GoT思维图：推理增强Prompt策略

可视化演示

动态演示GoT思维图的核心机制，通过架构/数据/状态/性能四种模式展示关键概念与交互流程。

核心概念

探险队出发前的第一件事，是画一张地图草稿。队长把所有人的计划摊开：哪个营地是起点，哪条路通往下一个观察点，哪几个岔路口值得分头走。在这张图上，营地与道路构成了一个网络，而不是一条笔直的路线。GoT 思维图做的正是这件事：它把大模型的思考过程显式地组织成一张有向图，图中每个顶点是一次中间思考的产物，每条边代表“从某个结论可以推导到另一个结论”的流动方向。

当你的 Prompt 告诉模型“请同时从三个角度分析这个问题”时，模型会从根问题分裂出多个推理分支。每个分支独立推进，各自生成自己的中间结论，这就是“多路探索”。如果一条分支发现矛盾，可以像探险队发现断崖一样折返；如果两条分支殊途同归，就在某个营地汇合，把信息合并成更强的结论。整个推理不再是一条单行线，而是一幅不断生长的地图。

地图的价值在于：它记录了所有可能性，而不是只记录碰巧走通的那一条路。GoT 的核心概念可以用一张有向图来概括：

有了图这份“总地图”，探险队就不再害怕迷路——因为每一条走过的路、每一个思考过的结论，都被记录在案，随时可以回头重新规划。

图结构设计

既然要把推理画成地图，就要先约定地图上的符号。在 GoT 中，顶点（Vertex）代表一个可独立评估的结论状态，它可能是一个子问题答案、一个中间假设、一组候选方案，甚至是一条被否定的路径。边（Edge）则代表结论之间的推导关系，例如“由分支 A 的结论可以推出分支 B 的下一步操作”。

探险队的地图上，一个营地可以有多个入口和多个出口。GoT 同样允许一个顶点被多条边指向：当几个分支小队各自得出部分结论时，所有结论都指向同一个汇合营地。此时，这个营地不再属于任何单一分支，而是多个分支共同孕育出的新结论。设计图结构时，最关键的问题是：哪些顶点应该聚合，哪些边应该允许回溯。

聚合点选得好，能像山谷隘口一样把多路人马汇成一股洪流；选得不好，则会强制合并两个实际上互斥的结论，让推理跑偏。回溯点则像地图上标注的“此路不通”记号，提示模型：从这个营地出发的这条边没有未来，请回到上一个岔路口另选方向。一个聚合结论的生成，本质上是对多个分支做信息融合：

图结构设计的功夫，就体现在这些聚合点与回溯点的选取上。地图画得好不好，直接决定了探险队能否高效抵达终点。

关键操作

探险队在地图上会执行四类动作：扎营、合并、修图、折返。GoT 与之对应的操作是：推理生成（Generation）、信息聚合（Aggregation）、结论精炼（Refinement）与循环回退（Feedback）。

推理生成发生在每个顶点上：模型根据当前顶点的内容，通过“下一步该做什么”的 Prompt 引导，生成一个或多个新的候选顶点。这是图扩张的基本动作，就像小队在每个营地决定下一个探索方向。信息聚合则是把多个顶点的结论汇总成一个新顶点，要求模型扮演评审团，找出这些结论中的共识、冲突与互补。结论精炼针对单个顶点：如果发现某个中间结论表述含混或覆盖面不足，模型会原地优化它，而不是推倒重来。循环回退则是在发现死路时，沿着之前的边返回到某个祖先顶点，重新选择分支执行推理生成。

这四种操作组合起来，构成了 GoT 推理的完整闭环。其中，信息聚合是最具特色的操作，它让图不是一堆散沙，而是一张真正能“合拢”的地图：

聚合不是简单地把文本拼在一起，而是让模型像队长听取各小队汇报一样，去芜存菁、提炼共识。因此聚合 Prompt 的质量，往往比分支数量更能决定最终答案的上限。

与CoT对比

早期的 Chain-of-Thought 技术，像是探险队只派一支小队，沿着一条确定的路走下去。每走一步，都把推理过程写下来，直到抵达终点或撞上死路。它的优点是把“隐藏的思考过程”显性化，让模型一步步逼近答案；缺点也显而易见：一旦半路走错，必须从头再来，而且没有机会同时尝试另一条更优路线。

GoT 则将这支小队升级成一个探险网络。多支小队并行探索，既可以在岔路口分离，也可以在山谷汇合。从理论上看，在包含多条可行路径的搜索空间中，图结构一定能找到不短于线性链的最优路径。也就是说，GoT 在最坏情况下的表现不会比 CoT 差，而在复杂问题上往往能发现 CoT 看不到的“近路”：

不过，地图越丰富，绘制成本也越高。GoT 需要多次调用模型来生成分支、执行聚合，Token 消耗和延迟都会上升。因此场景选择很重要：简单的是非题用 CoT 就够了，涉及多路径组合推理的难题才值得动用 GoT。

实战应用

讲到这里，你可能会问：这张地图在真实工作中到底能画出什么？最常见的战场是数学证明。面对“证明素数无穷多”这类问题，模型可以同时走“反证法”与“构造法”两条分支，一条构造出 N = p1×…×pn + 1，另一条证明 N 的因子不可能在已知素数列表中，最后在“矛盾”这个顶点汇合，得到完整证明。任何一条分支单独走，都容易在半路卡住，但合在一起就顺畅了。

方案设计是另一个典型场景。当 AI 需要为一个系统设计架构时，分支一负责“高可用方案”，分支二负责“低成本方案”，分支三负责“可扩展性分析”。聚合时，模型综合三者优劣，输出一个平衡方案。这比让模型一口气写一个方案要稳得多。代码生成与逻辑推理同理：多路探索能覆盖边界条件，回溯能在错误假设出现时及时纠偏。

多路探索之所以有效，是因为多个独立分支的成功概率可以被叠加。假设每个分支的成功率是 p_i，那么只要有一条分支成功，整体推理就不会失败：

实践中的经验是：GoT 最适合那些“一眼看不出唯一解法”的问题。越是需要组合多种知识、尝试多条路径的任务，图结构带来的收益就越明显。

实施策略

把 GoT 用到自己的项目里，不需要推翻现有 Prompt，只需要按策略改造它。第一步是“专家提示”：在 Prompt 中明确要求模型扮演一个推理队长，先列出若干独立的研究方向，再逐方向深挖。这样能把隐式的多路探索变成显式的分支操作，让模型更容易遵循。

第二步是决定“遍历顺序”。常见的策略是广度优先（先让所有分支都产生第一层结论，再统一评估该扩展哪个）和深度优先（沿着最有希望的分支一路走到底，走不通再回溯）。复杂问题上，广度优先更稳妥；需要快速验证一个想法的可行性时，深度优先更高效。第三步是“结果融合”：在聚合节点上，用专门的聚合 Prompt 让模型比较、筛选、合并各分支结论。每一步的取舍，都可以用一个加权评分来辅助决策：

一个可落地的 GoT Prompt 模板可以长这样：

把这张“探险指示图”交给模型，你就完成了从单链推理到图结构推理的升级。

---

你是一位严谨的推理队长，请用以下步骤分析问题：1. 发散：列出 3 个不同的研究方向，分别简述思路；2. 深入：对每个方向独立推进两步，并标注中间结论；3. 汇合：比较上述结论，找出共识与矛盾；4. 回溯：若某方向出现自相矛盾，说明矛盾点并返回岔路；5. 定稿：综合所有有效结论，输出最终答案。

AI 应用场景

Python 演示

class GraphOfThought:    """以有向图方式组织多分支推理过程。"""     def __init__(self, root_question):        self.nodes = {0: root_question}        self.edges = []        self._counter = 1     def add_branch(self, parent_id, thought):        node_id = self._counter        self._counter += 1        self.nodes[node_id] = thought        self.edges.append((parent_id, node_id))        return node_id     def merge_nodes(self, node_ids, merged_thought):        node_id = self._counter        self._counter += 1        self.nodes[node_id] = merged_thought        for nid in node_ids:            self.edges.append((nid, node_id))        return node_id     def get_paths(self, start=0):        paths = []         def dfs(node_id, path):            children = [e for e in self.edges if e[0] == node_id]            if not children:                paths.append(path + [node_id])                return            for _, child in children:                dfs(child, path + [node_id])         dfs(start, [])        return paths  if __name__ == "__main__":    got = GraphOfThought("证明：素数有无限多个")    p1 = got.add_branch(0, "假设素数是有限的 p1..pn")    p2 = got.add_branch(0, "构造 N = p1*p2*...*pn + 1")    combine = got.merge_nodes([p1, p2], "N 的质因子不在已知列表，矛盾")    got.add_branch(combine, "所以素数无限多个")    for path in got.get_paths():        print(" -> ".join(got.nodes[i][:10] for i in path))

1. self.nodes = {0: root_question}最初的用户问题被存成 0 号顶点，是整个推理图的起点。
2. def add_branch(self, parent_id, thought)在指定父顶点上长出一条新的推导边，模拟探险队从营地出发进入新方向。
3. self.edges.append((parent_id, node_id))把“从父到子”的有向边记录下来，让图结构逐步成型。
4. def merge_nodes(self, node_ids, merged_thought)把多个顶点聚合成一个新顶点，并记录所有指向聚合点的边，完成信息汇聚。
5. got.add_branch(0, "假设素数是有限的 p1..pn")从根问题分出一路“反设”分支，这是反证法的关键一步。
6. got.merge_nodes([p1, p2], "N 的质因子不在已知列表，矛盾")两条分支在图中央汇合，聚合出矛盾结论。
7. for path in got.get_paths():深度优先遍历整张图，输出每条从根到叶的完整推理路径，便于检查逻辑链路。

常见误区

面试题