一句话总结：DoT (Division of Thoughts) 让大模型（LLM）负责“思考与规划”，让小模型（SLM）负责“具体执行”。
1. 为什么需要 DoT？一个通俗的类比
想象一下，你是一家上市公司的 CEO。 如果公司接到一个复杂的项目，比如：开发一款新游戏，你会怎么做？
做法 A（传统大模型模式）： 你作为 CEO，亲自去写每一行代码、亲自画每一张原画、亲自做每一个测试。 结果可能是：你累死了（算力消耗大），工资还要得高（成本高），而且因为你太忙了，项目进度很慢（延迟高）。
做法 B（DoT 模式）： 你作为 CEO，只负责制定计划：“我们要分三步走：1.设计玩法，2.开发引擎，3.美术制作”。 然后，你找来几个实习生或专员（小模型），把具体任务分给他们：“小王你负责写代码，小李你负责画画”。 你只做最核心的决策（大模型只用在刀刃上），具体累活由便宜高效的员工完成（小模型执行），甚至他们可以同时开工（并行处理）。
这就是 Division of Thoughts (DoT) 的核心理念。
Division-of-Thoughts 论文地址：https://arxiv.org/abs/2502.04392 原文代码：https://github.com/tsinghua-fib-lab/DoT
2. DoT 的三大核心法宝
参考原始论文，DoT 的工作流程可以拆解为三个关键步骤：
第一步：运筹帷幄 —— 任务分解 (Task Decomposition)
角色：Planner (规划者，通常由大模型担任，如例子里的 GLM-4.7)
面对用户的一个复杂问题（比如“帮我策划一个纪念日晚餐并计算预算”），Planner 不会急着回答，而是先把它拆解成一张流程图（DAG）。
Demo 代码逻辑：
# 在我们的 demo 中，Planner 会输出这样的结构：
[
{"id": 1, "desc": "确定菜谱", "deps": []},
{"id": 2, "desc": "查询食材价格", "deps": [1]}, # 依赖步骤1
{"id": 3, "desc": "计算总预算", "deps": [2]} # 依赖步骤2
]关键点：它不仅拆分任务，还搞清楚了依赖关系。哪一步要先做，哪一步可以同时做，安排得明明白白。
第二步：知人善任 —— 模型分配 (Model Allocation / Adapter)
角色：Adapter (HR 经理)
任务拆好了，该派谁去干活呢？这就是 Adapter 的工作。它会评估每个子任务的难度。
简单任务（如“提取关键词”、“简单格式化”）：派 小模型（Executor Small，如 GLM-4.5-Flash）去干。便宜、速度快！
困难任务（如“逻辑推理”、“代码架构设计”）：派 大模型（Executor Large，如 GLM-4.7）去干。虽然贵点，但保证质量。
Demo 实现： 我们在 Demo 中实现了一个 adapter_allocate 函数，让大模型充当 HR，给每个步骤打标 SMALL 或 LARGE来分别处理。
第三步：按部就班 —— 拓扑执行 (Topology Execution)
角色：Executor (执行者，主要是小模型)
各个模型按照计划开工！这里有一个非常精妙的设计叫 “上下文剪枝 (Context Pruning)”。
传统模式：做第 5 步的时候，要把第 1,2,3,4 步的所有废话都看一遍，但实际上容易分心，干扰多，而且浪费脑子（就是Token 很贵的）。
DoT 模式：做第 5 步时，只看它依赖的第 3 步的结果。不相关的信息一律屏蔽。
Demo 的代码逻辑：
# 只加载依赖项的上下文if deps:
relevant_context += "【前置依赖结果】:\n"
for dep_id in deps:
# 只取相关结果，屏蔽无关步骤
relevant_context += f"- 步骤 {dep_id} 结果: ...\n"3. 原始论文 vs. 极简 Demo：我们还原了什么？
我们在 src/dot_demo.py 中实现了一个微缩版的 DoT 系统。虽然麻雀虽小，但五脏俱全：
特性原始论文 (Full DoT)我们的极简 Demo思考大脑GPT-4 / Claude 3 OpusGLM-4.7 (智谱)执行手脚Llama-3-8B / GPT-3.5GLM-4.5-Flash (智谱)任务编排复杂的图算法，支持真并行模拟的 DAG 逻辑，顺序执行但带逻辑依赖模型路由专门训练的分类器模型基于 LLM Prompt 的动态判断
我们在 Demo 中成功复现了一些简单例子：
逻辑推理题（谁是冠军）：Planner 敏锐地发现了“乙和丁说的话矛盾”这一关键逻辑点，指导 Executor 进行排查，而不是让 Executor 瞎猜。
结构化写作（三词造句）：Planner 像导演一样规划了分镜头（第一段写冰箱，第二段写大象…），Executor 只需要按剧本填空，生成的内容结构非常严谨。
我们的Division of Thoughts (DoT) 极简演示的 Demo代码地址：
https://gitee.com/TimVanX/bits_and_stardust/blob/master/01_AI%E4%B8%8E%E7%AE%97%E6%B3%95/02_%E8%AE%BA%E6%96%87%E8%A7%A3%E8%AF%BBDoT%20%28Division%20of%20Thoughts%29/dot_demo.ipynb
4. 总结
DoT (Division of Thoughts) 告诉我们：不要试图用一个模型解决所有问题。
大模型 负责“想”（Planning），它拥有宏观视野和逻辑深度。
小模型 负责“做”（Execution），它专注、高效、成本低。
通过这种分工协作，我们不仅能把 AI 的使用成本打下来，还能让它处理更长、更复杂的任务链条，这就是DoT (Division of Thoughts) 的思想。
