Думай шаг за шагом — Chain-of-Thought
Проси рассуждение вслух — для логики и анализа
На сложной задаче модель часто выдаёт короткий ответ сразу — и ошибается. «Думай шаг за шагом» заставляет сначала расписать шаги. Каждый шаг попадает в контекст и подтягивает финальный вывод. Это Chain-of-Thought (CoT) — цепочка рассуждений.
КАК ЗАПУСТИТЬ COT
«Думай шаг за шагом», «Объясни рассуждение», «Сначала разбери, потом ответь» — всё это CoT. Модель пишет промежуточные шаги перед финалом. Удобно попросить в конце отдельную строку «Ответ: …» — так вывод легко найти.
Почему это работает
LLM генерирует токен за токеном. Шаги рассуждения попадают в контекст — финальный ответ строится на всей цепочке и получается точнее. В исследовании 2022 года (Kojima и соавторы) одна фраза «Let's think step by step» подняла точность модели того времени на арифметическом тесте MultiArith примерно с 18% до 79%.
Когда использовать
- Многошаговые задачи: анализ, планирование, решения
- Логика: сравнение вариантов, аргументация
- Не нужен CoT: простые факты, перевод, форматирование
Цена и self-consistency
CoT-ответы длиннее — больше output-токенов. Используй на сложных задачах, не на каждом запросе. Продвинутый приём: запустить CoT несколько раз и выбрать ответ большинством (self-consistency). Дороже, но точнее на критичных задачах.
?Проверь себя
AI должен выбрать лучший из трёх вариантов стратегии. Как улучшить промпт?
REASONING-МОДЕЛИ
Reasoning-модели (у OpenAI — reasoning effort, у Claude — adaptive thinking и параметр effort) рассуждают внутри сами, до ответа. Им «думай шаг за шагом» обычно не нужно: OpenAI советует не добавлять такие фразы, а описать цель, ограничения и формат. Anthropic оставляет ручной CoT на случай, когда thinking выключен. Для моделей без встроенного рассуждения явная просьба по-прежнему помогает.
