Chain of Thought (CoT)

Суть

Chain of Thought (Цепочка рассуждений) — это техника, заставляющая LLM генерировать промежуточные логические шаги перед тем, как прийти к итоговому ответу. Это переводит модель из режима «быстрого, интуитивного мышления» в режим «медленного, аналитического».

---

⚙️ Почему это работает?

В основе LLM лежит предсказание следующего токена. Если вы просите сразу выдать ответ, модель делает один «прыжок» через пространство вероятностей.

• Увеличение вычислительного пути: Каждый сгенерированный токен рассуждения становится контекстом для следующего. Модель буквально «опирается» на свои предыдущие верные выводы.
• Снижение вероятности галлюцинаций: Ошибки часто возникают при попытке упростить сложную логику. Проговаривание шагов позволяет модели «заметить» противоречие в процессе.

[Image of Chain of Thought prompting vs Standard prompting flow]

---

🛠 Ключевые фразы (Триггеры)

Самый простой способ активировать CoT — добавить в конец промпта магическую фразу:

1. “Давай думать пошагово” (Let’s think step by step) — классический триггер.
2. “Разбей решение на логические этапы” — для более структурированных ответов.
3. “Прежде чем дать ответ, проанализируй вводные данные” — для задач на извлечение информации.

---

📋 Пример сравнения

Обычный запрос:

“Сколько связей будет в графе из 5 заметок, если каждая связана с каждой?” Ответ (может ошибиться): “10”. (Или “20”, если модель поспешит).

CoT-запрос:

“Сколько связей будет в графе из 5 заметок, если каждая связана с каждой? Давай думать пошагово.” Рассуждение модели:

1. У нас есть 5 узлов.
2. Первый узел соединяется с 4 другими.
3. Второй — с 3 оставшимися (связь с первым уже учтена).
4. Третий — с 2. Четвертый — с 1.
5. Суммируем: $4+3+2+1=10$. Ответ: 10.

---

🚀 Применение на практике

Для локальной вики CoT полезен в «исследовательских» шаблонах:

• Анализ противоречий: “В моей базе есть заметка A и заметка B, которые говорят о разном. Проанализируй их аргументы пошагово и найди точку синтеза”.
• **Авто