Android开发转AI Agent：第6天——加一句话让LLM推理准确度翻倍

作者：一位Android开发工程师 | 2026年6月3日
系列：第5天已通过自测，本篇拆解CoT思维链

---

前言

前面几天我们一直在调参数（temperature、system prompt），今天学一个不调参数也能大幅提升回答质量的技巧——Chain-of-Thought（思维链）。

核心思想：在问题后面加一句"请一步一步推理"，LLM 会自动把问题拆成步骤，每一步都验证后再输出结论。

---

实验设计

同一道 Android 模块依赖推理题，调两次 API——一次不加 CoT，一次加。

问题：

有一个 Android 项目，模块依赖关系如下： - app 依赖 core 和 feature-login - feature-login 依赖 core - core 依赖 common-util - feature-profile 依赖 core 和 common-util 问题：如果 common-util 的 API 改了，哪些模块需要重新编译？

第一次：正常问
第二次：问题后面拼接"\n\n请一步一步推理，先列出每个模块的依赖链，再分析影响范围。"

# 不加 CoTresponse_no_cot=client.chat.completions.create(model="turing/gpt-4o-mini",messages=[{"role":"user","content":problem}],temperature=0.7,)# 加 CoTresponse_cot=client.chat.completions.create(model="turing/gpt-4o-mini",messages=[{"role":"user","content":problem+"\n\n请一步一步推理..."}],)

---

结果对比

不加 CoT

如果 common-util 的 API 改了，以下模块需要重新编译： 1. core（直接依赖 common-util） 2. feature-login（依赖 core） 3. feature-profile（依赖 core 和 common-util） 4. app（依赖 core 和 feature-login）

平铺直叙，枚举结论。读起来能懂，但缺少推理过程。

加 CoT

### 模块依赖关系分析 1. app → core, feature-login 2. feature-login → core 3. core → common-util 4. feature-profile → core, common-util ### 依赖链总结 - app 依赖 core 和 feature-login - core 依赖 common-util - feature-login 依赖 core → 间接依赖 common-util - feature-profile 依赖 core 和 common-util ### 影响范围 common-util 改变后： - core 直接受影响，需重新编译 - feature-login 依赖 core，间接受影响 - feature-profile 直接依赖 common-util - app 依赖以上所有模块 结论：全部4个模块都需要重新编译。

结构清晰三倍——依赖分析 → 链式推导 → 影响范围 → 最终结论。每一步都有依据。

---

为什么有效

LLM 本质上是"下一个词预测器"。不加 CoT 时，它直接从问题跳到结论——中间可能跳错。

加 CoT 后，相当于在问题和结论之间插入了中间验证步骤。每一步的输出都约束了下一步的预测方向，就像 Kotlin 里加了类型检查：

// 不加 CoT：直接返回funanalyze():List<Module>=...// 加 CoT：分步验证funanalyze():List<Module>{valdeps=buildDependencyTree()// 步骤1valaffected=findAffected(deps)// 步骤2returnaffected// 步骤3}

---

今天的一句话总结

CoT 就是在 prompt 后面加"请一步一步推理"——让 LLM 从"直接给答案"变成"展示推导过程"，准确度和可读性都大幅提升。

---

下一篇预告

第7天：第一阶段综合实战——把前6天的技能融进一个 Kotlin 代码审查工具。

---

本系列记录一位Android开发者转行AI Agent的完整学习过程，欢迎关注交流。