推理结构范式(Reasoning Structures)是引导大语言模型进行复杂推理的框架。从最简单的线性思维链(CoT)到分支探索的思维树(ToT)，再到网络化连接的思维图(GoT)，以及迭代优化的自我修正(Self-Refine)，每种范式在搜索空间、计算成本和推理精度上各有取舍。
思维链(CoT)通过引导模型生成中间推理步骤来提升复杂推理能力。零样本CoT仅需一句"让我们一步步思考"；少样本CoT提供带推理过程的示例；Auto-CoT自动从数据集中聚类并生成高质量推理链。CoT是所有推理结构范式的基础。
思维树(ToT)将推理过程建模为搜索树：在每个状态生成多个候选"思维"，通过评估函数打分，使用BFS或DFS策略探索。评估剪枝能舍弃低质量分支，在复杂规划和多步推理任务中显著优于线性CoT。
思维图(GoT)将推理建模为任意图结构：思维节点可以聚合(多节点合并)、排序(按质量重排)、循环(反馈优化)。GoT突破了树的层级限制，支持思维之间的任意连接，适合需要综合多方信息的复杂推理任务。
自我修正(Self-Refine)让模型对自身输出进行批评并迭代改进；反馈循环(Feedback Loop)将评价信号回传生成器；自我一致性(Self-Consistency)对多条采样推理路径进行多数投票，选取最一致答案。两者结合可显著提升推理鲁棒性。
多路径推理(Multi-path Reasoning)并行生成多条独立推理路径，通过集成(Ensemble)聚合结果，验证(Verification)筛选可靠路径，融合(Fusion)合并互补信息。相比单路径推理，多路径策略在精度和鲁棒性上均有提升。
不同推理范式在结构复杂度、计算成本、推理精度上存在权衡。CoT最简单成本最低；ToT通过搜索提升精度但成本激增；GoT灵活度最高但实现复杂。本模块从结构、成本、精度、复杂度四维度对比分析各范式。
推理结构范式在数学推理、代码生成、科学发现、规划创意等领域有广泛应用。数学推理依赖精确的多步推导；代码生成需要结构化分解；科学发现涉及假设-验证循环；规划创意则需要发散与收敛的结合。