核心用法
Tree of Thoughts (ToT) 是一种突破传统线性思维的多路径推理框架。与 Chain of Thought 的单一路径不同，ToT 会同时生成多个解决方案分支，对每个分支进行量化评估（可行性、质量、成本、风险），选择性展开有潜力的分支，最终通过评分算法选出最优路径。
v2.0 版本引入 并行执行 + 智能缓存（FoT 模式），实现 3-5 倍速度提升；语义缓存对相似问题的响应可达 200 倍加速。
标准流程
1. 生成（Generate）：产出 5-10 个初始思路
2. 评估（Evaluate）：按四维度 0-10 打分，计算加权总分
3. 扩展（Expand）：对高分思路深入展开子分支
4. 搜索（Search）：BFS/DFS/Beam Search 等策略遍历
5. 选择（Select）：输出最优路径及决策依据
搜索策略
- 广度优先（BFS）：全面探索，适合重要决策
- 深度优先（DFS）：快速深入，适合时间敏感场景
- 集束搜索（Beam Search）：每层保留 Top-K，效率与质量平衡
显著优点
- 决策质量提升：通过结构化评估避免"拍脑袋"决策，案例显示简单基础设施优化常胜复杂功能
- 可解释性强：完整的评分矩阵与决策路径可追溯、可审计
- 灵活适配：支持创意问题（调整评估维度为新颖度、影响力）、技术架构选型、Bug 修复策略等多种场景
- 性能优化：并行执行大幅降低延迟；语义缓存（>85% 相似度命中）显著提升重复查询效率
- 失败恢复：内置回溯机制，死胡同路径自动标记并尝试替代方案
潜在缺点与局限性
- 计算开销：复杂问题（depth=4, branches=5）仍需约 2 秒，远高于单次 LLM 调用
- 评估主观性：可行性、质量等维度依赖模型判断，可能产生系统性偏差
- 维度设计门槛：不同问题需定制化评估维度与权重，新手易误用默认配置
- 过度探索风险：无节制扩展会导致组合爆炸，需配合剪枝策略（得分<3 立即丢弃）
- 缓存局限：语义相似度 85% 阈值可能漏判本质相同但表述迥异的问题
适合人群
- 技术决策者：系统架构选型、技术债优先级排序
- 产品经理：功能优先级、资源分配、多方案权衡
- 研究人员：实验设计、论文选题、创新方向探索
- 复杂问题解决者：ambiguous 情境、高失败成本场景
不适用：简单明确问题、实时决策、标准化操作流程
常规风险
| 风险类型 | 说明 | 缓解措施 |
|---------|------|---------|
| 评估偏差 | 模型对可行性/风险判断错误 | 引入人类复核关键决策 |
| 维度遗漏 | 未纳入关键评估因素 | 建立领域专属的维度清单 |
| 权重失当 | 默认权重不匹配当前优先级 | 根据场景动态调整（如安全敏感场景 Risk×0.5）|
| 缓存污染 | 相似问题误判导致错误复用 | 设置 TTL（默认 24h）、人工标记例外 |
| 伪最优陷阱 | 局部高分但全局次优 | 强制探索至少 3 个一级分支 |
---
版本提示：v2.0 默认启用并行与缓存，如需严格确定性可用 --sequential --no-cache 关闭。