對于普通的文本問答，大模型傾向于直接對結果進行回復。下面我們先舉一個經典的計算字母的例子對大模型進行問答，代碼如下：

from openai import OpenAIclient = OpenAI(api_key="sk-dfd742ec38dc4ede96977974085485b0", base_url="https://api.deepseek.com")prompt = """
strawberry里面有幾個r字母。用中文回答。
"""response = client.chat.completions.create(model="deepseek-chat",messages=[{"role": "user", "content": prompt},],max_tokens=1024,temperature=0.95,stream=False
)print(response.choices[0].message.content)

代碼運行結果如下所示：

C:\Users\xiayu\miniconda3\python.exe C:\Users\xiayu\PycharmProjects\DeepSeek應用開發實踐-源碼\第四章\demo_0.py 
### 第一步：理解題目首先，我們需要清楚地理解題目在問什么。題目問的是“strawberry”這個英文單詞中有幾個字母“r”。也就是說，我們需要數一數這個單詞中出現了多少次“r”這個字母。### 第二步：寫出單詞為了更清楚地數出“r”的數量，我們可以先把“strawberry”這個單詞寫出來：s t r a w b e r r y### 第三步：逐個字母檢查現在，我們逐個字母來看，看看哪些是“r”：1. 第一個字母：s — 不是r
2. 第二個字母：t — 不是r
3. 第三個字母：r — 是r，計數1
4. 第四個字母：a — 不是r
5. 第五個字母：w — 不是r
6. 第六個字母：b — 不是r
7. 第七個字母：e — 不是r
8. 第八個字母：r — 是r，計數2
9. 第九個字母：r — 是r，計數3
10. 第十個字母：y — 不是r### 第四步：核對計數根據上面的逐個檢查：- 第三個字母：r — 1
- 第八個字母：r — 2
- 第九個字母：r — 3所以，總共有3個“r”。### 第五步：驗證為了確保我們的答案正確，讓我們再快速看一遍單詞：s t r a w b e r r y標出所有的“r”：- 第三個字母：r
- 第八個字母：r
- 第九個字母：r確實有3個“r”。### 可能的誤區有時候，人們可能會忽略連續相同的字母。例如，在“strawberry”中，“rr”是連續的兩個“r”，可能會被誤認為是一個“r”或者發音上的一個音。但是題目問的是字母的數量，不是發音，所以“rr”是兩個獨立的“r”字母。### 結論經過以上步驟和驗證，“strawberry”這個單詞中共有**3個字母“r”**。### 最終答案“strawberry”里面有**3個字母“r”**。Process finished with exit code 0

可以看到，對于普通的大模型而言，其回復過程往往是一種基于自身對問題理解的籠統考量，而非對問題進行細致入微的分解剖析。這種缺乏系統性分解的處理方式，就如同在迷霧中摸索前行，使得模型難以精準把握問題的核心要點與關鍵細節，進而不可避免地造成了結果的不準確性。

在面對復雜問題時，普通大模型的這種局限性尤為明顯。復雜問題通常包含著多個相互關聯又各自獨立的子問題，它們如同一張錯綜復雜的網，需要有條理地梳理和分析。然而，普通大模型卻難以做到這一點，它可能會將不同子問題的信息混淆在一起，或者在處理過程中遺漏某些重要環節，從而導致最終回復與實際情況相去甚遠。

我們通過提示（Prompt）分解問題，構建一個完整思維鏈對問題解答的示例，代碼如下所示：

from openai import OpenAI# for backward compatibility, you can still use 'https://api.deepseek.com/v1' as 'base_url'.
client = OpenAI(api_key="sk-dfd742ec38dc4ede96977974085485b0", base_url="https://api.deepseek.com")prompt = """
回答下面問題并注意回答的時候嚴格按照以下步驟，
逐步進行:
1.將單詞拆開
2.從左到右一個一個對比字母是不是r，是的話你要記錄它的位置，并記住數量加-3.
第2步數出來多少個r直接輸出，不要有任何分析和判斷 問題:"strawberry"里面有幾個r
"""response = client.chat.completions.create(model="deepseek-chat",messages=[{"role": "user", "content": prompt},],max_tokens=1024,temperature=0.95,stream=False
)print(response.choices[0].message.content)

在這里我們通過提示prompt對問題的求解過程進行拆分，并指示模型在回答時依據步驟進行，回答如下：

C:\Users\xiayu\miniconda3\python.exe C:\Users\xiayu\PycharmProjects\DeepSeek應用開發實踐-源碼\第四章\demo_1.py 
1. 將單詞拆開：s, t, r, a, w, b, e, r, r, y  
2. 從左到右一個一個對比字母是不是r：  
- s: 不是  
- t: 不是  
- r: 是（位置3，數量1）  
- a: 不是  
- w: 不是  
- b: 不是  
- e: 不是  
- r: 是（位置8，數量2）  
- r: 是（位置9，數量3）  
- y: 不是  輸出：3Process finished with exit code 0

可以看到，這里我們將問答步驟進行拆分，并且以清晰、有條理的方式引導模型完成任務。這種基于思維鏈的提示方法，讓模型的回答過程不再是一個黑箱操作，而是變得透明、可解釋。

通過這種方式，模型不再是盲目地給出答案，而是按照我們設定的步驟，一步一步地進行推理和計算。這不僅提高了答案的準確性，還使得模型的推理過程具有可復現性。如果出現問題，我們可以很容易地回溯到具體的步驟，檢查是哪一步出現了偏差。

而且，這種拆分步驟的方法具有很強的通用性。對于不同類型的問題，我們只需要根據問題的特點，設計相應的步驟提示，就可以引導模型進行有效的求解。例如，在處理數學問題時，我們可以將解題過程拆分為分析問題、列出已知條件、確定解題方法、進行計算等步驟；在處理文本分析問題時，我們可以將解題過程拆分為文本預處理、特征提取、模型推理等步驟。

此外，將問答步驟拆分還有助于提升模型的學習能力。模型在按照步驟進行多次任務后，會逐漸理解每個步驟的意義和作用，從而在面對類似問題時，能夠更加自主地運用這些步驟進行求解。這就像是人類在學習新技能時，通過反復練習分解動作，最終能夠熟練掌握整個技能一樣。

總之，通過提示（Prompt）對問題求解過程進行拆分，并指示模型依據步驟進行回答，這是一種非常有效的提升模型性能和可解釋性的方法。它為人工智能的發展提供了一種新的思路，有望推動人工智能在更多領域取得更好的應用效果。