Chain-of-thought: учим модель рассуждать
Chain-of-thought — это техника, которая заставляет модель показывать свои промежуточные рассуждения перед тем, как выдать финальный ответ. Вместо того чтобы сразу прыгать к выводу, модель пошагово проходит логику, что снижает ошибки и делает результат надёжнее.
Chain-of-thought учит модель думать вслух, а не гадать с места в карьер.
Попросите модель рассуждать пошагово — и она будет ошибаться меньше, особенно в математике, логике и анализе. Это работает через явное указание в промпте или через специальные системные инструкции. Результат: более прозрачные и точные ответы.
01Что такое chain-of-thought и зачем он нужен
Chain-of-thought (цепочка мысли) — это просьба к модели раскрыть её «думающий процесс». Вместо прямого ответа вы просите модель сначала написать, как она решает задачу, какие шаги она делает, какие допущения принимает. Потом уже идёт финальный результат.
Почему это помогает? Когда модель вслух обосновывает логику, она реже галлюцинирует и чаще находит правильный путь. Это особенно важно в задачах, где нужна точность: математика, программирование, анализ данных, юридические вопросы.
Исследования показывают, что простая просьба «покажи своё рассуждение» улучшает точность ответов на 10–30% в зависимости от сложности задачи.
02Как включить chain-of-thought в промпте
Самый простой способ — явно попросить модель думать пошагово. Вот примеры формулировок:
- «Давай разберёмся пошагово» — универсальный вариант для любой задачи
- «Сначала подумай, потом ответь» — работает для логических цепочек
- «Распиши все промежуточные расчёты» — для математики и аналитики
- «Какие ты видишь ограничения? Потом дай рекомендацию» — для стратегических решений
Пример промпта без chain-of-thought:
Ввод: Какова рентабельность проекта, если расходы 500k, доход 750k в год?
Вывод (обычно): Рентабельность 50%
Тот же вопрос с chain-of-thought:
Ввод: Распиши расчёт рентабельности проекта. Расходы 500k, доход 750k в год. Сначала покажи формулу, потом вычисли, потом вывод.
Вывод: Формула: (доход — расходы) / расходы × 100%. Расчёт: (750k — 500k) / 500k × 100% = 250k / 500k × 100% = 50%. Рентабельность составляет 50%, что означает прибыль в размере половины вложений.
03Практические примеры для разных задач
Анализ текста или данных: Попросите модель сначала выделить ключевые факты, потом оценить их, потом сделать вывод. Это поможет избежать поверхностных интерпретаций.
Программирование и отладка: Просите модель сначала проанализировать ошибку, выдвинуть гипотезы, потом предложить решение. Так вы увидите, на что модель обратила внимание, и сможете её скорректировать.
Контент и копирайтинг: Перед тем как писать текст, попросите модель сначала определить целевую аудиторию, боль, основное преимущество, потом структуру. Готовый текст будет более целевым.
Принятие решений: Просите модель рассмотреть несколько вариантов, их плюсы и минусы, потом рекомендацию. Это даст вам понимание логики, а не просто окончательный ответ.
Chain-of-thought работает не потому, что модель становится умнее, а потому что она больше времени тратит на подробный разбор. Это похоже на то, как человек нашёл решение сложной проблемы — не сразу, а когда начал писать про неё в блокноте.
04Когда chain-of-thought даёт наибольший эффект
Максимальный эффект: логические головоломки, математика, программирование, многошаговые анализы, работа с противоречивой информацией. Здесь chain-of-thought может улучшить точность на 20–40%.
Средний эффект: аналитические отчёты,策略 рекомендации, сравнения, оценка рисков. Прирост 10–20%.
Слабый эффект: творческие задачи (сочинение стихов, идеи для рекламы), быстрые ответы на факты. Здесь chain-of-thought может даже замедлить без пользы.
Главное правило: если задача требует точности и логики — используйте chain-of-thought. Если требуется скорость и креативность — можно обойтись без неё.
05Chain-of-thought в Claude и КлодБот
Claude очень хорошо реагирует на просьбы думать пошагово. Модель от Anthropic специально обучена разворачивать свои рассуждения, поэтому chain-of-thought работает особенно эффективно.
В КлодБот (Telegram-доступе к Claude) вы можете использовать эту технику в обычном чате со всеми версиями модели. Контекст в 200k токенов позволит вам работать с очень подробными рассуждениями без урезания промежуточных шагов. Это удобно при анализе больших документов или сложных многошаговых задач.
В мини-приложении КлодБот есть готовые промпты и кейсы, где уже встроена логика chain-of-thought — вы можете использовать их как базу и адаптировать под свои задачи. Дополнительно там есть обучающие материалы про промпт-инжиниринг, включая примеры пошагового рассуждения.