Wprowadzenie
Chain of Thought (CoT), czyli łańcuch myśli, to jedna z najskuteczniejszych technik prompt engineeringu. Polega na instruowaniu modelu językowego, aby przed podaniem ostatecznej odpowiedzi myślał krok po kroku. Dzięki temu model rozkłada skomplikowane zadanie na mniejsze, logiczne etapy, co znacząco zwiększa jakość odpowiedzi.
Jak działa Chain of Thought?
Zamiast prosić model o bezpośrednią odpowiedź, dodajemy do promptu polecenie typu:
„Rozwiąż zadanie krok po kroku. Na końcu podaj ostateczną odpowiedź.”
Rodzaje Chain of Thought
- Zero-Shot CoT – samo dodanie frazy „krok po kroku” bez przykładów
- Few-Shot CoT – podanie kilku przykładów z pełnym łańcuchem rozumowania
- Self-Consistency CoT – generowanie wielu łańcuchów i wybieranie najczęstszej odpowiedzi
- Tree of Thoughts (ToT) – eksploracja wielu możliwych ścieżek rozumowania
- Graph of Thoughts – bardziej złożone struktury myślenia
Zalety Chain of Thought
- Znaczna poprawa wyników w zadaniach matematycznych, logicznych i rozumujących
- Zwiększa transparentność – widać tok myślenia modelu
- Działa na większości dużych modeli językowych
- Nie wymaga kosztownego fine-tuningu
Ograniczenia
- Zwiększa zużycie tokenów (dłuższe odpowiedzi)
- Nie zawsze pomaga w prostych zadaniach
- W słabszych modelach efekt może być ograniczony
Zastosowania
- Rozwiązywanie zadań matematycznych i logicznych
- Analiza przypadków biznesowych i strategicznych
- Debugowanie kodu i programowanie
- Planowanie wieloetapowych działań
- Edukacja i tutoring
Aktualny status (2026)
Chain of Thought stał się standardową techniką pracy z modelami językowymi. Nowoczesne modele (GPT-5, Claude 4, Grok 3, Gemini 2.5) są specjalnie trenowane, aby dobrze radzić sobie z CoT. Technika ewoluowała w bardziej zaawansowane formy, takie jak Tree of Thoughts czy agentyczne rozumowanie wieloetapowe. CoT pozostaje jednym z najprostszych i najbardziej efektywnych sposobów na znaczne zwiększenie możliwości modeli bez ich dostrajania.