Chain of Thought

思維鏈指的是：在一次回覆裡，讓 Claude 把推理過程一步一步寫出來，而不是只給最終答案。這跟 extended thinking（延伸思考）不是同一件事——extended thinking 是模型可以調用的內部思考預算，屬於機制層面的資源分配，思考過程不一定會顯示給你看；思維鏈則是明確要求把思考步驟寫進回覆本身，你看得到每一步。這也跟 prompt chaining（提示鏈接）不同——prompt chaining 是把一個大任務拆成好幾個獨立的 prompt，一次呼叫接著一次呼叫串起來完成；思維鏈是單一次回覆內部的推理展開，不涉及多次呼叫。三者容易被混用，但分別處理的是不同層次的問題：思維鏈管「這一次回答的推理過程要不要寫出來」，extended thinking 管「這次思考能用多少資源」，prompt chaining 管「這個任務要不要拆成好幾次呼叫」。

這個做法會被需要，是因為直接要答案跟要求展開推理，兩者的可核實程度完全不同。只有結論的情況下，一份計算結果錯了，你只知道「這個數字不對」，不知道錯在資料代錯、公式用錯、還是中間哪一步筆誤——重新來一次的唯一辦法通常是整段重跑，沒有辦法定位問題出在哪。思維鏈把推理過程攤開之後，錯誤會落在具體的某一步，你可以直接指出「第三步的假設不成立」，讓 Claude 只需要修正那一步，不需要整個重來。這個差異在職場情境裡格外重要，因為很多需要 AI 協助的任務（合約條款比對、預算試算、政策適用判斷）本身要求的不是「一個答案」，是「一個能被檢視、能被質疑的推理過程」——沒有展開的思考，本質上是一個你只能選擇相信或不相信的黑盒結論。

實際操作分兩層。表層做法是在指令裡明確要求，例如「請一步一步說明你的推理過程，再給出結論」，或指定格式如「先列出你考慮的因素，再逐項判斷，最後給結論」——這個做法對任何模型都有效，成本是回覆會變長，但换來每一步都可以被檢視。深層做法是搭配結構化要求：針對計算類任務，要求列出每一步計算式而不是只給結果；針對判斷類任務（例如「這條合約條款算不算標準」），要求先列出判斷依據的具體條文或標準，再說明依據跟結論之間的關係，而不是先講結論再補依據——順序本身會影響推理是不是真的被完整想過一遍，還是結論先出現、依據只是事後補上的裝飾。要注意的是，思維鏈不是「加了就一定更準」，對非常簡單的任務（例如查一個固定事實），要求展開推理反而會拖慢速度、增加不必要的長度，值得展開的通常是計算、多步驟判斷、或有爭議空間的推理任務。

對你來說，思維鏈真正改變的是「出錯之後你能做什麼」。沒有展開推理時，發現答案錯了，你唯一能做的是整段重問，運氣好才會問到正確版本；有展開推理時，你能直接指出哪一步的假設或資料有問題，讓修正變成針對性的，而不是碰運氣的重試。這在需要對輸出負最終責任的場合特別關鍵——如果一份預算試算或合約條款判斷要往上呈交，能不能說出「這個結論是怎麼推出來的」，本身就是責任能不能被追溯的分界。要留意的風險是：思維鏈讓推理「看起來」更可信，但寫出來的步驟本身也可能是錯的或是自圓其說——展開推理不等於推理正確，你仍然需要核對關鍵的中間步驟，尤其是涉及具體數字或外部事實的地方，不能因為過程寫得詳細就直接放行結論。