Chain of Thought (łańcuch myślenia)

Czym jest Chain of Thought?

Chain of Thought (CoT) prompting, czyli "łańcuch myślenia", to technika, w której prosisz model AI o jawne wypisanie kolejnych kroków rozumowania przed podaniem odpowiedzi końcowej. Model nie skacze od razu do wyniku — najpierw analizuje problem, rozbija go na części, rozwiązuje każdą po kolei, a dopiero na końcu syntetyzuje odpowiedź. Klasyczny przykład: zamiast zapytać "Ile jabłek zostało?", pytasz "Rozwiąż krok po kroku: Jan miał 23 jabłka, dał 5, kupił 7. Ile ma teraz?" Model wypisuje: Krok 1 — 23. Krok 2 — minus 5 = 18. Krok 3 — plus 7 = 25. Odpowiedź: 25. Ta pozornie prosta zmiana radykalnie zwiększa skuteczność modelu w zadaniach wymagających wieloetapowego myślenia.

Skąd się wzięło CoT? Przełomowa praca Google (2022)

Technika Chain of Thought została opisana w pracy "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models" (Wei et al., Google Research, styczeń 2022). Autorzy odkryli, że zdolność do wieloetapowego rozumowania nie wymaga specjalnej architektury modelu — wystarczy odpowiednio sformułowany prompt. Kluczowe odkrycie: gdy model generuje pośrednie kroki, prawdopodobieństwo poprawnej odpowiedzi końcowej rośnie, ponieważ każdy krok zawęża przestrzeń możliwych kontynuacji. CoT najlepiej działa na dużych modelach (100 mld+ parametrów) — mniejsze modele nie korzystają z tej techniki znacząco. Praca ta zapoczątkowała lawinę badań nad technikami rozumowania w LLM-ach i jest jedną z najczęściej cytowanych w historii prompt engineeringu.

Zero-shot CoT: wystarczy "Pomyśl krok po kroku"

Zero-shot CoT to najprostsza i najbardziej uniwersalna forma tej techniki. Zamiast podawać przykłady rozumowania (few-shot CoT), po prostu dodajesz do promptu frazę "Pomyśl krok po kroku" (Let's think step by step). Badania pokazują, że ta jedna fraza potrafi zwiększyć dokładność modelu o 10-30 punktów procentowych w zadaniach matematycznych i logicznych. Przykład: "Czy suma liczb nieparzystych w zbiorze [15, 32, 5, 13, 82, 7, 1] jest parzysta? Pomyśl krok po kroku." Model wypisuje liczby nieparzyste, sumuje je, sprawdza parzystość sumy i dopiero wtedy odpowiada. Zero-shot CoT działa na tyle dobrze, że często nie potrzebujesz few-shot CoT — wystarczy samo "pomyśl krok po kroku".

Few-shot CoT: demonstracja rozumowania przez przykłady

Few-shot CoT idzie o krok dalej — podajesz w prompcie 2-3 pełne przykłady rozumowania krok po kroku, a potem prosisz model o analogiczne podejście do nowego problemu. Każdy przykład pokazuje nie tylko poprawną odpowiedź, ale cały proces dochodzenia do niej — łącznie z błędnymi ścieżkami i korektami. Technika ta sprawdza się, gdy zadanie wymaga specyficznego stylu rozumowania albo formatu odpowiedzi. Minusem jest duże zużycie tokenów — każde przykładowe rozumowanie to kilkaset dodatkowych tokenów. W praktyce: testuj najpierw zero-shot CoT. Jeśli nie działa, dodaj 1-2 przykłady rozumowania.

Kiedy CoT działa, a kiedy nie?

CoT sprawdza się w zadaniach, które można rozłożyć na sekwencję logicznych kroków: matematyka, arytmetyka, rozumowanie symboliczne, łamigłówki logiczne, analiza wieloetapowa, planowanie, debugowanie kodu, analiza finansowa i prawna. Nie pomaga (a czasem przeszkadza) w zadaniach jednowymiarowych: analiza sentymentu, klasyfikacja binarna, proste tłumaczenie, generowanie kreatywne. Zasada praktyczna: jeśli Ty jako człowiek rozwiązujesz problem "na raz" w głowie, CoT raczej nie pomoże. Jeśli potrzebujesz kartki i długopisu — CoT pomoże też modelowi.

Ograniczenia i ryzyka CoT

CoT ma trzy główne ograniczenia. Po pierwsze, koszt — każdy krok rozumowania to dodatkowe tokeny outputu, za które płacisz. Przy zadaniach wieloetapowych odpowiedź może być 5-10 razy dłuższa niż bez CoT. Po drugie, model może "wyrozumować" sobie błędną odpowiedź z dużą pewnością siebie — pośrednie kroki tworzą iluzję poprawności, podczas gdy błąd tkwi już w pierwszym założeniu. Po trzecie, CoT nie eliminuje halucynacji — model może wymyślić przekonujące, ale fałszywe rozumowanie. W systemach krytycznych (finanse, prawo, medycyna) CoT zwiększa transparentność, ale nie zastępuje weryfikacji człowieka ani zewnętrznych źródeł.

CoT w nowoczesnych modelach reasoningowych

Modele reasoningowe (GPT-5 z reasoning, Claude z extended thinking) mają CoT wbudowane natywnie — wykonują wewnętrzne rozumowanie przed wygenerowaniem odpowiedzi, często niewidoczne dla użytkownika. W tych modelach zewnętrzny CoT przez prompt może być zbędny, a nawet szkodliwy — model już "myśli" samodzielnie, a dodatkowe instrukcje mogą zaburzyć jego wewnętrzny proces. Zasada praktyczna: przy modelach reasoningowych testuj najpierw bez CoT. Dodawaj "pomyśl krok po kroku" tylko jeśli model wyraźnie nie radzi sobie z rozumowaniem — co przy GPT-5 i Claude Opus 5 zdarza się rzadko przy standardowych zadaniach.

Znaczenie dla systemów sprzedaży wiedzy

Dla solopreneurów budujących systemy AI, CoT to technika o dwóch kluczowych zastosowaniach. Pierwsze: gdy AI ma analizować dane klienta i wyciągać wnioski — np. "przeanalizuj tę kampanię reklamową krok po kroku i zaproponuj 3 ulepszenia na podstawie danych". Drugie: gdy AI ma pełnić rolę doradczą — "oceń tę ofertę pod kątem 5 kryteriów i wskaż najsłabszy punkt". W obu przypadkach CoT daje nie tylko lepszą odpowiedź, ale też transparentność — klient widzi tok rozumowania, co buduje zaufanie do systemu AI. W produktach wiedzowych, gdzie autorytet eksperta jest kluczowy, możliwość pokazania jak AI doszła do wniosku jest często ważniejsza niż sam wniosek.