在LangChain中实现思维链（CoT）推理的五种实战方法

思维链（Chain-of-Thought, CoT）推理是提升大语言模型（LLM）逻辑能力的关键技术。虽然LangChain没有内置名为“Chain-of-Thought”的模块，但借助其灵活的提示模板与链式组合机制，开发者可以轻松实现多种风格的CoT推理。本文将详细介绍五种实战方法，帮助你根据场景选择最合适的实现路径。

1. 通过提示模板实现基础CoT

最简单直接的方式就是在提示中要求模型“逐步思考”。利用LangChain的 PromptTemplate 可以快速构建包含CoT指令的PromptTemplate，再通过 LLMChain 调用LLM。这种方法适合快速验证CoT效果，无需额外示例或复杂链结构。

例如，在构建一个问答系统时，你可以在模板中写明：“请逐步分析问题，并给出最终答案。” 模型会输出类似以下内容的推理链：

from langchain.prompts import PromptTemplate
from langchain.llms import OpenAI
from langchain.chains import LLMChain
​
# 定义CoT提示模板
cot_template = """问题: {question}
请一步步推理，然后给出最终答案。"""
​
prompt = PromptTemplate(template=cot_template, input_variables=["question"])
​
# 创建LLM和链
llm = OpenAI(temperature=0)
chain = LLMChain(llm=llm, prompt=prompt)
​
# 运行
question = "小明有 5 个苹果，小红给了小明 3 个，然后小明吃了 2 个，现在小明有多少苹果？"
response = chain.run(question)
print(response)

第一步：小明原本有 5 个苹果。
第二步：小红给了小明 3 个，所以苹果数变为 5 + 3 = 8 个。
第三步：小明吃了 2 个，所以苹果数变为 8 - 2 = 6 个。
最终答案：小明现在有 6 个苹果。

实践建议： 如果你需要让模型在推理过程中使用外部工具（如搜索或计算器），基础CoT可能不够灵活，此时可以考虑更高级的Agent方案。另外，在UI开发场景中，这种简单CoT很适合嵌入到React或Angular前端应用中，为用户提供透明的推理过程。

⚠️ 注意事项： 基础CoT的效果高度依赖模型本身的能力。对于复杂推理任务，建议配合Few-Shot示例使用，以获得更稳定、更准确的结果。

2. 使用Few-Shot CoT提升稳定性

为了获得更稳定的推理效果，可以为模型提供几个CoT示例（Few-Shot）。LangChain的 FewShotPromptTemplate 和FewShotPromptTemplate能够轻松实现这一功能。你只需准备一组包含“问题-推理-答案”的示例，模型就会模仿这些模式进行推理。

from langchain.prompts import FewShotPromptTemplate, PromptTemplate
​
# 示例数据
examples = [
{
"question": "一个长方形的长是 5 米，宽是 3 米，面积是多少？",
"answer": "长方形面积 = 长 × 宽 = 5 × 3 = 15 平方米。所以答案是 15 平方米。"
},
{
"question": "一箱牛奶有 12 瓶，喝了 3 瓶，又买了 5 瓶，现在有多少瓶？",
"answer": "原来有 12 瓶，喝了 3 瓶剩下 9 瓶，再买 5 瓶变成 14 瓶。所以答案是 14 瓶。"
}
]
​
# 格式化每个示例的模板
example_template = """问题: {question}
推理: {answer}
"""
example_prompt = PromptTemplate(
template=example_template,
input_variables=["question", "answer"]
)
​
# 构建few-shot提示
few_shot_prompt = FewShotPromptTemplate(
examples=examples,
example_prompt=example_prompt,
suffix="问题: {input}\n推理:",
input_variables=["input"]
)
​
# 使用
chain = LLMChain(llm=llm, prompt=few_shot_prompt)
print(chain.run("温度 20 摄氏度，比昨天高 5 度，昨天多少度？"))

✅ 优势： Few-Shot CoT在数学推理、逻辑谜题等任务中表现尤为突出。它不需要额外训练或微调，只需在提示中嵌入少量高质量示例，就能显著提升推理质量。

延伸应用： 在前端工具链中，你可以将Few-Shot CoT用于自动化代码审查或Bug定位。例如，提供几个“代码片段-错误分析-修复建议”的示例，让模型逐步推导出问题根源。

3. 利用Agent实现ReAct风格的CoT

LangChain的Agent框架（如 ZeroShotAgent）内置了ReAct（Reasoning + Acting）方法，它将推理与行动相互结合，本质上是一种高级形式的CoT。Agent会输出“思考”（Thought）、“行动”（Action）、“观察”（Observation）等步骤，形成完整的推理-行动循环。

from langchain.agents import load_tools, initialize_agent, AgentType
​
tools = load_tools(["serpapi", "llm-math"], llm=llm)
agent = initialize_agent(
tools, llm, agent=AgentType.ZERO_SHOT_REACT_DESCRIPTION, verbose=True
)
​
agent.run("谁是美国总统？他现在的年龄是多少？")

当设置 verbose=True 时，控制台会打印出完整的推理步骤链，包括每一步的思考过程和工具调用结果。这对于调试和理解Agent行为非常有帮助。

适用场景： ReAct风格的CoT特别适合需要多步推理且依赖外部工具（如数据库查询、API调用、文件操作）的复杂任务。例如，在构建一个智能客服Agent时，它可以根据用户问题逐步推理，并调用订单查询、库存检查等工具，最终给出准确回答。

⚙️ 与前端框架的集成： 如果你使用React或Angular构建前端应用，可以将Agent的推理日志实时展示在UI中，让用户看到每一步的思考过程，提升透明度和信任感。

4. 使用SequentialChain拆分推理阶段

对于复杂任务，可以将推理过程拆分成多个独立阶段，分别用不同的链进行处理，最后用 SequentialChain 将它们串联起来。例如，先让模型生成推理步骤，再让模型根据这些步骤生成最终答案。这种模块化设计让每个链专注于单一任务，易于调试和维护。

from langchain.chains import SequentialChain
​
# 链1：生成推理步骤
step_prompt = PromptTemplate(
template="问题: {question}\n请一步步写出推理过程。",
input_variables=["question"]
)
step_chain = LLMChain(llm=llm, prompt=step_prompt, output_key="steps")
​
# 链2：根据步骤生成答案
answer_prompt = PromptTemplate(
template="推理步骤: {steps}\n请给出最终答案。",
input_variables=["steps"]
)
answer_chain = LLMChain(llm=llm, prompt=answer_prompt, output_key="answer")
​
# 组合链
overall_chain = SequentialChain(
chains=[step_chain, answer_chain],
input_variables=["question"],
output_variables=["steps", "answer"]
)
​
result = overall_chain({"question": "树上有 8 只鸟，飞走了 3 只，又飞来了 2 只，现在有几只？"})
print("推理步骤：", result["steps"])
print("最终答案：", result["answer"])

✅ 优势： SequentialChain允许你为每个阶段使用不同的LLM或提示模板，甚至可以在中间步骤插入人工审核或规则校验。这在金融、医疗等对准确性要求极高的领域尤为有用。

设计模式： 你可以将SequentialChain视为一种“管道”模式，类似于前端开发中的中间件或管道流（如Angular的管道、React的Hooks链）。每个阶段输出作为下一阶段的输入，实现清晰的数据流。

5. 使用专门的CoT提示库（社区贡献）

LangChain社区以及一些第三方库提供了预制的CoT提示模板。例如，在 langchain/prompts 中可能包含 CHAIN_OF_THOUGHT_PROMPT 等常量，你可以直接导入使用，省去自行设计提示的麻烦。

from langchain.prompts import CHAIN_OF_THOUGHT_PROMPT
​
cot_prompt = CHAIN_OF_THOUGHT_PROMPT  # 可能是一个FewShotPromptTemplate对象
chain = LLMChain(llm=llm, prompt=cot_prompt)

⚠️ 注意事项： 不同版本的LangChain包含的预制提示可能会有所差异，建议查阅对应版本的文档或源码。此外，社区提示模板可能针对特定模型（如GPT-4、Claude）进行了优化，使用时需根据实际模型微调。

扩展建议： 如果你正在使用React或Angular等前端框架构建LLM应用，可以将这些预制提示封装为可复用的服务或组件，提高开发效率。例如，在React中创建一个useCoT自定义Hook，封装提示加载、模型调用和结果解析逻辑。

[AFFILIATE_SLOT_1]

总结

LangChain虽然没有提供“一键CoT”的便捷函数，但其设计哲学——灵活的提示模板与链式组合——让你能够自由实现各种CoT变体。从简单的“逐步思考”提示，到Few-Shot示例、ReAct Agent、SequentialChain多阶段推理，再到社区预制提示，每种方法都有其适用场景和优势。

实践建议： 根据任务复杂度选择合适的CoT方式。简单问答用基础CoT，需要稳定推理用Few-Shot，涉及工具调用用ReAct Agent，复杂多步任务用SequentialChain。同时，不要忘记结合前端框架（如React、Angular）构建用户友好的推理展示界面。

[AFFILIATE_SLOT_2]

（本文为原创技术文章，如需转载请联系作者并注明出处。）