Capture record

  • Canonical URI: https://www.bnext.com.tw/article/92783/ai-reasoning-prompt-six-frameworks-chain-of-thought-self-consistency
  • Source class: secondary synthesis/analysis(BusinessNext,高端訓;文末註明「本文授權自高端訓【品牌AI攻略】」);文中所引各框架的 owning sources(Google 2022 CoT 研究、Self-Consistency 延伸研究、OpenAI GPT-3 論文、SoT 2023 論文、CMU Self-Refine 2023 研究、Role Prompting 相關近年研究)本輪均未直接讀取。[
  • 原文標題: 讓AI不只回答問題,還會思考:六個推理型提示詞實戰筆記
  • 作者/出版者: 高端訓(JSON-LD author.name)/數位時代 BusinessNext。
  • 發布時間: 2026-10-26T14:00:00+08:00(JSON-LD datePublished/dateModified)。
  • 擷取時間: 2026-10-26T06:08:19+00:00;HTTP response Date: Mon, 26 Oct 2026 06:08:19 GMT。
  • Retrieval method: Python 標準函式庫 urllib.request 直接 HTTP GET 讀取 canonical HTML、JSON-LD NewsArticle 與 articleBody;未使用 browser、browser process、proxy 或互動式登入繞過限制。
  • HTTP metadata: status 200;HTML 382,001 bytes;HTML payload SHA-256 46a3690d636f5ecc80551988c238fe0cb525fd89dbbf8d1ba505d3976bf126e3;JSON-LD articleBody 2,331 字、SHA-256 18edb2fe05de728471973a89a6754225c161ea8845a9ce26efd95ce587a700de。
  • Saved payloads and SHA-256: 無;只保存 metadata、繁中 faithful summary、claim ledger、證據界線與來源連結。frontmatter sha256 為本檔 frontmatter 後 body 的 SHA-256。

Faithful summary

BusinessNext(高端訓)以實務分法把提示詞架構分成兩大類:結構型負責把「要什麼」交代清楚,推理型負責讓 AI「想清楚了」再回答;作者認為結構決定 AI 會說什麼、推理讓 AI 想清楚再說,並舉品牌主案例說明 CO-STAR(背景、任務、風格、基調、受眾、格式)元素齊全但只要求「回答」、未要求「思考」的落差。[

文章整理六個推理型提示詞框架:(1) Chain-of-Thought——作者稱出自 2022 年 Google 團隊研究,要求先逐步列出推理步驟再下結論,在數學、邏輯與多步驟判斷等有明確對錯的任務上正確率提升最明顯,且原研究指出效果要在夠大的模型上才會出現;(2) Self-Consistency——作者稱同為 Google 團隊延伸研究,讓 AI 對同一問題跑多條推理路徑後以多數決取代單次判斷;(3) Few-Shot——作者稱因 OpenAI 2020 年 GPT-3 論文而廣為人知,不需重新訓練、靠提示詞中幾個範例即可抓到任務要領,實務上二到三個範例通常有感;(4) Skeleton-of-Thought——借用 SoT 骨架概念先列大綱再逐段展開以避免長文跑偏,作者註明 SoT 原論文(2023 年,清華大學與微軟研究院團隊)設計目的其實是加速生成、最高可加速 2.39 倍,當成人工確認點是實務延伸用法;(5) Self-Refine——作者稱出自 2023 年卡內基美隆大學等機構共同發表的研究,先產出初稿再切換角色自我審查後修正成定稿;(6) Role Prompting——無單一學術源頭、長期為實務最通用技巧之一,賦予具體專業角色讓回答貼近該角色的用語與判斷方式,作者並提醒近年研究指出角色設定對客觀任務正確率幫助有限、主要改變的是語氣與切入視角。[

結尾「結構與推理怎麼一起用」:作者以 RCTCO(角色、背景、任務、限制條件、格式)交代起點、Chain-of-Thought 攤開推理步驟、高風險判斷加 Self-Consistency 交叉驗證、最後 Self-Refine 自我挑錯的組合拳用法,主張好的提示詞是結構與推理的組合而非單一招式。[

Claim ledger

IDClaimStatusBoundary / Note
C01BusinessNext 92783 的標題、作者高端訓、發布時間與 publisher。supported由 canonical page JSON-LD 直接讀取;只支持頁面 metadata。[^bnext-92783]
C02CoT 出自 2022 年 Google 團隊研究,要求先列推理步驟再下結論可提升複雜任務正確率,效果需在夠大模型上出現。partially-supported文章歸屬口徑;本輪未直接讀取 Google 2022 CoT 原文(Wei et al.)。[^bnext-92783]
C03Self-Consistency 為 Google 團隊延伸研究,以多路推理多數決取代單次判斷。partially-supported文章歸屬口徑;本輪未直接讀取原論文(Wang et al.)。[^bnext-92783]
C04Few-Shot 概念因 OpenAI 2020 GPT-3 論文廣為人知,不需重新訓練即可靠範例抓到任務要領。partially-supported文章歸屬口徑;本輪未直接讀取 GPT-3 論文(Brown et al.)。[^bnext-92783]
C05SoT 原論文為 2023 年清華大學與微軟研究院團隊發表,設計目的為加速生成、最高可加速 2.39 倍。partially-supported文章歸屬口徑;本輪未直接讀取 SoT 原文(Li et al., ICLR 2024)。[^bnext-92783]
C06Self-Refine 出自 2023 年卡內基美隆大學等機構共同發表的研究。partially-supported文章歸屬口徑;本輪未直接讀取原論文(Madaan et al.)。[^bnext-92783]
C07Role Prompting 無單一學術源頭,近年研究指出角色設定對客觀任務正確率幫助有限、主要改變語氣與視角。partially-supported「近年研究」未指名 owning source;本輪未讀取相關研究。[^bnext-92783]
C08結構型+推理型提示詞應組合使用(RCTCO+CoT+Self-Consistency+Self-Refine)。supported as author opinion作者實務觀點,非獨立驗證的量化結論。[^bnext-92783]

Evidence boundary

raw-only。本輪只直接讀取 BusinessNext canonical page 的 HTML、JSON-LD 與 articleBody(2,331 字全文);未讀取 Google CoT/Self-Consistency 論文、GPT-3 論文、SoT 論文、CMU Self-Refine 論文或 Role Prompting 相關研究原文。所有學術歸屬與加速倍數均保留文章口徑,未加入 verified。

Sources skipped or not directly read

  • Google 2022 Chain-of-Thought 研究(Wei et al.)、Self-Consistency 延伸研究(Wang et al.):本輪未直接讀取;維持 partially-supported。
  • OpenAI GPT-3 論文(Brown et al., 2020):本輪未直接讀取。
  • Skeleton-of-Thought 原論文(Li et al., 2023/ICLR 2024,清華大學與微軟研究院):本輪未直接讀取;「最高加速 2.39 倍」維持文章口徑。
  • Self-Refine 原論文(Madaan et al., 2023, CMU 等):本輪未直接讀取。
  • Role Prompting 「近年研究」未指名出處,無可追溯 owning source;維持 partially-supported。
  • 全程未使用 browser、browser process、proxy 或互動式登入繞過限制。