先给结论
常规问答与步骤可顺序展开的问题选思维链（CoT），一步错满盘输且具备可验证性的复杂问题选思维树（ToT）。CoT 提供一条线性推理路径，适合数学应用题和多跳常识问答，实现上几乎零成本。ToT 则用算力换取正确率，通过在每步生成多个候选思路并进行评估回溯来搜索解空间，适合解谜、规划和代码设计。实际工程选型中，绝大多数场景使用 CoT 已经足够，只有在单路径贪心策略无法解决，且允许承担较高模型调用成本与工程复杂度时，才考虑引入 ToT。
逐项对比
| 对比维度 | CoT（思维链） | ToT（思维树） |
|---|---|---|
| 定位 | 单路径线性推理 | 树状搜索与回溯 |
| 强项 | 实现零成本且速度快 | 探索充分且支持纠错 |
| 弱项 | 贪心策略导致错了无法回头 | 工程复杂度高且依赖评估器 |
| 典型场景 | 数学应用题与多跳常识 | 解谜、规划与代码设计 |
| 成本 | 零成本（提示词或内化） | 多次模型调用与评估器开销 |
两者的本质差异在于搜索结构。CoT 采用贪心单路径策略，模型逐步生成中间步骤直到得出答案。这种方式像走单行道，一旦中间某一步推理出错，后续步骤将全部偏离，错了无法回头。ToT 则引入了搜索与回溯机制，在每一步推理时生成多个候选思路，并使用评估器对这些思路进行打分。基于打分结果，系统可以选择最优路径继续向下探索，或者在当前路径行不通时退回到上一个节点重新选择。
这种机制上的不同直接决定了成本和应用边界。ToT 能够充分探索解空间并支持纠错，代价是成倍增加的模型调用次数以及构建评估器的额外成本，整体工程复杂度高。因此，只有中间步骤可以通过明确规则进行验证的场景才值得引入 ToT。此外，ToT 与 Agent 范式关系密切，其分支、评估与回溯的思路，目前已被许多规划与反思类 Agent 继承，成为处理复杂任务的底层逻辑。
面试怎么答
遇到选型问题，先明确业务场景的容错率与算力预算，再给出对应方案。答题框架可分为三步：首先界定问题类型，说明常规线性问题选择 CoT，需要探索解空间的问题选择 ToT；其次对比成本，点明 ToT 是用多次模型调用成本换取正确率；最后延伸至 Agent 范式，指出 ToT 的回溯机制已被规划类 Agent 继承。
面试时容易踩到的坑是把 ToT 描述成更长的 CoT——必须明确，两者的核心差异在于搜索结构与回溯能力，而不在于推理步骤的长度。