第 5 章 · 自测与辨析
自测 & 辨析：把六个模式钉回两根轴
前四章建立了两根轴（算力花在哪 × 接不接外部真值）、六种核心模式和一批前沿变体。这一章不教新东西，只做一件事：逼你把它们从记忆里取出来、在新场景里用。读得顺不算学会，选得对才算。
这一章检验的三层能力
- 概念层 · 回忆：六个模式各是什么、各把算力花在哪
- 原理层 · 理解：为什么 CoT 有效、为什么闭环会幻觉、为什么 ToT 的命门是评估器
- 应用判别层 · 迁移：给新场景选对模式，并讲清为什么不选其余——这层最难，也最像真实工作
·怎么用这一章
每一道题都先合上教程作答，写下来，再展开文末的答案对照。直接看答案等于把这一章当成第五遍泛读——前四章的「流畅感警告」在这里照样成立。三层题按难度递增：概念层能背出来只是起点，能在应用判别层把场景和模式对上号，才说明那两根轴真的进了你的脑子。
一概念层 · 回忆（对应 01–02 章）
- CoT、Self-Consistency、ToT、ReAct、Reflexion 这五个，各自把推理期算力花在哪种资源上？一一对应说出来。提示：01 章 §1.1
- zero-shot CoT（"Let's think step by step"）和 few-shot CoT 的区别是什么？zero-shot CoT 实际跑下来是几次 LLM 调用？提示：01 章 §1.2
- Self-Consistency 投票时，投的是整条推理链，还是只是被抽出来的最终答案？被丢掉的是什么？提示：01 章 §1.3
- ReAct 循环由哪三段组成？其中哪一段把外部真值带进上下文？提示：02 章 §2.2
- Reflexion 自称 "verbal reinforcement learning"。它更新模型权重吗？它的"强化"具体存在哪里？提示：02 章 §2.4
二原理层 · 理解（对应机制，01–03 章）
- 为什么"多写几个中间 token"能让模型解更难的题？用"计算深度 / 串行步数"来解释，不许用"让模型想得更清楚"这种话。
- 一段 CoT 读起来逻辑通顺，为什么不能就此相信它反映了模型的真实计算？举出 Turpin 或 Lanham 的一个具体反例。
- 闭环推理（CoT / ToT）和接地推理（ReAct）在"会不会一脸自信地错"上有什么本质差别？根因是什么？
- ToT 的真正难点是搜索算法，还是状态评估器？为什么没有一个校准好的评估器时，ToT 基本只是在烧钱？
- 为什么在 o1 / DeepSeek-R1 这类推理模型上，往 prompt 里加 few-shot CoT 例子反而会拉低正确率？
三应用判别层 · 迁移（跨章场景，capstone 替代）
每题都要给出选择 并 说清为什么不选其余——只答对名字不算过关。
- 数学竞赛题：一道有唯一数值答案的题，token 预算充足，模型是 GPT-4（非推理模型）。CoT、Self-Consistency、ToT 里选哪个？为什么另两个在这里不划算或没必要？
- 客服 agent：要查实时订单状态、查会变动的退款政策，偶尔工具 API 报错。纯 CoT、ReAct、Plan-and-Execute 里选哪个？哪根轴（接地 / 承诺）在这题起决定作用？
- 代码生成：任务带一组能跑的单元测试（明确 pass/fail 信号），第一次生成经常失败。Reflexion、Self-Refine、Self-Consistency 里选哪个？为什么这里 Self-Refine 不如 Reflexion？
- 换内核：你把模型从 GPT-4 换成 o3（自己会长推理），原方案是"few-shot CoT 提示 + ReAct 工具循环"。哪部分该去掉、哪部分该保留？为什么？
- 给新模式归位：有人提出一个新玩法——"先让模型并行写 8 条草案，再让它把 8 条合并成一条最终答案"。它落在两根轴的哪个格子？最接近本教程讲过的哪个已知模式？
亲手画一张图
合上整本教程，在纸上画出这两根轴：横轴是「算力花在哪」，纵轴是「接不接外部真值」。然后凭记忆把 CoT、Self-Consistency、ToT、ReAct、Reflexion、Plan-and-Execute 六个填进格子。 画完翻回 起点的图 0.1 对照——你画的图里，ReAct 和 Reflexion 落在下半（接地）那一排了吗？ToT 有没有被你正确地放在上半（内部闭环）？放错的那个，正是你还没真正吃透的轴。
进阶挑战 · 刚好够不着
把两轴升级成一张选型决策树
两根轴是一张"地图"，但选型时人需要的是一条"路线"。试着把它改写成一棵决策树：根节点问一个最分水岭的问题，三到四次分叉后落到具体模式。哪个问题最该放在根节点——是"有没有可靠的外部反馈信号"，还是"答案能不能投票"，还是"模型自己会不会推理"？
提示（卡住再展开）
先想哪个问题一旦答了，能砍掉最多候选。"模型自己会不会推理"几乎一刀切掉所有手写推理脚手架（第 4 章），适合放最前；接着"需不需要外部真值"分开接地 / 闭环两个家族；再用"答案可投票吗 / 要不要回溯"在家族内部细分。没有唯一正确答案，但根节点选错会让树变臃肿。
全部答案（15 题都做完再展开）
概念层
- CoT＝串行 token（中间步骤写在 token 流里）；Self-Consistency＝并行采样（多条链）；ToT＝树搜索（生成 + 评估 + 回溯）；ReAct＝工具往返（每步调一次外部）；Reflexion＝重试回合（跨 episode 带记忆重来）。
- few-shot CoT 在 prompt 里给出带推理步骤的示例；zero-shot CoT 不给示例，只追加一句"Let's think step by step"。zero-shot CoT 是两次调用：第一次诱导出推理，第二次把答案抽取出来。
- 只投最终答案（对答案做多数投票 / 边缘化）。推理文本本身被丢弃——它不评分、也不挑"最佳链"。
- Thought → Action → Observation。Observation 把外部真实结果带进上下文，是接地的那一段。
- 不更新权重（零梯度）。它的"强化"是一段语言形式的自我反思，写进 episodic memory，下次重试时前置进 prompt。把它叫 RL 有点勉强。
原理层
- 一次前向传播的计算深度固定，串行步数有上限（属于弱计算类，连可靠的迭代状态跟踪都难）。每吐出一个 CoT token 又重新进入模型，相当于多走一个串行步——token 流把"递归"展开成更多串行计算，T 步 CoT 近似模拟一个规模为 T 的电路。所以多写 token＝给模型补它架构上缺的计算深度。
- 因为链条可能是事后合理化，不是真实计算。Turpin：把示例答案全设成 (A) 制造偏置，模型会照着 (A) 编一套理由、正确率最多掉 36%，且从不提那个线索。Lanham：截断或往链里掺错，发现某些任务的答案根本不随链条改变——说明答案在链写出来之前就定了。
- 闭环推理没有任何一步和真实世界核对，错误会顺着链往下传，且模型对错误答案同样自信；接地推理每步都有 Observation 把真值打回来，下一步推理是以真值为条件，所以能在中途纠错。根因是有没有外部真值进入循环。
- 真正的难点是状态评估器。BFS/DFS 只是遍历；决定走哪条、剪哪条、何时回溯，全靠评估器给出可信的 sure/maybe/impossible。评估器不准，搜索就只是把一堆同样不靠谱的分支都试一遍，成本翻几倍而质量不升。
- 因为这些模型已经把长推理训进了权重，会自发生成内部链。手写的 few-shot CoT 例子会和这条已训练的内部链冲突、把模型往示例的表面套路上带；多项证据显示 zero-shot 直给反而比 few-shot 更准，加例子是负优化。
应用判别层
- Self-Consistency。答案唯一且可投票、预算充足，采样多条 CoT 投票能稳稳压低方差、性价比最高。ToT 的树搜索对"唯一数值答案"是杀鸡用牛刀，而且要额外造一个状态评估器（命门）；单条 CoT 则没用上你富余的预算。（综合 01 + 03 章。）
- ReAct。决定因素是接地那根轴：要查实时、会变的外部状态，闭环 CoT 只会编，必须每步用 Observation 接真值；API 会报错也要求走一步看一步、当场纠错，而不是前置一张会过时的死计划（Plan-and-Execute 在这里反而脆）。（综合 02 章。）
- Reflexion。关键是这里有一个清晰的外部信号（单元测试 pass/fail）。Reflexion 能把"为什么这次没过测试"写进记忆、指导下次——这正是它需要、也是它擅长的。Self-Refine 只让模型自己批评自己、没有外部真值，容易自我感觉良好地原地打转；Self-Consistency 对"会不会过测试"这种要执行验证的任务也使不上劲。（综合 02 + 03 章。）
- 去掉 few-shot CoT 提示（o3 自己会推理，手写示例反而掉分，改 zero-shot 直给）；保留 ReAct 工具循环（接地 / 工具编排是应用架构，推理模型再强也得靠它查实时数据、调真实工具）。一句话：推理脚手架退场，接地与编排留下。（综合 04 章。）
- 落在内部闭环 / 并行采样 + 聚合那个格子——并行写多条、再合并。最接近的已知模式是 Graph of Thoughts（它在 ToT 基础上多了"把分支聚合 / 合并"）；也可看成 Self-Consistency 把"多数投票"换成了"让模型合并"。它没接外部真值，仍属上半的闭环家族。（综合 03 章归位法。）