本章围绕“让大模型像人一样思考与行动”展开，系统介绍了7种认知框架，帮助模型提升复杂任务的表现力与可靠性。
情景学习（In-context Learning）
通过提供代表性、清晰简洁、多样化且高度相关的少样本示例，引导模型在上下文中“照葫芦画瓢”，快速适应新任务。典型应用是客服场景：给模型几个“用户问题—温情回复”示例后，它就能学会用简洁、共情的语言回应客户。思维链（Chain-of-Thought）
把复杂问题拆成一步步可验证的子问题，让模型把推理过程显式写出来。例如算术题“玛丽有多少苹果”：先复述已知量，再列出乘法步骤，最后给出结论。该方法同样适用于常识推理与符号推理，显著降低“跳步”导致的错误。自我一致性（Self-Consistency）
模仿人类“多角度验算”的习惯：对同一问题采样多条推理链，然后投票选出最一致的答案。实验表明，多条链都指向同一结果时，准确率大幅提升，可广泛用于数学、翻译、代码生成等需要高可靠性的场景。计划与执行（Plan-and-Solve）
先让模型一次性生成完整计划，再按部就班执行。优点是结构清晰；缺点是计划一旦有误，执行阶段无法自我修复，容易导致“一步错、步步错”。ReAct框架
打破“先计划后执行”的僵化流程，让模型像人一样“边想边干”：先推理，再行动，根据环境反馈实时调整下一步。典型流程为“思考→行动→观察→再思考”。多智能体协作项目MetaGPT已落地该框架，实现编码-测试-修复的闭环。反思（Reflexion）
在ReAct基础上加入“复盘”机制：
行动者（Actor）提出解决方案；
评估者（Evaluator）打分；
反思模块（Self-reflection）用自然语言总结失败原因并写入记忆；
下一轮Actor带着“教训”重新尝试，直至评估通过。
实验场景中，Agent首次找杯子顺序错误，经反思后第二次先取台灯再检查杯子，任务成功完成。
思维树 / 思维图（Tree/Graph of Thoughts）
把思考过程可视化为树或图：每个节点代表一个推理步骤，边表示逻辑关系。模型可在生成过程中回溯、剪枝、聚合不同分支，进一步提高复杂推理的系统性。
总结：从“示例模仿”到“逐步推理”，再到“多角度验证”“动态行动”“反思迭代”，这些框架层层递进，使大模型具备了类人的计划、执行、纠错、成长能力，为数学推理、代码生成、智能客服、自主Agent等场景提供了可靠的方法论。
本书免费下载地址
关注微信公众号“人工智能产业链union”回复关键字“AI大模型06”获取下载地址。
