Урок 13. Chain-of-thought: пошаговое мышление
Если ChatGPT или Claude дают неточные ответы на сложные аналитические или логические вопросы, проблема чаще всего не в модели, а в том, как сформулирован запрос. Chain-of-thought заставляет модель объяснять своё мышление шаг за шагом — и это даёт значительно более точный результат.
Разбор темы
Chain-of-thought (CoT) — техника, при которой вы просите модель не просто выдать ответ, а показать процесс рассуждения. 'Думай шаг за шагом' или 'объясни каждый шаг' заметно снижают вероятность ошибки.
Почему это работает? Когда модель пишет последовательно, каждое предложение становится контекстом для следующего. Так она опирается на вычисления, а не на угадывание.
Zero-shot CoT — достаточно добавить 'думай шаг за шагом'. Few-shot CoT — показать 1-2 примера с подробным объяснением, и модель воспроизведёт этот паттерн.
Особенно эффективно для математики, логических последовательностей, многоусловного анализа и стратегических решений. Для простых вопросов CoT избыточен.
Что вы получите из урока
- понять, что такое chain-of-thought и когда он нужен
- различать zero-shot и few-shot CoT
- писать пошаговые промпты для сложного анализа
- проверять каждый шаг рассуждения модели
План урока
Что такое CoT и почему работает?
Модель пишет последовательно — каждое предложение контекст для следующего. Это снижает вероятность ошибки в сложных рассуждениях.
Zero-shot vs few-shot CoT
Zero-shot: добавить 'думай шаг за шагом'. Few-shot: показать 1-2 примера с подробным решением.
Когда применять CoT
Сложная логика, математика, многоусловный анализ. Не нужен для простых однозначных вопросов.
Проверка результата
Сопоставьте рассуждения модели с собственной логикой. Если шаги не логичны — уточните промпт или смените модель.
Слабый и сильный prompt
Какой вариант развития бизнеса выбрать?
Реши задачу шаг за шагом: 1) проанализируй текущую ситуацию; 2) предложи 3 варианта масштабирования; 3) для каждого укажи плюсы и риски; 4) порекомендуй наиболее реалистичный с учётом ресурсов и времени. Бизнес: онлайн-доставка фруктов и овощей в Ташкенте, 200 заказов в месяц.
Второй промпт принуждает модель рассуждать по шагам, а не угадывать. Результат — обоснованный анализ, а не общие слова.
Подробнее о теме
Chain-of-thought (CoT) prompting — это техника, при которой вы явно просите модель описывать каждый шаг своего рассуждения, прежде чем дать итоговый ответ. Суть эффекта: каждая написанная фраза становится контекстом для следующей. Модель «думает вслух» и может заметить собственную ошибку раньше, чем придёт к выводу.
Три варианта CoT для практики: 1) Zero-shot CoT — добавить к prompt фразу «давайте рассуждать по шагам» или «объясните каждый шаг». Этого часто достаточно. 2) Few-shot CoT — показать один-два полных примера рассуждения, чтобы модель следовала тому же паттерну. 3) Self-consistency CoT — запустить задачу несколько раз и выбрать наиболее частый ответ; полезно для критичных решений.
Где CoT даёт наибольший выигрыш? В математических задачах, многоступенчатом анализе данных, оценке рисков и принятии бизнес-решений с несколькими переменными. Здесь прямой ответ без рассуждений ненадёжен — модель слишком легко ошибается на промежуточных шагах.
Важное ограничение: CoT не гарантирует правильный ответ, он лишь снижает вероятность незаметной ошибки. Шаги рассуждения могут быть логично оформлены, но основаны на неверной предпосылке. Поэтому для критически важных задач всегда проверяйте промежуточные шаги, а не только финальный вывод.
Готовый prompt-шаблон
Копируйте и адаптируйтеРеши следующую задачу, описывая каждый шаг отдельно. Задача: [конкретная задача или вопрос]. Шаги: 1) определи суть проблемы; 2) рассмотри доступные данные; 3) проанализируй каждый вариант логически; 4) выбери лучший вариант и обоснуй. В конце напиши итоговый вывод отдельным абзацем.
Почему это работает
Chain-of-thought заставляет модель раскрыть процесс мышления вместо прямого ответа — особенно важно для сложной логики.
Zero-shot CoT: добавить 'думай шаг за шагом'. Few-shot CoT: показать 1-2 примера с подробным решением.
Математика, логические цепочки, анализ сценариев и многоусловные решения — там CoT наиболее эффективен.
Для простых вопросов CoT избыточен: тратит токены без ощутимого улучшения результата.
Практика
- Задайте модели сложный вопрос стандартным промптом: 'Как лучше всего масштабировать бизнес?'
- Перепишите тот же вопрос с CoT: попросите рассмотреть 3 варианта, взвесить плюсы и минусы, затем дать вывод.
- Сравните оба ответа: какой более обоснован?
- Попробуйте CoT на математической или логической задаче и проверьте точность.
Мини-проект
Мини-проект: принятие решения с CoT
Выберите реальную задачу из работы или жизни и используйте CoT-технику для её решения с помощью AI.
Что сделать
- Сформулируйте задачу в одном предложении.
- Перечислите шаги, необходимые для её решения.
- Напишите CoT-промпт и получите ответ.
- Проверьте каждый шаг на логичность.
Что должно получиться
- 1 CoT-промпт
- ответ модели с анализом по шагам
- ваш вывод о точности результата
Checklist
Частые ошибки
- применять CoT ко всем задачам подряд — для простых вопросов он избыточен
- написать только 'шаг за шагом', не указав конкретные шаги
- задать слишком много шагов, из-за чего модель путается и не даёт итогового вывода
- принимать все рассуждения модели за верные без проверки
Вопросы по уроку
CoT всегда даёт более точный ответ?
Чаще да — для сложных задач. Для простых вопросов CoT тратит лишние токены без существенного улучшения.
На каких моделях CoT работает лучше всего?
GPT-4o, Claude 3.5 Sonnet и Gemini Pro. Менее мощные модели иногда не справляются с многошаговым рассуждением.
Чем zero-shot CoT отличается от few-shot CoT?
Zero-shot CoT — вы просто добавляете инструкцию 'рассуждать по шагам', без примеров. Few-shot CoT — вы показываете один-два полных примера пошагового рассуждения. Для большинства задач zero-shot достаточен; few-shot помогает при сложных или нестандартных форматах.