呗百度面试官语气瞬间拔高当场怒斥这叫什么回答完全没说到点子上LLM的规划能力是靠具体方法实现的不是靠“慢慢想”别瞎糊弄好好说专业的‍♂️我慌得手心冒汗连忙认错对不起面试官我错了我混淆了思路现在就结合具体方法好好跟您说清楚怎么赋予LLM规划能力面试踩雷预警瞎答只会被面试官当场怼这道百度高频真题核心是吃透CoT、ToT、GoT三种核心方法下面拆解每种方法的原理、用法和工程选型。 简要回答CoT、ToT、GoT 这三种我都了解过给 LLM 加规划能力主要靠这几种思路。CoT 是让 LLM 把推理步骤写出来线性地一步步推导到答案ToT 是让它同时探索多条推理路径选最优的继续深入GoT 是图结构推理推理节点可以复用和合并适合更复杂的任务。工程上我用 CoT 最多因为实现成本最低就是改个 promptToT 效果更好但调用次数多成本大概是 3 到 5 倍GoT 目前还比较学术生产环境我没见过有人真正落地用的。 详细解析要理解为什么需要规划能力先看 LLM 在没有任何规划机制时是怎么运作的。普通的问答模式下LLM 接到一个问题就直接「一口气」生成答案中间没有任何推理过程。这对简单问题没啥大问题但遇到需要多步推导的任务就很容易翻车。比如让它做一道需要 3 步推导的逻辑题如果直接让它给答案出错概率会远高于让它把每步都写出来。背后的原因是 Transformer 的 next-token 预测机制每个 token 是基于前面所有 token 生成的推理链越长、隐式的跳步越多误差就越容易在中间某一步悄悄累积最后给出一个看起来很自信但其实是错的答案。「规划能力」要解决的就是这个问题把 LLM 隐式的推理过程显式化让它不再是「一步跳到答案」而是「一步一步推到答案」每步都有迹可循。CoT、ToT、GoT 是这个方向上依次演进的三种方案每一个都在解决前一个的局限性。CoT最简单的激活方式加一句话就够了CoT 的全称是 Chain of Thought思维链核心思路极其简单在 prompt 里加一句「请一步步思考」LLM 就会把推理过程逐步写出来而不是直接蹦出答案。为什么这么简单的改变就有效本质是因为 LLM 的输出是顺序生成的当它先输出推理步骤这些推理内容会进入上下文影响下一个 token 的生成。换句话说「写下来的推理过程」本身就成为了后续生成的依据帮助 LLM 不跳步、不乱想。就好比你在纸上演算数学题把每一步写出来之后下一步出错的概率会比在脑子里算要低得多原理是一样的。CoT 有两种触发方式。第一种叫 Zero-shot CoT就是直接在 prompt 末尾加「让我们一步步思考」LLM 自己展开推理不需要额外例子第二种叫 Few-shot CoT给几个带有完整推理过程的例子让 LLM 模仿这种推理格式来回答新问题效果通常更稳定。CoT 的局限很明显它只有「一条推理路径」。如果一开始走错了方向整条链就歪了没有任何纠偏机制。ToT从「一条链」到「一棵树」解决走错方向的问题ToT 的全称是 Tree of Thoughts思维树针对的正是 CoT「一旦走错就全错」的问题。核心改变是把「生成一条推理链」变成「同时探索多条推理路径边探索边剪枝最终选出最优路径」。用一个生活类比来理解CoT 像你做题时只想了一个解法一路做到底ToT 像你先想了三种可能的解题思路评估了一下哪种最靠谱选了最好的那条继续深入另外两条直接放弃。ToT 的执行流程可以分三步来理解。首先是生成多个候选思路让 LLM 针对同一个问题给出 3 个不同的初步方向而不是只走一条路。然后是评估每个思路的可行性用另一个 LLM 调用或同一个 LLM 带上评估 prompt给每个思路打分判断哪个最有希望。最后是选优继续深入、剪掉差的只保留分数高的思路再展开下一层推理反复循环直到得出最终答案。这个「生成 - 评估 - 剪枝」的循环让 LLM 不再是「一条道走到黑」而是有了探索多条路、选好的走、发现走错了还能回头的能力。代价也很明显原来 CoT 一次生成就搞定ToT 需要多次 LLM 调用多条路径 × 多层深度 × 每层还要评估成本是 CoT 的 3-5 倍甚至更高。GoT从「树」到「图」解决推理结果不能复用的问题GoT 的全称是 Graph of Thoughts思维图是在 ToT 基础上再进一步的进化。ToT 虽然引入了多路径探索但它是树形结构不同分支之间完全独立两条推理路径上的中间结论无法互相借用。GoT 把推理结构换成了图允许不同路径的中间结果合并、复用也就是说一个推理节点可以接收来自多个前置节点的输出作为输入。举个具体例子如果任务是「分别研究竞品 A 和竞品 B然后做综合对比分析」。ToT 里研究 A 和研究 B 是两条独立的路径各自得出结论但「综合对比分析」这一步需要同时用到两条路径的结论在树形结构里很难自然表达因为树的每个节点只有一个父节点。GoT 的图结构允许把「研究 A 的节点」和「研究 B 的节点」的输出汇聚到「综合对比分析节点」这种「多个中间结论合并输入到下一步」的操作在图里是一等公民表达起来非常自然。GoT 能建模的推理模式比 ToT 更丰富也更接近人类实际处理复杂任务的思考方式。但落地复杂度很高目前主要还是学术研究场景生产环境里极少见到真正用起来的。三者的演进关系把这三者放在演进视角里看逻辑非常清晰。CoT 解决了「要不要把推理显式化」的问题答案是要把过程写出来就能显著减少跳步出错。ToT 解决了「走错方向怎么办」的问题答案是先多探索几条路边走边评估边剪枝。GoT 解决了「不同推理路径的中间结论能不能复用」的问题答案是把结构从树换成图自然支持结论汇聚与复用。每一步都是在前一步的基础上发现局限、针对性改进。工程上怎么选CoT 几乎是所有任务的标配加一句话、零成本直接加到 system prompt 里就行。ToT 在准确率要求很高、任务比较复杂的场景值得考虑但要做好调用成本增加 3-5 倍的心理准备。GoT 目前工程落地不成熟主要了解它的思想即可真实项目里不必强行引入。那么如何学习大模型 AI 对于刚入门大模型的小白或是想转型/进阶的程序员来说最头疼的就是找不到系统、全面的学习资源要么零散不成体系要么收费高昂白白浪费时间走弯路。今天就给大家精心整理了一份全面且免费的AI大模型学习资源包覆盖从入门到实战、从理论到面试的全流程所有资料均已整理完毕免费分享给各位核心包含AI大模型全套系统化学习路线图小白可直接照做、精品学习书籍电子文档、干货视频教程、可直接上手的实战项目源码、2026大厂面试真题题库一站式解决你的学习痛点不用再到处搜集拼凑扫码免费领取全部内容1、大模型系统化学习路线学习大模型方向比努力更重要很多小白入门就陷入“盲目看视频、乱刷资料”的误区最后越学越懵。这里给大家整理的这份学习路线是结合2026年大模型行业趋势和新手学习规律设计的最科学、最系统从零基础到精通每一步都有明确指引帮你节省80%的无效学习时间少走弯路、高效进阶。2、大模型学习书籍文档理论是实战的根基尤其是对于程序员来说想要真正吃透大模型原理离不开优质的书籍和文档支撑。本次整理的书籍和电子文档均由大模型领域顶尖专家、大厂技术大咖撰写涵盖基础入门、核心原理、进阶技巧等内容语言通俗易懂既有理论深度又贴合实战场景小白能看懂程序员能进阶为后续实战和面试打下坚实基础。3、AI大模型最新行业报告无论是小白了解行业、规划学习方向还是程序员转型、拓展业务边界都需要紧跟行业趋势。本次整理的2026最新大模型行业报告针对互联网、金融、医疗、工业等多个主流行业系统调研了大模型的应用现状、发展趋势、现存问题及潜在机会帮你清晰了解哪些行业更适合大模型落地哪些技术方向值得重点深耕避免盲目学习精准对接行业需求。值得一提的是报告还包含了多模态、AI Agent等前沿方向的发展分析助力大家把握技术风口。4、大模型项目实战配套源码对于程序员和想落地能力的小白来说“光说不练假把式”只有动手实战才能真正巩固所学知识将理论转化为实际能力。本次整理的实战项目涵盖基础应用、进阶开发、多场景落地等类型每个项目都附带完整源码和详细教程从简单的ChatPDF搭建到复杂的RAG系统开发、大模型部署难度由浅入深小白可逐步上手程序员可直接参考优化既能练手提升技术又能丰富简历为求职和职业发展加分。5、大模型大厂面试真题2026年大模型面试已从单纯考察原理转向侧重技术落地和业务结合的综合考察很多程序员和新手因为缺乏针对性准备明明技术不错却在面试中失利。为此我精心整理了各大厂最新大模型面试真题题库涵盖基础原理、Prompt工程、RAG系统、模型微调、部署优化等核心考点不仅有真题还附带详细解题思路和行业踩坑经验帮你精准把握面试重点提前做好准备面试时从容应对、游刃有余。6、四阶段精细化学习规划附时间节点可直接照做结合上述资源给大家整理了一份可直接落地的四阶段学习规划总时长约2个月小白可循序渐进程序员可根据自身基础调整节奏高效掌握大模型核心能力快速实现从“入门”到“能落地、能面试”的跨越。第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】