为什么大型语言模型该抛弃“思维链”——改用工作流程才是未来

大型语言模型（LLMs）发展迅猛，而我们对它们的使用方式也正在发生变化。过去一种热门的训练和推理方法是 思维链（Chain of Thought, CoT） ——让模型“边想边说”，逐步展示推理过程。这在处理数学、逻辑问题时很有用，但在真实世界应用中，它的局限性开始显现。

本篇文章将阐述：为什么我们应该抛弃思维链，转向更加透明、灵活、可定制的方式 —— 工作流程（Workflow）。

---

思维链的局限性

虽然思维链能让模型模拟人类推理，但它存在以下问题：

• 不可见：推理链通常在训练时内嵌，用户无法查看或修改模型的思考路径。
• 不可调：所有用户共享同一套固定逻辑，无法根据个人需求进行定制。
• 不稳定：稍微改变问题的表述就可能导致推理链断裂，结果不一致。

这使得思维链在研究中有用，但在现实应用中难以控制和复用。

---

工作流程，更透明也更可控

与其让模型“在脑海中”默默思考，不如将推理过程拆解为 可视化的工作流程。

工作流程的优势：

• 可观察：每个步骤清晰可见。
• 可定制：可以插入工具、修改逻辑、加入人工评审等操作。
• 可复用：不同用户可以使用不同模板，构建属于自己的流程。

工作流程让 AI 不再是黑盒，而是可以参与协作的助手。

---

同一问题，不同用户，不同流程

工作流程允许不同角色对同一问题制定各自的解法：

问题：请总结这份法律文档。

• 律师 可能需要：

  • 法律引用
  • 判例分析
  • 风险提示

• 记者 更关注：

  • 通俗表达
  • 标题提炼
  • 公众价值

• 学生 更希望看到：

  • 要点列出
  • 简明术语
  • 问答格式

而思维链无法区分这些需求，只能给出一种通用推理路径。

---

用户私有数据与检索增强：RAG 的优势

工作流程还能接入 用户专属知识库，实现 RAG（检索增强生成）：

• 思维链无法实现数据检索的定制与插拔；
• 而工作流程可以集成：
  • 个人笔记
  • 企业文档
  • 多数据源组合
  • 安全过滤与权限控制

AI 将不再只依赖通用训练语料，而是根植于你的世界。

---

实例：从数学家教到法律助手

思维链模型可能会说：“第一步……第二步……”，但无法让用户修改这些步骤。

而工作流程可以清楚列出：

1. 解析问题
2. 选择公式
3. 代入数据
4. 计算结果

你可以替换步骤、加入插件、调换顺序，一切尽在掌控。

---

个性化推理 = 更聪明的 AI

工作流程让 AI 适应人，而不是人迁就 AI。你可以：

• 设计自己的逻辑模块
• 调用自选工具
• 动态控制流程
• 接入专属数据
• 重复使用经过优化的流程块

AI 成为一个真正与你共创的协作伙伴。

---

Pathway 与 Prompits：工作流程的智能进化

在开源 AI 框架 Prompits 中，工作流程被结构化为 Pathway（流程图谱）。

Pathway 是由多个步骤（称为 Post）组成的逻辑流程，每个步骤可以执行：

• 模型调用
• 数据检索
• 工具操作
• 条件判断
• 与其他 智能体 协作

Pathway 的特性包括：

• AI 自动生成：用户只需输入目标，系统即可生成对应流程；
• 持续优化：根据使用反馈进行演化升级；
• 可复用共享：优质流程可复制、组合、跨项目使用；
• 模块化与可审计：每一步均可查看、测试与替换。

结合 Prompits 的核心元素：

• Pit（智能体）：自主服务单元
• Pool（数据池）：可访问的数据资源
• Plaza（发现与协作空间）：智能体发布信息，互相识别连接

你可以构建出一整套 面向个体目标与数据 的智能系统。

---

结语：思维链，是时候退出历史舞台了

思维链为 LLM 打开了推理之门，但真正具备适应性、可组合性与可持续性的 AI，应当建立在 可视化、可共享的工作流程 上。

未来的 AI，不是拥有固定思维方式的助手，而是可以与你共同演化的伙伴。

欢迎访问 Prompits.ai，探索工作流程驱动的智能系统，打造属于你的 AI。

---