什么是草稿链（CoD）？3 分钟搞懂生成式 AI 的 “迭代优化” 新方法

摘要： 在生成式 AI 迈向 AGI 的征途中，推理成本与延迟成为了悬在企业头顶的“达摩克利斯之剑”。当思维链（CoT）还在用冗长的步骤消耗算力时，一种源自人类认知本能的新范式——草稿链（Chain of Draft, CoD）——已悄然颠覆战场。本文将以犀利的视角、详实的数据和严密的逻辑，为您深度拆解这一让 Token 消耗骤降 90% 的“迭代优化”黑科技，揭示它如何成为 2026 年 AI 落地的核心引擎。

一、 破局：当“思考”成为负担，AI 需要“极简主义”

2026 年的今天，大语言模型（LLM）已渗透进金融、医疗、自动驾驶的每一寸肌理。然而，一个尴尬的现实横亘在前：越聪明的模型，往往越“话痨”。

传统的思维链（Chain-of-Thought, CoT）虽然通过“一步一推导”大幅提升了模型解决复杂问题的能力，但其代价是惊人的——模型在给出最终答案前，会生成数千个冗余的 Token。这就像一位博学的教授，为了解一道一元一次方程，不仅要阐述公理，还要推导公式，最后才写出答案。这种“学术式”的严谨在实时交互、高频交易和边缘计算场景中，不仅是算力的浪费，更是致命的延迟源头。

草稿链（CoD）正是为了粉碎这一瓶颈而生。

核心定义： 草稿链（CoD）是一种受人类速记行为启发的新型 AI 推理范式。它不再追求推理过程的“文学性”和“完整性”，而是强制模型在每一步推理中仅保留不超过 5 个词的极简信息，像人类打草稿一样，只记录关键节点、公式或逻辑跳转，从而在保证准确率的前提下，将推理成本压缩至极致。

这不仅是一次技术升级，更是一场认知革命。它标志着 AI 推理从“模仿人类说话”进化到了“模仿人类思考的本质”。

二、 原理：模仿人类的“速记本能”

人类在解决复杂问题时，大脑的工作记忆是极其有限的。我们不会在脑海中用完整的句子自言自语，而是通过关键词、符号、箭头来构建逻辑网。CoD 正是捕捉到了这一微小但关键的差异。

1. 极简约束机制

CoD 的核心规则简单到近乎苛刻：每一步中间推理（Intermediate Step）的输出长度限制在 5 个 Token 以内。

这并非硬性截断，而是一种指导性启发（Guidance）。通过在 Prompt 中植入特定的 Few-Shot 示例（少样本学习），引导模型学会“惜字如金”。

2. 迭代式草稿生成

与 CoT 的线性叙述不同，CoD 的推理过程更像是在草稿纸上列算式：

• CoT 模式： “首先，杰森有 20 个棒棒糖，然后他给了丹尼一些，剩下 12 个，所以我们需要用 20 减去 12 来计算给出的数量……”（约 50 个 Token）

• CoD 模式： 20 - x = 12 → x = 20 - 12 → x = 8 （约 10 个 Token）

这种“公式化”的迭代，剔除了所有自然语言的冗余修饰（如“首先”、“然后”、“综上所述”），直击逻辑内核。

3. 少样本驱动的进化

CoD 的威力高度依赖Few-Shot 提示。研究者发现，如果不提供样例（Zero-shot），模型很难自发产生这种极简逻辑。但一旦给出 3-5 个“草稿式”解题范例，模型就能迅速掌握这种高密度的思维压缩技巧，实现推理效率的指数级跃升。

三、 实战：数据不会说谎的“降本增效”

空口无凭，数据为证。在 2025 年至 2026 年的多项基准测试中，CoD 在算术、常识和符号推理三大战场上，交出了令人咋舌的成绩单。

1. 算术推理：GSM8K 基准测试

在小学数学应用题数据集 GSM8K 上，CoD 展现了惊人的性价比：

分析： 虽然准确率有约 4% 的微小牺牲，但换来的是 80% 的成本直降和 四分之三的响应提速。对于日均亿级调用的企业级应用，这 4% 的精度损失完全可以通过其他机制弥补，而成本节省却是实打实的真金白银。

2. 常识推理：体育与日期理解

在需要海量背景知识的 BIG-bench 任务中，CoD 甚至实现了“反杀”。

• 体育理解任务： 面对复杂的赛事逻辑题，Claude 3.5 Sonnet 使用 CoT 时平均输出 189.4 个 Token，耗时 3.2 秒；切换为 CoD 后，输出骤降至 14.3 个 Token（**↓ 92.4%），耗时缩短至 1.4 秒（↓ 56%**），且准确率从 87.0% 逆势提升至 89.7%。

• 日期理解： 同样实现了准确率与速度的双赢。

3. 符号推理：硬币翻转

在严谨的逻辑符号任务（如预测硬币正反面序列）中，CoD 展现了绝对统治力：

• GPT-4o： Token 减少 68%，准确率 100%

• Claude 3.5 Sonnet： Token 减少 86%，准确率 100%

这证明了在逻辑确定性强的任务中，CoD 不仅更快，而且因为去除了自然语言的歧义，推理反而更加精准。

四、 价值：企业级落地的“成本杀手锏”

如果说实验室里的数据是“好看”，那么商业世界的账本则是“好用”。CoD 最核心的价值在于它解决了 AI 规模化落地的最大痛点——推理成本。

1. 算力成本的断崖式下跌

根据实测估算，对于一家每月处理 100 万次推理查询的中型企业：

• 使用 CoT： 月度推理成本约 3,800 美元

• 使用 CoD： 月度推理成本骤降至 760 美元

• 节省幅度： **80%**，月省 3,040 美元，年省近 3.6 万美元

在大模型 API 调用费用居高不下的 2026 年，这不仅是降本，更是让许多处于盈亏平衡线边缘的 AI 应用直接转正。

2. 实时交互的“去卡顿”神器

在以下对延迟极度敏感的场景中，CoD 是唯一的解：

• 金融高频交易： 毫秒级的决策差异决定盈亏。CoD 将推理延迟从秒级压缩至毫秒级，让 AI 交易员真正跑赢市场。

• 自动驾驶： 复杂的路况识别需要瞬间决策。CoD 的低延迟特性让车端大模型能实时生成控制指令，而非“思考人生”。

• 实时客服与语音助手： 告别“正在输入中”的转圈等待，CoD 让 AI 像真人一样秒回，极大提升用户体验。

3. 边缘侧部署的可能

随着模型小型化趋势，CoD 让 7B 甚至 3B 参数的小模型也能在手机、IoT 设备上跑出不错的推理效果。虽然小模型在 CoD 下的绝对性能仍弱于大模型+CoT，但其能效比（Performance per Watt）却实现了质的飞跃，为端侧 AI 爆发铺平了道路。

五、 局限与边界：CoD 不是万能药

尽管 CoD 光芒万丈，但我们必须保持清醒：它并非全能，更非 CoT 的终极替代者。

1. 零样本场景的“水土不服”

CoD 的极简风格并非模型与生俱来。在Zero-shot（零样本）设置下，如果没有 Few-Shot 示例引导，模型往往无法生成有效的“草稿”，准确率会大幅跳水，甚至不如直接回答。这意味着 CoD 的落地需要精心设计 Prompt 模板，增加了工程初期的调试成本。

2. 复杂任务的“深度陷阱”

对于需要大量反思、自我纠错、多轮外部知识检索的复杂任务（如深度科研论文生成、复杂代码重构），CoD 的极简步骤可能会丢失关键的上下文逻辑。因为它强制“每步 5 词”，可能导致长链条推理中的信息断层。此时，传统的 CoT 依然是更稳妥的选择。

3. 可解释性的“黑盒化”

CoT 的冗长步骤虽然费钱，但便于人类审计和调试——你能清楚看到模型哪一步“想歪了”。而 CoD 的输出往往是碎片化的关键词或符号（如 x=8），虽然高效，但可解释性（Interpretability）变差。在医疗诊断、法律判决等高风险领域，这种“不知所以然”的推理过程可能成为合规障碍。

4. 小模型的性能瓶颈

在参数量小于 3B 的微型模型上，CoD 虽然能减少 Token，但其绝对准确率与 CoT 相比仍有较大差距。目前来看，CoD 更适合中大型模型（7B 以上）的推理加速。

六、 工程实践：如何 3 分钟部署 CoD？

对于开发者和 AI 架构师而言，引入 CoD 并非要重构模型，而是一次Prompt 工程的迭代优化。

1. 提示词构建公式

一个标准的 CoD Prompt 应包含以下要素：

# Role
你是一个高效的逻辑推理专家。

# Instruction
请解决以下问题。在给出最终答案前，请先生成推理草稿。

# Constraint (核心)
**重要规则**： 每一步推理草稿必须控制在 **5 个词以内**。使用符号、公式或关键词，不要使用完整句子。

# Few-Shot Examples (关键)
示例 1：
问题：20 - 12 = ?
草稿：20 - 12 = 8
答案：8

# User Input
[在此处填入你的问题]

2. 迭代优化流程

1. 基线测试： 先用 CoT 跑通流程，记录准确率、Token 数和延迟。

2. 引入 CoD： 加入“5 词限制”和 Few-Shot 示例。

3. A/B 测试： 对比两种模式下的业务指标（如客服解决率、交易胜率）。

4. 动态切换： 对于简单逻辑（如数学计算、日期转换）启用 CoD；对于复杂逻辑（如情感分析、创意写作）回退到 CoT。这种混合推理策略是目前性价比最高的方案。

七、 结论：效率至上的必然选择

草稿链（CoD）的出现，不是对思维链（CoT）的否定，而是分工。

• CoT 是“深思考”：适用于需要深度、创意、解释性的场景，不惜成本追求极致智能。

• CoD 是“快思考”：适用于需要速度、规模、低成本的场景，用最小的算力换取足够好的结果。

在 2026 年这个 AI 全面商业化的节点，“快”往往比“完美”更重要。 CoD 通过模仿人类最本能的速记行为，撕开了大模型推理成本的缺口。它告诉我们：智能不一定需要冗长的铺垫，真正的智慧往往是一针见血的。

对于企业而言，拥抱 CoD 不再是一个“技术尝鲜”的选项，而是一道必做的“成本生存题”。谁能越快将 CoD 融入生产流，谁就能在 AI 竞赛中掌握定价权和响应速度的主动权。

表：CoD 与 CoT 核心指标对比速查