Tree of Thoughts 思想树搜索

思想树 (Tree of Thoughts, ToT) 是一种将经典图搜索算法（如广度优先搜索 BFS、深度优先搜索 DFS 与启发式 A* 搜索）与大模型提示生成相结合的非线性探索式推理范式；在解题过程中，模型维护一棵包含多个中间推理状态（Thoughts 思想节点）的树状搜索图；算法分为 4 个核心算子：1) 思想生成 (Thought Generation: 针对当前状态采样生成 3-5 种不同走向的候选想法)；2) 状态评估 (State Evaluation: 引导 LLM 作为价值函数对各候选分支打分或判断可行性)；3) 搜索算法调度 (Search Algorithm: 依据估值推进 BFS/DFS)；4) 剪枝回溯 (Pruning & Backtracking: 发现死胡同立即剪枝并回溯到前序分支)。

24 点数学谜题、填字游戏、创意写作多情节探索、复杂组合优化问题以及战略博弈决策。

传统 CoT 是单一维度的线性向前推进，一旦在前两步发生微小推导错误，由于无法回溯导致后续所有推理全盘皆输；ToT 允许模型在广阔的解空间中进行多路径前瞻探索与死胡同主动回溯，大幅提升困难决策成功率。

详细剖析 ToT 的 4 大核心操作算子：思想生成、状态评估 (Value Prompting vs Vote Prompting)、搜索调度与剪枝？

对比 BFS (广度优先，适合浅层多分支探索) 与 DFS (深度优先，适合快速探底与回溯) 在求解 24 点问题时的表现与 Token 开销？

如何设计自洽的启发式价值评估 Prompt（如要求模型给出 'sure / likely / impossible' 评价及置信度分数）？

蒙特卡洛树搜索 (Monte Carlo Tree Search, MCTS) 结合 ToT (如 AlphaGo 范式) 在现代大模型自主推理中的演进与应用？

ToT 生成天量候选分支导致的 API 费用与高延迟问题，在工业落地中的剪枝策略 (Beam Width 动态约束)？