Thread-of-Thought

prompt提示词2026年6月7日2

Thread-of-Thought（ThoT）Prompting（Zhou et al., 2023）的要点是：它不只是让模型“逐步推理”，而是让模型在处理长上下文/大段材料时采用一种更可控的节奏——分块阅读 → 每块做小结（summary）→ 同步分析（analysis）→ 最后综合回答。

它可以被看作是对传统 CoT 触发语（如 “Let’s think step by step”）的升级版“思维诱导器（thought inducer）”，更强调“按可管理的部分（manageable parts）”推进，特别适合长文 QA、RAG、证据聚合、以及多段材料之间的对齐。

1) 解决什么问题（为什么比普通 CoT 更适合长上下文）

在长上下文里，直接 CoT 常见问题是：

读到后面忘了前面（信息衰减）
抓不住重点，被细节淹没
引用/证据对应不上（“说了但找不到在哪一段”）
多文档冲突时没法逐步对齐与消解

ThoT 通过“分块 + 滚动总结”把上下文压缩成一条可维护的“线索线程（thread）”，边读边维护“到目前为止我掌握了什么、还缺什么”。

2) 核心提示语（论文中那句）

你给的句子就是 ThoT 的典型 thought inducer：

“Walk me through this context in manageable parts step by step, summarizing and analyzing as we go.”

对比：

CoT：强调“推理步骤”
ThoT：强调“上下文走读 + 每步总结/分析 + 可管理分块”，因此对“长材料理解与证据整合”更直接。

3) ThoT 的常用 Prompt 模板

模板 A：长上下文 QA（分块走读 → 综合作答）

你将使用 Thread-of-Thought（ThoT）来回答问题。
请把上下文分成若干“可管理部分”，逐部分进行：

Summary：用 1-3 句总结该部分关键信息

Analysis：说明该部分与问题的关系（支持/反驳/补充/无关）
处理完全部部分后：

Synthesis：汇总所有部分的证据，给出最终答案；如有冲突，说明如何取舍。

问题：{question}
上下文：{context}

模板 B：RAG/检索场景（对多段证据逐段“滚动对齐”）

你将看到多条检索证据（chunks）。
对每条证据按以下格式输出：

chunk_id

summary（要点）

relevance（与问题相关性：high/medium/low）

contribution（它回答了问题的哪一部分）
最后输出 final_answer，并列出使用了哪些 chunk_id 作为依据。

模板 C：更工程化的“滚动记忆”（累积要点）

按顺序处理每个段落。对第 i 段输出：

delta_summary：本段新增的关键信息（不重复旧信息）

delta_analysis：对问题的新增贡献

updated_notes：到目前为止的要点列表（<=8 条）
最后用 updated_notes 回答问题。

这种写法特别适合“上下文很长但输出要短”的系统：你把 updated_notes 当作可控的中间状态。

4) 例子（简化示意）

问题：公司为什么在 Q3 下调收入指引？
上下文：一篇很长的财报电话会纪要（多段）。

ThoT 会像这样走：

Part 1 Summary：宏观环境变弱、客户推迟采购
Analysis：与“下调指引原因”直接相关（需求侧）
Part 2 Summary：供应链改善但库存偏高
Analysis：可能导致去库存周期、影响短期出货（供给/渠道）
Part 3 Summary：汇率波动与某地区监管变化
Analysis：影响海外收入换算与市场准入（外部因素）
Synthesis：综合给出 2-3 个主因，并指出证据来自哪些段落

5) 使用建议与注意事项

分块粒度要合适：太大→退化成普通 CoT；太小→成本高且碎片化。常见做法是按段落/检索 chunk（如 300–800 tokens）处理。
强制“总结 + 关联问题”：只总结不分析，容易变成复述；只分析不总结，容易漏信息。
对冲突证据要有策略：可以要求模型在 synthesis 里标注冲突并给出取舍规则（时间更新更晚的优先、来源更权威的优先等）。
和“引用”天然兼容：ThoT 很适合在每个 part 标出证据位置，降低“编造引用”。

6) 和其他方法的关系（快速对比）

ThoT vs CoT：ThoT 更偏“阅读理解与证据管理”；CoT 更偏“推理步骤展开”。
ThoT vs RE2：RE2 是“再读一遍问题”防漏条件；ThoT 是“分块走读上下文”防漏证据。
ThoT vs Self-Ask：Self-Ask 是“拆子问题”；ThoT 是“拆上下文并滚动总结”。两者可组合：先 Self-Ask 定子问题，再对每个子问题用 ThoT 读证据。

如果你希望我“继续下一条技术”总结，请把下一段原文贴出来即可；或者告诉我你是在做 RAG 检索问答 还是 长文档阅读 QA，我也可以给你一份更贴合场景的 ThoT 提示词模板（含 chunk 格式、引用格式、输出长度约束）。