Tree of Thought
Tree-of-Thought（ToT，Yao et al., 2023；也常被称为 Tree of Thoughts）的核心是：把“解题过程”从一条线性的思维链（CoT）变成一棵可搜索的树。
- CoT：通常只生成“一条”推理路径，走错了就容易一路错下去。
- ToT：每一步不是只想一个下一步，而是同时生成多个候选“想法/步骤（thoughts）”，然后评估每个候选的质量，选择最有希望的分支继续扩展，反复迭代，直到找到满意解。
这让 ToT 特别适合 需要搜索与规划 的任务：例如谜题、组合优化、写作大纲、复杂决策、多方案权衡、路线规划、代码修复（多种修复方案）等。
1) ToT 的基本流程（把它当“分支 + 打分 + 继续搜索”）
一个典型 ToT 循环包含 4 件事：
- 定义状态（state）：当前已经得到的部分解/当前进度
- 生成多个候选 thoughts：从当前状态往前走 3~5 个不同的下一步
- 评估 thoughts：用一个“评估提示词”给每个候选打分/分类（可行、部分可行、不可行）
- 选择并扩展：选 top-k 个继续生成下一层 thoughts（形成树）
工程上常见两种搜索策略：
- BFS/束搜索（beam search）：每层保留评分最高的 k 个分支
- DFS/回溯：沿一个分支走到底，不行就回退换分支
2) ToT 提示词怎么写：至少需要“两类 Prompt”
ToT 往往不是一个提示词就完事，而是一个“脚本化流程”，至少包括：
- 生成器 Prompt（Generator）：产生多个候选步骤/想法
- 评估器 Prompt（Evaluator）：评价这些候选哪几个值得继续
如果你没有工具编排（比如你只是在聊天窗口里），也可以用“单次提示词模拟 ToT”：让模型在一次输出里完成“多分支 + 评估 + 选择 + 继续扩展”。但工程上更常见的是多轮调用。
3) 可复制的 ToT 提示词模板（中文）
模板A：单次输出模拟 ToT（初学者易用）
你将使用“树状思考（Tree-of-Thought）”来解决问题。
要求：
1) 先给出 3 个不同的候选思路/下一步（记为 Thought A/B/C），每个用 1-3 句话说明。
2) 然后用明确标准对每个 Thought 进行评估（可行性/是否接近目标/风险），并给出 0-10 分。
3) 选择得分最高的一个 Thought 继续展开：再生成下一层 2-3 个子 Thought，并再次评估与选择。
4) 重复上述“生成-评估-选择”至少 2 轮。
5) 最后输出最终方案/答案，并简要说明为什么选择这条路径。
问题：{在此粘贴问题}
模板B：更工程化（生成器 + 评估器分离）
生成器 Prompt
你是候选步骤生成器。给定【问题】和【当前状态】，
请生成 {n} 个不同的下一步（thought），每个 thought 必须是可执行的具体动作或推理步骤。
输出格式：
- Thought 1: ...
- Thought 2: ...
...
【问题】：{problem}
【当前状态】：{state}
评估器 Prompt
你是评估器。给定【问题】【当前状态】和若干候选 thoughts，
请对每个 thought 评分（0-10）并给出一句理由。
评分标准：是否推进目标、是否可行、是否引入矛盾/遗漏约束。
最后选出 top-{k} 个最值得继续扩展的 thought 编号。
【问题】：{problem}
【当前状态】：{state}
【候选 thoughts】：
{thoughts}
4) 实际例子：用 ToT 做“规划类任务”（旅行规划）
问题：
“我在上海，周末两天想带父母轻松游玩：人少、步行少、吃得清淡。预算 1500 元内。请给出行程。”
用 ToT 的价值：这不是一个“唯一正确答案”，而是要在约束下搜索更优解（人少/步行少/清淡/预算）。
示例提示词（用模板A）
你将使用树状思考（Tree-of-Thought）来做规划。
约束：
- 两天周末
- 人少、步行少
- 饮食清淡
- 预算≤1500
- 需要包含：交通建议、用餐建议、每半天安排一个主要活动
按“生成3个Thought→评估→选择→再生成下一层→评估→选择”至少两轮，最后给出最终行程。
问题：我在上海，周末两天想带父母轻松游玩：人少、步行少、吃得清淡。预算1500元内。请给出行程。
模型的 ToT 风格输出通常会像：
- 第一层 Thought：
A 走“郊区自然+温泉”；B 走“市内博物馆+江边轻松”；C 走“古镇+茶馆” - 评估：根据人流、步行量、交通折腾程度、饮食可控性打分
- 选择最高分（比如 B）继续细化到第二层（具体地点组合）
- 再评估选最优组合，最后形成完整行程
这就是 ToT：先发散，再收敛。
5) 再举一个更“搜索味”的例子：谜题/组合（适合 ToT）
任务：
“给定 4 个数字 1、3、4、6，用加减乘除和括号得到 24。”
CoT 可能一条路走到黑；ToT 会：
- 第一层生成 3-5 种组合法方向（先乘、先除、先括号等）
- 评估哪种更接近 24（比如中间结果是否能到 24 或其因子）
- 继续扩展最有希望的分支，直到找到表达式
你可以用模板A直接让模型“多分支搜索”，通常成功率更高。
6) 什么时候 ToT 特别有效（你引用的“search & planning”）
ToT 最擅长的场景特征：
- 路径很多：有大量可能步骤/方案（写作结构、产品方案、排程）
- 容易走错：单一路径容易陷入死胡同（谜题、推理、调参）
- 需要权衡：多个目标与约束（成本/质量/风险/时间）
- 需要探索：先发散创意再收敛选择（营销创意、故事大纲）
7) 初学者落地建议（简单但很关键）
- 控制分支数：每层 3 个 thoughts 通常足够；太多会冗长。
- 明确评估标准：不然“评分”会很主观、不可复现。
- 保留 top-2：很多任务保留一个备选分支能显著提升成功率。
- 加停止条件：例如“达到可执行方案/满足约束/找到精确答案就停止”。
如果你给我一个你正在做的具体任务（比如“写一份商业计划书大纲”“一道逻辑题”“一个代码 bug 怎么修”），我可以用 ToT 给你定制：
- 分支数量 n、保留 k
- 评估标准表
- 以及一套可直接复制的生成器/评估器 Prompt。你想用 ToT 解决什么问题？