Chain of Draft

Overview

Chain of Draft (CoD) 是一种受人类推理方式启发的提示范式，通过生成极简的中间推理步骤（每步约 5 个词）替代冗长的逐步推理文本，在保持或超越 CoT 准确率的同时仅使用 7.6% 的 token。本文综合 arXiv 论文与 Token Optimize 指南，梳理 CoD 的核心机制、实验数据和相关技术。

为什么重要

CoT（Chain of Thought）几乎是默认推理范式，但它烧 token——每多一个推理步骤都是上下文成本和延迟成本。CoD 用 arXiv 论文实证：极简推理可以达到甚至超越 CoT 准确率，仅 7.6% token 消耗。这是把”提示工程”从经验技巧升级为可量化优化的一个里程碑案例，对预算紧的生产 Agent 尤其重要。

为什么重要

CoT（Chain of Thought）几乎是默认推理范式，但它烧 token——每多一个推理步骤都是上下文成本和延迟成本。CoD 用 arXiv 论文实证：极简推理可以达到甚至超越 CoT 准确率，仅 7.6% token 消耗。这是把”提示工程”从经验技巧升级为可量化优化的一个里程碑案例，对预算紧的生产 Agent 尤其重要。

核心机制

传统 Chain-of-Thought (CoT) 提示词为 “think step by step”，鼓励模型生成详细的推理过程。CoD 在此基础上增加约束：

"think step by step, write only ~5 words per step"

关键区别：CoD 不要求模型”解释”每一步的推理，只要求输出”极简但信息丰富”的中间结果。这模拟了人类在心算或快速推理时的行为——大脑产生简短的心理草稿而非完整的叙述。

实验结果

任务	CoT Token 消耗	CoD Token 消耗	节省比例	准确率
GSM8K（数学推理）	100% 基线	~7.6%	92.4%	持平或超越
日期理解	100% 基线	~7.6%	92.4%	持平或超越
体育理解	100% 基线	~7.6%	92.4%	持平或超越

三项基准测试中，CoD 在准确率持平甚至超越 CoT 的同时，仅消耗约 7.6% 的 token。

推理模型的注意事项

推理模型（如 o1、DeepSeek-R1）已经在内部执行 chain-of-thought。对这些模型额外添加显式 CoT 提示，仅带来 2.9–3.1% 的准确率提升，却不值得 10–13 倍的 token 开销。因此，CoD 应主要应用于标准模型。

相关技术

• Concise Chain-of-Thought (CCoT)：在多选题任务上将回复长度削减约 49%
• Focused Chain-of-Thought (F-CoT)：通过结构化输入将 token 使用降低 2–3 倍

See Also

• 高效表达指南 — Agent/Skill 编写的整体精简表达体系
• Token 高效提示模式 — 输出格式优化、Prompt 压缩和语义缓存