對推理模型說「一步一步思考」，究竟發生了什麼？
在推理模型的提示中加入「一步一步思考」，準確度幾乎不會提升，但回應時間會增加 20 至 80%。推理模型在輸出答案之前，本身已經生成內部推理過程。你的指令只是重複它已經安排好的工作，在部分模型上更會令答案變得不穩定。
這並非個人猜想，而是賓州大學沃頓商學院 Generative AI Labs 的《Prompting Science Report 2》的實測結論，作者為 Lennart Meincke、Ethan Mollick、Lilach Mollick 及 Dan Shapiro。
這句提示語當年確實名副其實。2022 年它是真正的突破，因為那個年代的模型如果你不要求，就不會把推理過程寫出來。
模型變了，習慣卻沒有變。
一句話定義
思維鏈提示（Chain-of-Thought）是指令模型在給出最終答案之前先敘述推理過程，藉此提升多步驟問題的準確度。到了 2026 年，前沿模型預設已在內部完成這個動作，因此這道明示指令已經不再划算。
沃頓的實測數據到底顯示了什麼？
沃頓以 GPQA Diamond 的 198 道博士級題目，每題重複 25 次，橫跨推理與非推理模型測試。即是每個模型、每種提示各 4,950 次運行。結果是：在推理模型上，思維鏈令平均準確度在兩個模型上升約 3 個百分點，在第三個模型上卻下跌。
具體數字值得記住，因為它們既細微，方向亦不一致。
--- o3-mini：加入「一步一步思考」後平均準確度上升 2.9 個百分點（p = 0.024）
--- o4-mini：上升 3.1 個百分點（p = 0.003）
--- Gemini Flash 2.5：下跌 3.3 個百分點（p = 0.005）
--- 推理模型的延遲代價：回應時間增加 20 至 80%，即每題多花 10 至 20 秒
更值得注意的結果出現在非推理模型：思維鏈拉高了平均分，卻嚴重破壞穩定性。沃頓另外設定了一項名為「100% Correct」的指標，即同一道題在 25 次試驗中全部答對才算成功。
在這項穩定性指標上，Gemini Pro 1.5 加入思維鏈後下跌 17.2 個百分點，Gemini Flash 2.0 下跌 13.1 個百分點。平均分升，一致性跌。
如果你對 AI 的抱怨是「昨天很好用，今天完全不行」，這個取捨正是問題的形狀。
2026 年取代思維鏈的是什麼？
是推理強度設定。你不再用文字編寫思考流程，而是用參數設定模型應該思考多深，然後寫一段簡短提示，直接說明你要的輸出。Google、OpenAI 與 Anthropic 都提供了某種形式的這個控制項。
Google 在自己的遷移指引中寫得很白。最後更新於 2026 年 8 月 18 日的Gemini 3 開發者指南直接告訴開發者：如果你過去用思維鏈這類複雜提示工程去迫使 Gemini 2.5 進行推理，改用 Gemini 3 時應該把 thinking_level 設為 high，並簡化提示。
同一頁列出四個等級：minimal、low、medium、high。Gemini 3.1 Pro 與 Gemini 3 Flash 預設為 high。
Google 亦指出，OpenAI 的 reasoning_effort 參數會透過兼容層自動對應到 Gemini 的 thinking_level，換言之這個概念在不同供應商之間是通用的。
如果你從不接觸 API
你依然擁有這個控制項，只是換了外觀。在消費者版應用中，它以模型或模式選單的形式存在：思考模式或延伸思考的開關、模型清單中的推理型號、「快速」與「仔細」的選擇。選擇模式就是現代版的「一步一步思考」，而且不用付出額外 token 成本。
一道好的推理模型提示長什麼樣？
2026 年的好提示是簡短的：先說任務，再定義完成品，列出限制，然後對「如何思考」完全不提。Google 針對 Gemini 3 的指引明確警告，模型可能會過度分析那些為舊模型而設的冗長提示工程。簡潔現在是一項效能特徵，不是懶惰。
以下模板在 Claude、ChatGPT 及 Gemini 的推理模式中都可用。直接複製，替換方括號內容即可。
立即試用這道提示
--- 任務：[一句話說明你要的唯一結果]
--- 輸入：[貼上原始素材，或寫「見附件」]
--- 輸出格式：[精確形狀，例如「六行表格，欄位為 X、Y、Z」、「三段各 60 字」、「包含這些鍵值的 JSON 物件」]
--- 必須包含：[令成品可用的兩三項要素，例如「每一行都要有港元金額」、「每項主張標明來源行數」]
--- 不得出現：[你反覆遇到的失敗，例如「不得虛構輸入資料中沒有的數字」、「不要加總結段」]
--- 驗收標準：[你將如何判斷，例如「我可以直接貼進簡報，不用修改」]
留意缺少了什麼。沒有「你是世界級專家」，沒有「深呼吸」，沒有「一步一步思考」，沒有奉承，沒有角色扮演的鋪墊，也沒有任何關於推理過程的指令。
取代這一切的是「驗收標準」那一行。寫明驗收標準，就把模糊的要求變成可檢查的要求，而推理模型特別擅長針對已明示的標準去優化。
Google 指引中還有一項小細節，效果比大多數人預期更明顯：當你貼上長文件時，把指令放在資料之後而不是之前，並以「根據以上資料」這類句式開始你的問題。
如何把這套方法套用到實際工作？
以一個常見任務為例：把 40 頁季度報告變成給客戶看的摘要。舊寫法會疊上人物設定、逐步思考指令與客套鋪陳。新寫法只陳述成品與驗收標準，讓推理模式自行完成思考。
舊版提示通常是這樣：「你是資深商業分析師。請仔細閱讀附件報告。一步一步思考。然後撰寫摘要。」它會產出一段合格但毫無形狀的文字，你之後還要重寫一次。
用上面模板寫的 2026 版本是這樣。
--- 任務：撰寫季度回顧簡報中面向客戶的摘要部分。
--- 輸入：附件的 40 頁第二季報告。
--- 輸出格式：四個要點，每點最多 25 字，然後一段 60 字的段落，指出唯一最大的風險。
--- 必須包含：每個要點都要有帶單位的數字，以及該數字出自的頁碼。
--- 不得出現：任何報告中沒有出現的數字；不得淡化風險段落。
--- 驗收標準：我可以直接把四個要點讀給客戶聽，中間不需要查證任何東西。
頁碼那項要求是低調的關鍵。它令輸出可以在 30 秒內被核查，而這一點才真正決定你是否信任這個工具到願意每週使用。
如果你想處理另一種可靠性問題，可以參考我們早前關於驗證鏈提示法的文章，那是專門抓出虛構事實的第二輪提示。
這套建議在什麼情況下會失效？
它在較舊、較小的模型上會失效，在你需要看見推理過程的任務上會失效，以及在任何需要向人類審核者展示思考過程的場景都會失效。沃頓發現思維鏈在非推理模型上依然能提升平均表現，換言之這條建議取決於模型，並非普世通則。
在你把這句提示從所有存檔中刪掉之前，請先看三項誠實的限制。
小型與廉價模型依然需要鋪墊。如果你為了控制成本而使用 mini 或 flash-lite 等級的模型，又或者在自己電腦上運行開放權重模型，思維鏈往往仍然值得那些 token。沃頓在較舊的非推理模型上量到 11 至 14 個百分點的平均準確度提升。
有時推理過程本身就是交付物。如果你在審視一項論證、教授一套方法，或需要查清模型錯在哪裡，要求它列出步驟是完全合理的。此時你不是為準確度而提示，而是為一件成品而提示，那是另一份工作。
不要擺向另一個極端。沃頓同時發現，強迫模型「只回答答案，不要其他內容」很可能損害非推理模型的表現，因為這阻止了它原本會自行進行的推理。「用一個詞回答」是有真實代價的，不是免費的效率。
還有一項香港本地觀察。中英混用的提示依然可行，但短提示原則令語言混用的影響，變得不如結構重要。一份乾淨的雙語模板，勝過一段文采優美的單語段落。
接下來 20 分鐘可以做什麼？
挑一項你每週都會重複的任務，做一次對照實驗。取你目前最好的提示，再造一個版本，把所有推理指令與人物設定刪掉，兩個版本各在推理模式下運行三次，然後用你自己的驗收標準比較輸出。每邊三次已足夠看出規律。
評分要用兩個軸，不是一個。第一，最好的那次輸出有沒有變好？第二，也是更重要的，最差的那次輸出有沒有變好？一致性才是決定一道提示能否在截稿壓力下存活的因素。
多數實務使用者會發現，精簡版即使在第一個軸上打成平手，在第二個軸上仍然勝出。整套論證就在這一次實驗裡。
更大的教訓是：提示技巧有保鮮期。2022 年不可或缺的技巧，2024 年變成可選，2026 年變成一種稅，而且沒有人發通告。唯一耐用的能力，是用你真正付費的那個模型，針對你自己的工作去測試自己的提示。
懂AI的冷，更懂你的難 UD 同行28年，讓科技成為有溫度的陪伴。
由 UD AI 團隊審閱。
找出哪個模型值得你的提示
懂得如何提示推理模型只是一半功夫，知道該把提示指向哪個模型才是另一半。UD 的 AI 排行榜把當前主流模型放在真實商業任務上並列比較。如果你想把這套技術嵌入一個每週都以同樣方式運行的工作流程，UD 團隊手把手帶你完成每一步，由選模型、寫提示模板，到實際部署。
