Paper: Plan-and-Solve Prompting: Improving Zero-Shot Chain-of-Thought Reasoning by Large Language Models

May 27, 2026

一句话概括

Plan-and-Solve提示通过让模型先制定解题计划再逐步执行，改进了零样本CoT中常见的计算错误和步骤遗漏问题。

核心思想

零样本CoT虽然简单有效，但经常出现三类错误：计算错误、步骤遗漏和语义误解。PS提示将推理分为两个显式阶段：先”制定计划”——将问题分解为子任务并规划解题步骤；再”执行计划”——按照计划逐步完成每个子任务。进一步的PS+版本还加入了”提取相关变量”和”计算中间结果”等更细致的指令。

关键创新

1) 将”规划”和”执行”显式分离，改善推理结构；2) 仍然是零样本方法，无需手工示例；3) PS+通过更详细的指令进一步减少错误；4) 在多个数学和推理基准上超越了标准Zero-Shot CoT。

深远影响

PS提示强调了”先规划再行动”的重要性，这一思想在后续的Agent系统设计中被广泛采用。它也展示了通过改进提示指令来系统性地减少推理错误的可能性。

启发与思考

Plan-and-Solve的成功说明：告诉模型”怎么思考”比简单地说”请思考”更有效。就像老师教学生解题时，先教解题策略比直接做题更有帮助。结构化的思维引导对AI同样重要。