用途：指导使用 DSPy 的 ChainOfThought 模块，在给出答案前插入推理步骤。它是 dspy.Predict 的直接替代，签名不变，只需把 Predict 换成 ChainOfThought，模型会先逐步推理再回答。推理内容始终通过 result.reasoning 获取，无需在签名中声明。
适用场景：多步逻辑（数学、谜题、条件推理）、分析与判断（代码是否有 bug、是否批准贷款）、需要权衡多因素的细粒度分类、需要展示原因的解释型任务、存在歧义的复杂抽取。经验法则：如果人类回答前需要思考，就用 ChainOfThought。
不适用场景：简单查询、从结构化文本直接抽取、对延迟和成本敏感的路径、高并发低复杂度任务；这些情况用 dspy.Predict 更合适。CoT 会生成额外推理文本，增加延迟与 token 成本（每次约 100–300 token 开销）。
主要能力：支持与 Predict 相同的类型约束（Literal、int、float、bool、list[str] 及 Pydantic 模型）；可嵌入 dspy.Module 构建多步流水线，推理结果可传给下游子模块；可与 BootstrapFewShot、MIPROv2 等优化器配合，自动发现高质量推理轨迹作为少样本示例，并在生产前用 Evaluate 对比优化前后准确率。
必要用法：先配置 LM，例如 lm = dspy.LM("openai/gpt-4o-mini")，dspy.configure(lm=lm)；然后调用 ChainOfThought，如 assessor = dspy.ChainOfThought(AssessRisk)，并通过 result.reasoning、result.assessment 取值。优化器示例：optimizer = dspy.BootstrapFewShot(metric=ticket_metric, max_bootstrapped_demos=4)，optimized = optimizer.compile(classifier, trainset=trainset)，optimized.save("ticket_classifier.json")。
注意事项：不要在签名中重复声明 reasoning，否则会产生重复字段；调整 rationale_field 前缀不影响输出访问名，仍是 result.reasoning；max_tokens 需留至少约 500 token 余量，否则推理可能被截断导致解析失败；安装命令为 npx skills add lebsral/DSPy-Programming-not-prompting-LMs-skills --skill <name>。价格、具体平台支持与效果数据暂未提供。