大模型中 reasoning_steps 完整深度解释

Esaka_Forever

172人浏览 · 2026-06-28 03:56:53

Esaka_Forever · 2026-06-28 03:56:53 发布

大模型中 reasoning_steps 完整深度解释

一、基础定义

reasoning_steps 直译：推理步骤 是大模型思维链（CoT, Chain-of-Thought）体系下的核心概念，指模型解决复杂问题时，拆解出来的有序、分步逻辑推导过程，每一步包含前提、推导、中间结论，最后汇总得到最终答案。

在 API、LangChain、Agent、OpenAI 兼容接口里，reasoning_steps 常作为返回字段、配置参数出现：

作为输出字段：模型返回的分步思考文本数组；
作为控制参数（如 reasoning_steps=5）：强制模型做多轮深度推理；
Agent 场景：规划、工具调用、反思的每一轮动作都算一条 reasoning step。

二、两类核心场景：提示词层面 / API 返回结构化字段

1. 提示工程层面：人工引导生成 reasoning steps

通过 Prompt 强制模型先分步推理，再给答案，典型模板：

Solve the problem, output your reasoning steps one by one, then give final answer.

示例数学题： Question：A store bought 100 goods at $5 each, sold 60 at $8 each, the rest sold at $4 each. Calculate total profit.

plaintext

reasoning_steps = [
  "Step1: Calculate total cost = 100 * 5 = 500 dollars",
  "Step2: Income from first batch = 60 * 8 = 480 dollars",
  "Step3: Remaining goods = 100 - 60 = 40 units",
  "Step4: Income of remaining = 40 * 4 = 160 dollars",
  "Step5: Total revenue = 480 + 160 = 640 dollars",
  "Step6: Profit = total revenue - total cost = 640 - 500 = 140"
]
final_answer = "140 dollars profit"

优势：解决多步计算、逻辑推理、规划类问题，大幅降低模型幻觉、计算错误。

2. 结构化 API 返回字段（主流推理模型 DeepSeek-R1、Qwen-R1、OpenAI o1）

新一代思考型模型会原生输出结构化 JSON，内置 reasoning_steps 数组，区分思考内容和最终回答：

json

{
  "reasoning_steps": [
    "首先判断用户需求是对比Ollama和LM Studio在Mac的性能差异",
    "第一步梳理底层推理引擎：LM Studio默认MLX，Ollama仅llama.cpp Metal",
    "第二步对比内存占用、token生成速度差异",
    "第三步区分适用开发场景与纯聊天场景",
    "总结给出两种软件搭配使用方案"
  ],
  "answer": "日常聊天测试用LM Studio，开发API服务用Ollama，两者可共存"
}

分离推理文本与正式回答，便于程序单独解析思考过程做校验、日志、反思；
Agent 框架（LangGraph、CrewAI）会把工具调用、反思、纠错每一轮存入 reasoning_steps。

三、参数化控制 reasoning_steps（深度推理配置）

很多推理大模型支持传入参数 reasoning_steps=N，N 为正整数，含义：

强制模型至少执行 N 轮独立推理思考，再输出答案。

举例：

reasoning_steps=1：简单直答，几乎无拆解；
reasoning_steps=3~5：日常逻辑题、阅读理解标准档位；
reasoning_steps=8~12：复杂数学、代码推导、商业方案、多工具 Agent 规划。

参数影响

数值越大：推理越细致，幻觉越少、复杂题正确率提升；
代价：token 消耗翻倍、推理耗时变长、费用更高。

四、和相关核心术语区分（极易混淆）

reasoning_steps vs CoT(Chain-of-Thought)
- CoT：是一套提示方法 / 技术范式（思维链技术）；
- reasoning_steps：是 CoT 落地后产出的分步内容载体，是结果。关系：使用 CoT 提示 → 模型生成 reasoning_steps。
reasoning_steps vs thinking_process
- thinking_process：通用统称 “全部思考过程”，不分段；
- reasoning_steps：有序拆分、编号、逐条独立的分段思考，结构化。
reasoning_steps vs tool_call_steps（Agent 专用）
- reasoning_steps：纯文本逻辑推演；
- tool_call_steps：调用检索器、计算器、代码解释器等工具的执行步骤，属于特殊子类 reasoning step。