对于普通的文本问答，大模型倾向于直接对结果进行回复。下面我们先举一个经典的计算字母的例子对大模型进行问答，代码如下：

from openai import OpenAIclient = OpenAI(api_key="sk-dfd742ec38dc4ede96977974085485b0", base_url="https://api.deepseek.com")prompt = """
strawberry里面有几个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)

代码运行结果如下所示：

C:\Users\xiayu\miniconda3\python.exe C:\Users\xiayu\PycharmProjects\DeepSeek应用开发实践-源码\第四章\demo_0.py 
### 第一步：理解题目首先，我们需要清楚地理解题目在问什么。题目问的是“strawberry”这个英文单词中有几个字母“r”。也就是说，我们需要数一数这个单词中出现了多少次“r”这个字母。### 第二步：写出单词为了更清楚地数出“r”的数量，我们可以先把“strawberry”这个单词写出来：s t r a w b e r r y### 第三步：逐个字母检查现在，我们逐个字母来看，看看哪些是“r”：1. 第一个字母：s — 不是r
2. 第二个字母：t — 不是r
3. 第三个字母：r — 是r，计数1
4. 第四个字母：a — 不是r
5. 第五个字母：w — 不是r
6. 第六个字母：b — 不是r
7. 第七个字母：e — 不是r
8. 第八个字母：r — 是r，计数2
9. 第九个字母：r — 是r，计数3
10. 第十个字母：y — 不是r### 第四步：核对计数根据上面的逐个检查：- 第三个字母：r — 1
- 第八个字母：r — 2
- 第九个字母：r — 3所以，总共有3个“r”。### 第五步：验证为了确保我们的答案正确，让我们再快速看一遍单词：s t r a w b e r r y标出所有的“r”：- 第三个字母：r
- 第八个字母：r
- 第九个字母：r确实有3个“r”。### 可能的误区有时候，人们可能会忽略连续相同的字母。例如，在“strawberry”中，“rr”是连续的两个“r”，可能会被误认为是一个“r”或者发音上的一个音。但是题目问的是字母的数量，不是发音，所以“rr”是两个独立的“r”字母。### 结论经过以上步骤和验证，“strawberry”这个单词中共有**3个字母“r”**。### 最终答案“strawberry”里面有**3个字母“r”**。Process finished with exit code 0

可以看到，对于普通的大模型而言，其回复过程往往是一种基于自身对问题理解的笼统考量，而非对问题进行细致入微的分解剖析。这种缺乏系统性分解的处理方式，就如同在迷雾中摸索前行，使得模型难以精准把握问题的核心要点与关键细节，进而不可避免地造成了结果的不准确性。

在面对复杂问题时，普通大模型的这种局限性尤为明显。复杂问题通常包含着多个相互关联又各自独立的子问题，它们如同一张错综复杂的网，需要有条理地梳理和分析。然而，普通大模型却难以做到这一点，它可能会将不同子问题的信息混淆在一起，或者在处理过程中遗漏某些重要环节，从而导致最终回复与实际情况相去甚远。

我们通过提示（Prompt）分解问题，构建一个完整思维链对问题解答的示例，代码如下所示：

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 = """
回答下面问题并注意回答的时候严格按照以下步骤，
逐步进行:
1.将单词拆开
2.从左到右一个一个对比字母是不是r，是的话你要记录它的位置，并记住数量加-3.
第2步数出来多少个r直接输出，不要有任何分析和判断 问题:"strawberry"里面有几个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)

在这里我们通过提示prompt对问题的求解过程进行拆分，并指示模型在回答时依据步骤进行，回答如下：

C:\Users\xiayu\miniconda3\python.exe C:\Users\xiayu\PycharmProjects\DeepSeek应用开发实践-源码\第四章\demo_1.py 
1. 将单词拆开：s, t, r, a, w, b, e, r, r, y  
2. 从左到右一个一个对比字母是不是r：  
- s: 不是  
- t: 不是  
- r: 是（位置3，数量1）  
- a: 不是  
- w: 不是  
- b: 不是  
- e: 不是  
- r: 是（位置8，数量2）  
- r: 是（位置9，数量3）  
- y: 不是  输出：3Process finished with exit code 0

可以看到，这里我们将问答步骤进行拆分，并且以清晰、有条理的方式引导模型完成任务。这种基于思维链的提示方法，让模型的回答过程不再是一个黑箱操作，而是变得透明、可解释。

通过这种方式，模型不再是盲目地给出答案，而是按照我们设定的步骤，一步一步地进行推理和计算。这不仅提高了答案的准确性，还使得模型的推理过程具有可复现性。如果出现问题，我们可以很容易地回溯到具体的步骤，检查是哪一步出现了偏差。

而且，这种拆分步骤的方法具有很强的通用性。对于不同类型的问题，我们只需要根据问题的特点，设计相应的步骤提示，就可以引导模型进行有效的求解。例如，在处理数学问题时，我们可以将解题过程拆分为分析问题、列出已知条件、确定解题方法、进行计算等步骤；在处理文本分析问题时，我们可以将解题过程拆分为文本预处理、特征提取、模型推理等步骤。

此外，将问答步骤拆分还有助于提升模型的学习能力。模型在按照步骤进行多次任务后，会逐渐理解每个步骤的意义和作用，从而在面对类似问题时，能够更加自主地运用这些步骤进行求解。这就像是人类在学习新技能时，通过反复练习分解动作，最终能够熟练掌握整个技能一样。

总之，通过提示（Prompt）对问题求解过程进行拆分，并指示模型依据步骤进行回答，这是一种非常有效的提升模型性能和可解释性的方法。它为人工智能的发展提供了一种新的思路，有望推动人工智能在更多领域取得更好的应用效果。