今天的核心任務是掌握提示工程領域最著名的里程碑技術——思維鏈（Chain-of-Thought, CoT）。我們將透過一個多步驟邏輯運算題目，在 Google AI Studio 實測「直接搶答」與「逐步推導」的巨大差異。
核心概念：為什麼 AI 需要「思維鏈」？
大型語言模型本質上是基於機率預測「下一個 Token」。當面對複雜的多步驟邏輯題時：

• 直接回答（No CoT）：模型被要求在沒有計算紙的情況下「瞬間心算」給出最終答案。因為中間沒有產生推導 Token 的過程，模型極容易在某個轉折點判斷失誤，導致全盤皆錯。
• 思維鏈（Chain-of-Thought）：強制模型將推導過程展開。每一個寫出來的中間步驟（Scratchpad），都會成為後續計算的上下文（Context），大幅降低跳步與計算偏差。
  Google AI Studio 實測對照實驗：多步驟庫存與金流題
  設計一個容易讓模型在「剩餘數量」與「進貨基準」上產生混淆的算術題目。
  實驗 A：直接回答（抑制思維鏈，對照組）

• 測試 Prompt：請解答以下問題，直接輸出最終剩餘的蘋果數量，不要輸出任何推導過程或額外解釋：
  水果攤早上進貨 120 顆蘋果。

1. 上午賣出了現有總數的 1/3。
2. 下午進貨了「上午剩餘數量」的 1/2。
3. 傍晚檢查發現有 8 顆爛掉直接報廢丟棄。
4. 晚間收攤前，將當時庫存的 1/4 以折扣價賣出。
   請問打烊時水果攤還剩下幾顆蘋果？

• 預期表現：模型被限制「直接給答案」時，缺少思考緩衝空間，往往容易將第 2 步的基準誤認為最初的 120 顆，或在第 4 步扣除時出錯，給出錯誤數字。
• 實際結果：
  

實驗 B：Zero-shot CoT（零樣本思維鏈，實驗組）

• 測試 Prompt（只加上關鍵推導指令）：請解答以下問題。請一步一步思考（Let's think step by step），詳細列出每一步驟的剩餘數量變化，最後再給出打烊時的最終剩餘數量：

水果攤早上進貨 120 顆蘋果。

1. 上午賣出了現有總數的 1/3。
2. 下午進貨了「上午剩餘數量」的 1/2。
3. 傍晚檢查發現有 8 顆爛掉直接報廢丟棄。
4. 晚間收攤前，將當時庫存的 1/4 以折扣價賣出。
   請問打烊時水果攤還剩下幾顆蘋果？

-實際結果：

• 模型表現：模型會條理分明地列出每一步的算式與暫存結果，最終精準鎖定 84 顆。

今日小結
在 Prompt 工程中，「Token 即思考空間」。當任務涉及數學計算、邏輯推理、排程規劃或程式演算法推導時，千萬不要吝嗇讓模型輸出文字。只要加上一句「請一步一步思考」，就是給了模型一張推導草稿紙，精準度往往能迎來質的飛躍。