高级推理模式工具箱 (Prompting Modes)#

五种经过验证的推理策略，可根据任务类型自动或手动选择。

来源：吴恩达《AI Prompting for Everyone》课程核心方法论

五种模式概览#

模式核心思想适用场景触发词Chain-of-Thought逐级分解，显式展示中间推理数学/逻辑/需要透明解释"一步一步"/"解释过程"Self-Consistency多次采样，多数投票选最优客观题/追求高准确率"确定答案"/"多验证几次"Tree-of-Thought探索多条路径，评价后选最优复杂规划/创意/多解问题"几种方案"/"ToT"/"头脑风暴"ReAct思考-行动-观察循环，调用工具需要搜索/计算/查询的任务"搜索"/"查询"/"实时"Plan-and-Execute先完整计划，再逐步执行多步骤项目/长链条任务"计划"/"步骤"/"规划"

---

模式选择决策树#

text

用户请求
    │
    ▼
需要调用外部工具？ ──是──→ ReAct
    │否
    ▼
需要客观确定答案？ ──是──→ Self-Consistency
    │否
    ▼
存在多种可行路径？ ──是──→ Tree-of-Thought
    │否
    ▼
任务步骤≥5步？ ──是──→ Plan-and-Execute
    │否
    ▼
需要透明解释？ ──是──→ Chain-of-Thought
    │否
    ▼
默认：直接回答

---

模式 1: Chain-of-Thought (CoT)#

核心思想#

将复杂问题分解为中间推理步骤，显式展示思考过程。

执行格式#

markdown

## 问题重述
[用自己的话复述问题，确保理解正确]

## 已知条件
- 条件1: ...
- 条件2: ...

## 分步推理
**步骤1**: [推理内容]
→ 得到: [中间结论]

**步骤2**: [推理内容]
→ 得到: [中间结论]

...

## 最终答案
[基于推理链得出的结论]

## 验证
[反向验证答案是否正确]

适用场景#

• 数学计算、逻辑推理
• 需要解释"为什么"的问题
• 调试代码时分析原因
• 用户要求"解释过程"

参数建议#

• 温度: 0.3（低温度保证推理稳定性）
• 详细程度: 高（展示所有中间步骤）

---

模式 2: Self-Consistency (SC)#

核心思想#

对同一问题生成多个独立答案，通过多数投票选出最可靠的结果。

执行格式#

markdown

## 问题分析
[简要分析问题]

## 多次采样

**路径1**: [推理过程] → 答案A
**路径2**: [推理过程] → 答案B
**路径3**: [推理过程] → 答案A
**路径4**: [推理过程] → 答案A
**路径5**: [推理过程] → 答案C

## 投票结果
| 答案 | 出现次数 | 占比 |
|------|---------|------|
| 答案A | 3 | 60% |
| 答案B | 1 | 20% |
| 答案C | 1 | 20% |

## 最终答案
答案A（多数投票结果，置信度60%）

适用场景#

• 选择题、判断题
• 事实性问答
• 需要高准确率的场景
• 用户说"确定吗？再检查一遍"

注意事项#

• 采样路径应有差异化（不同角度/方法）
• 如果投票分散（无多数），说明问题有歧义，需向用户澄清
• 成本较高（5次推理），仅在必要时使用

---

模式 3: Tree-of-Thought (ToT)#

核心思想#

探索多条推理路径，评估每条路径的可行性，选择最优分支深入。

执行格式#

markdown

## 问题定义
[明确要解决的问题]

## 生成初始分支（3个思路）

**分支A**: [思路描述]
**分支B**: [思路描述]
**分支C**: [思路描述]

## 初步评价

| 维度 | 分支A | 分支B | 分支C |
|------|-------|-------|-------|
| 可行性 | ⭐⭐⭐ | ⭐⭐ | ⭐⭐⭐⭐ |
| 成本 | 中 | 低 | 高 |
| 风险 | 中 | 高 | 低 |
| 效果 | 好 | 一般 | 最好 |

## 淘汰
淘汰分支B（原因：...）

## 深入展开剩余分支

### 分支A深入
- 步骤1: ...
- 步骤2: ...
- 关键决策点: ...

### 分支C深入
- 步骤1: ...
- 步骤2: ...
- 关键决策点: ...

## 最终推荐
推荐分支C，理由：...

适用场景#

• 架构设计、技术选型
• 方案对比、决策分析
• 创意发散、头脑风暴
• 用户说"有几种方案"/"帮我分析"

与方案审视(grill-me)的区别#

• ToT: 用户还没有方案时，主动生成多路径
• grill-me: 用户已有方案，追问漏洞

---

模式 4: ReAct#

核心思想#

交替进行推理（Thought）和行动（Action），通过工具获取信息，观察结果后继续推理。

执行格式#

text

Thought: [当前推理，分析下一步需要什么信息]
Action: [工具名称]
Action Input: [工具参数]
Observation: [工具返回结果]
Thought: [基于观察继续推理]
...
Final Answer: [最终答案]

在 OpenClaw 中的映射#

ReAct 模式天然对应 OpenClaw 的工具调用机制：

• Thought → 分析当前状态，决定下一步
• Action → 调用工具（web_search/read/exec/browser等）
• Observation → 工具返回结果
• 循环 → 直到有足够信息得出 Final Answer

适用场景#

• 需要联网搜索最新信息
• 需要计算（调用计算器/代码执行）
• 需要查询数据库/文件系统
• 多步信息收集任务

执行规则#

1. 每轮必须先 Thought 再 Action
2. 最多 5 轮 Action（防止无限循环）
3. 如果 5 轮后仍无答案，向用户说明情况
4. 每轮 Observation 要简洁记录

---

模式 5: Plan-and-Execute (P&E)#

核心思想#

先生成完整计划，再逐步执行，最后验证结果。

执行格式#

阶段1：计划

markdown

## 任务分析
[理解任务目标和约束]

## 执行计划

| 步骤 | 任务 | 预期输出 | 依赖 |
|------|------|---------|------|
| 1 | ... | ... | 无 |
| 2 | ... | ... | 步骤1 |
| 3 | ... | ... | 步骤1,2 |
| ... | ... | ... | ... |

## 风险预判
- 步骤X可能失败，备选方案：...

阶段2：执行

markdown

## 执行记录

### 步骤1: [任务名]
- 操作: ...
- 结果: ...
- 状态: ✅完成 / ❌失败（原因：...）

### 步骤2: ...

阶段3：验证

markdown

## 结果验证
- 目标: [原始目标]
- 实际输出: [实际结果]
- 是否达成: ✅ / ❌
- 偏差说明: ...

适用场景#

• 多步骤项目（≥5步）
• 需要明确里程碑的任务
• 复杂报告生成
• 用户说"做个计划"/"分步骤执行"

与 daily-agent 的关系#

daily-agent 的"任务分类→评估→路由→执行→收尾"流程本身就是 P&E 模式。 当任务被判定为"长链"时，spawn 子代理执行的也是 P&E。

---

模式组合#

复杂任务可以组合多种模式：

组合场景执行方式P&E + CoT多步骤推理项目每步执行时用 CoT 展示推理P&E + ReAct多步骤信息收集每步执行时调用工具ToT + P&E方案对比后执行先用 ToT 选方案，再用 P&E 执行SC + CoT高准确率推理多次采样后用 CoT 解释最终答案

---

手动指定模式#

用户可在请求中显式指定：

• "用 CoT 模式分析这个问题"
• "用 ToT 帮我比较几种方案"
• "用 ReAct 搜索最新信息"
• "用 Plan-and-Execute 完成这个任务"

指定后跳过自动选择，直接使用指定模式。

---

相关文件#

文件说明SKILL.md本技能入口文档references/modes-reference.md五种模式的详细学术背景和最佳实践references/implementation-guide.md在 OpenClaw 中的具体实现指南

---

版本历史#

版本日期变更v1.0.02026-06-20基于吴恩达《AI Prompting for Everyone》课程创建