Chain-of-Thought (цепочка рассуждений) — это способ формулировать запрос так, чтобы языковая модель раскрывала промежуточные шаги решения, а не выдавала сразу финальный ответ. Что это значит на практике: модель проговаривает логику по частям, и каждый следующий шаг опирается на предыдущий. Приём срабатывает там, где ответ требует нескольких логических переходов — арифметика, логические задачи, разбор условий с несколькими переменными.
Работает пошаговое рассуждение через явную инструкцию в промпте: добавляют формулировку вроде давай рассуждать шаг за шагом либо дают пример решения с расписанной логикой. На больших моделях качество ответов на многошаговых задачах заметно растёт, потому что модель не срезает путь к выводу. На простых фактических вопросах смысла в этом нет — там достаточно прямого ответа.
§ 01Что это и чем отличается от обычного промпта
Обычный промпт просит ответ напрямую: вопрос — результат. Цепочка мыслей вставляет между ними развёрнутое рассуждение, где модель разбивает задачу на подзадачи и решает их по порядку. Отличается это от простого запроса тем, что вывод становится проверяемым: видно, на каком шаге логика сломалась. Различают два формата — zero-shot (одна инструкция рассуждай по шагам без примеров) и few-shot (в промпт кладут 1–3 образца с расписанным ходом решения).
§ 02Почему появилось
Языковые модели предсказывают следующий токен, а не выполняют вычисления. На задаче в несколько действий модель без рассуждения часто выдаёт правдоподобный, но неверный итог — угадывает ответ целиком. Пошаговое рассуждение заставляет модель генерировать промежуточные токены, и финальный вывод опирается уже на них. Приём стал стандартом для класса задач, где важна логика: математические примеры, задачи на условия, разбор многоступенчатых инструкций.
точность 61% → 84% — EdTech-платформа с ИИ-репетитором по математике добавила инструкцию 'рассуждай пошагово' в промпт GPT-4o для разбора текстовых задач. Точность верных решений выросла с 61% до 84% за 3 недели тестов. Замер на выборке 500 задач в LangSmith.
эскалации −29% — B2B SaaS с поддержкой на LLM переключил бота на пошаговый разбор тикетов перед финальным ответом клиенту. Доля ошибочных эскалаций к людям упала на 29% за 2 месяца. Динамика по логам в Helicone и ручной оценке 300 диалогов.
§ 03На кого влияет
Затрагивает этот метод всех, кто строит запросы к LLM под аналитические задачи. Разработчикам приёмов промптинга он даёт рычаг для повышения точности без дообучения модели. В продуктах на базе API рассуждение по шагам часто прячут в системный промпт, а пользователю показывают только итог. Ограничение: развёрнутая цепочка тратит больше токенов, а значит увеличивает стоимость запроса и время ответа — для потоковых сценариев это ощутимо.
§ 04Как адаптироваться
Начать стоит с простой инструкции в конце промпта: реши задачу пошагово, затем дай ответ. Если модель всё равно срезает логику, добавляют few-shot пример с полностью расписанным решением похожей задачи. Для стабильного формата вывод просят структурировать:
- сначала шаги рассуждения;
- затем строку с финальным ответом по заданному шаблону.
Разделение шагов и итога упрощает парсинг результата в коде и отсекает лишний текст на выходе.