Tree of Thoughts: Deliberate Problem Solving with Large Language Models：思维树框架让LLM具备规划与回溯能力
2023年5月，普林斯顿大学团队提出Tree of Thoughts（ToT）框架，将LLM推理从链式扩展为树状搜索。在Game of 24任务中，GPT-4+ToT成功率达74%，而标准CoT仅4%。ToT允许模型探索多条推理路径、自我评估并回溯，显著提升需要规划的任务表现。
Development
- First ReportTree of Thoughts: Deliberate Problem Solving with Large Language Models：思维树框架让LLM具备规划与回溯能力arXiv cs.AI
- Current AssessmentToT框架可嵌入任何需要复杂推理的AI产品，如代码生成（调试多路径）、自动化规划（供应链、调度）、教育辅导（分步解题）。它提升了LLM在专业领域的可用性，可能催生新一代“推理引擎”中间件。对依赖CoT的现有应用（如客服、文档分析）构成升级压力。Agent Pulse · analysis
ToT是LLM推理范式的关键突破，将单步链式推理升级为多路径树搜索，使模型能像人类一样“深思熟虑”。它解决了LLM在需要探索和战略规划任务上的根本缺陷，为复杂推理应用（如数学、编程、决策）开辟了新路径。该工作直接影响了后续的思维链变体（如思维图、思维森林），成为LLM推理增强的基石。
ToT将推理过程建模为树状结构，每个节点是一个“思维”（一段连贯文本）。通过广度优先或深度优先搜索，模型生成多个候选思维，并用自身进行自我评估（如“确定/可能/不可能”），然后选择最有希望的路径继续探索。必要时可回溯。实验在三个需要搜索的任务上验证：Game of 24（数学组合）、创意写作（规划故事大纲）、迷你填字（约束满足）。ToT显著优于CoT和标准提示，但计算成本增加（需多次调用LLM）。边界：对简单任务可能过度复杂，且依赖LLM的自我评估准确性。
ToT框架可嵌入任何需要复杂推理的AI产品，如代码生成（调试多路径）、自动化规划（供应链、调度）、教育辅导（分步解题）。它提升了LLM在专业领域的可用性，可能催生新一代“推理引擎”中间件。对依赖CoT的现有应用（如客服、文档分析）构成升级压力。
建议AI平台集成ToT作为高级推理插件，面向金融、法律、科研等需要严谨推理的行业推出增值服务。可开发ToT-as-a-Service API，按搜索复杂度计费。投资关注将ToT产品化的初创公司。
关注ToT的工程化部署：如何平衡搜索深度与延迟？是否会出现专用硬件或推理加速方案？自我评估的可靠性需进一步验证。若与强化学习结合，可能实现自适应搜索策略。开源代码（GitHub）将推动社区快速迭代。