向DeepSeek学深度思考：CoT思维链解析

Hello大家好，我是人月聊it。

今天准备再谈下CoT思维链方面的话题。经过最近1~2个月我对的DeepSeek的使用，我发现跟我原来用GPT或者是Kimi最大的一个差异点，就是它提供了深度思考的能力。

而且它的整个CoT思维链完全是公开的，是可以给你参考和学习的。所以说每一次和DeepSeek的沟通和交互，我都会去详细的看它实际提供的CoT思维链详细的思考过程和内容，包括我也会问他，就是你个人的思维链思考方式和模式究竟是怎么样的？

所以基于这个问题他也会去给我详细的回答。

这个回答里面可以看到它不是简单的去做相关的问题的拆分分类，包括去进行归纳、演绎推理。从他给出的思维链的线条里面，我们也能够发现很多值得我们参考学习的内容，类似于对于问题定义，它不是简单的5W+1H方法论，它更多的是强调问题定义时候的边界划分。

对于问题的分析，它更强调你怎么样面对复杂问题去进行问题的建模，任何复杂问题的分析首先是要问题定义清楚后的模型构建，基于模型驱动，这也是我一直强调的一个观点。而对于问题的解决则更加强调你怎么样去构造POC验证原型，去验证问题是不是最终解决构建问题解决的闭环。

这些其实都是DeepSeek问题定义分析解决里面相当有特点的地方。同时它也更加的强调我们思考问题的过程，它是一个动态的过程，而不是一个静态的过程，它更加强调动态归因分析。同时它也更加的强调多因素的平衡，任何一个问题的解决可能会涉及到成本、收益、时间多方面子目标的一个平衡。

这个不就是跟我们经常谈到的系统思考，辩证思考的核心思路逻辑是一样的吗？所以说大家再去用的时候，不要简单的只是去看它输出给你的答案，更加重要的是你应该去学习他公开的思维链，从这个地方找到相关的思维方法可以学习的地方。

原来都是AI学习人的思考方式，我觉得以后这个思路可能会发生巨大的变化，就是说人会向AI的思考方式去进行学习，弥补自己原来思考方面的不足。通过最近用我举几个关键的一些例子来跟大家阐述，它对于CoT思维链它究竟是怎么样去做展开思考的。

数字化哲学-拆分匹配的思考逻辑

我最近借助AI辅助写了一篇公众号的文章，就是想将数字化和哲学里面的认知论去进行结合，数字化去体现核心的现实世界和虚拟世界的双向映射，体现连接数据智能三大特点。而对于哲学里面的认识论，则希望AI从西方哲学，从古希腊时代到近代哲学到古典哲学现代哲学，把各个核心的西方哲学里面关于认识论的思想都进行去展开，所以他拿到这个问题以后，他的思维链是怎么样去思考的呢？

DeepSeek首先就会去把整个西方哲学认识论的历史关键的核心要点去展开。从柏拉图的洞穴寓言，到亚里士多德的四因说，再到培根提到的科学归纳法，再到笛卡尔的方法论，再到康德的先验理论和物自体说，最后再到维特根斯坦谈到的事物和事实的关系，语言哲学等。

同时接着又会去把数字化，我刚才谈到的数字世界，数字孪生，连接数据智能核心的东西再展开。类似于数据维度它又会去展开，就是我们经常会谈到的数据怎么样驱动业务，数据怎么样去驱动智能怎么样去做大数据分析。类似于连接它也会去做展开，连接的类型，连接的边界，基于连接的集成和协同等。

在两个知识域都进行展开了以后，他就会去做一个核心的事情，怎么样去发现两者之间的关系，怎么样去更好的做好匹配，这个跟我原来在讲思考框架和逻辑里面谈到的模式匹配的思路完全是一样的。而这种在复杂事物综合分析中的拆分，细粒度匹配逻辑正是我们值得思考学习的关键地方。

解决问题的动态归因和动态发展观

第二个点就是我又问了他一个问题，就是说我现在可能是一个软件程序员，年薪可能只有20万，但是我规划我希望我在三年之内能够存够100万，请帮我给我具体的计划。

所以说AI拿到这个问题以后，我当时没有打开深度思考的时候，他把这个问题理解的很简单，三年要存够100万，你可能每年花5万，那你每年至少要存30万块钱，所以说他就会去帮我规划怎么样去投资，怎么样去理财。

但是当我打开深度思考以后，他意识到这个问题不是一个静态的问题，而是一个动态的问题。因为社会在发展，你个人的能力和技能也在发展，你今年年薪20万，你明年年薪可能就会变成40万，后年年薪可能会变成80万。

AI经过动态思考以后，他更多的会去考虑你怎么样去提升你个人的工作职业技能，你怎么样更好的去规划你的职业发展路径，提升你个个人核心的价值，这就是一个很核心的动态归因或者是动态的视角来思考问题。

多维度结构化决策

包括还有一个我可能会去问他，我现在想买一个30~40万的新能源汽车，请帮我做一个选择和推荐。或者究竟是购买理想的好还是蔚来的好？

所以当AI拿到这个问题后也是一样的思路，它绝对不会说简单的直接给你个答案，你就应该选A或者是究竟应该选B。他的整个思考分析过程是我首先要去理解用户的问题，你用户给出的问题里面，他也没有提供他个人的一些选择维度上的偏好。

那我这个时候有两个思路，我可能会继续询问用户的一些问题细节，还有一个思路就是我拿到这个问题，我应该从多个维度出发去进行结构化决策，所以说他最后输出的答案，他会从实际的成本投入，车辆的保值率、车辆的质量、车辆的行驶质感多个维度去展开，帮我去做详细的结构化分析和评估。

这个跟我原来一直谈到的结构化决策的思路不也是一样的吗？

所以说经过我最近对的使用，我越发的感觉到和我原来用GPT最大最大的一个差异反而是它提供的公开的CoT思维链的价值，这个思维链实际反而是值得我们每个人去学习的。

包括很多时候你不清楚怎么样学习，你不清楚怎么样思考的时候，你仍然可以优先问AI我究竟应该怎么样思考，它其实是可以给出详细的思维链过程的。

好了，今天关于思维链简单的思考就跟大家分享到这里。