Что такое chain of thought — почему «думай по шагам» делает ИИ умнее

Смотри, странная на первый взгляд штука: одну и ту же задачу модель решает вернее, если попросить её сначала порассуждать вслух, а не выдавать ответ сразу. Добавляешь в промпт «рассуждай по шагам» — и точность на задачках с логикой и числами заметно растёт. Это не самовнушение и не магия. У приёма есть имя — chain of thought, «цепочка рассуждений» — и понятная причина, из-за которой он работает. Через пару минут ты будешь пользоваться им осознанно.

Что это такое в одной фразе

Chain of thought — это когда модель проговаривает промежуточные шаги, прежде чем дать финальный ответ. Не «42», а «сначала посчитаю это, потом это, значит — 42».

Классический способ включить: дописать в конце запроса «think step by step» / «рассуждай по шагам». Звучит слишком просто, чтобы что-то менять. Но меняет.

Как это работает — модели нужно место подумать

Чтобы понять, почему рассуждение вслух помогает, вспомни, как модель вообще пишет ответ. Она порождает текст по одному токену — кусочку слова — и каждый следующий опирается на всё, что написано до него.

А теперь ключевой момент. У модели нет черновика в голове. Ей негде молча провести длинный расчёт — единственное «место, где она думает», это сам текст, который она пишет. Если требовать ответ сразу, ты заставляешь её прыгнуть к финалу без промежуточных выкладок — и на сложной задаче она чаще ошибается.

А когда ты разрешаешь ей расписать шаги, каждый шаг становится опорой для следующего. Она как бы думает на бумаге у тебя на глазах. Отсюда и рост точности: рассуждение — это не украшение ответа, это и есть процесс решения.

Аналогия простая. Попроси человека умножить 47 на 89 в уме и ответить мгновенно — он, скорее всего, промахнётся. Дай ему листок — посчитает верно. Chain of thought — это листок для модели.

Почему это важно тебе

Это самый дешёвый способ поднять качество ответов — без смены модели и без сложных настроек. Стоит держать в голове две вещи.

Первая — приём под рукой. Модель путается в задаче с несколькими условиями, в подсчётах, в логике «если — то»? Допиши: «сначала разбери условие по шагам, потом дай ответ». Часто этого хватает. Это один из приёмов промптинга, которые реально работают, а не список общих советов.

Вторая — понимание нового класса моделей. Есть reasoning-модели: они делают эту цепочку рассуждений сами, внутри, ещё до того как показать тебе ответ. Ты не видишь их «черновик» — видишь уже выверенный итог. Поэтому у них другое поведение: думают дольше, но на сложном сильнее. Зная про chain of thought, ты понимаешь, что именно у них под капотом и за что ты доплачиваешь временем.

Где ты с ним встречаешься

Чаще, чем замечаешь. Когда просишь ИИ разобрать баг — он идёт по коду шаг за шагом. Когда решаешь с ним задачу по математике — он выписывает выкладки. Когда reasoning-модель «думает» несколько секунд перед ответом — это она гоняет свою цепочку внутри.

Одна оговорка на будущее. С reasoning-моделью просить «думай по шагам» обычно уже не нужно — она и так это делает, и лишняя просьба ничего не добавит. Приём ценен там, где модель по умолчанию рвётся ответить сразу.

Chain of thought и few-shot — это одно и то же?

Нет, это разные рычаги, их часто путают. Chain of thought — про то, чтобы модель рассуждала перед ответом. Few-shot — про то, чтобы дать ей примеры нужного результата. Они отлично работают в паре: покажи пару примеров с расписанным рассуждением — и модель подхватит и формат, и привычку думать по шагам.

Это всегда улучшает ответ?

Нет. На простом вопросе («столица Франции?») рассуждение по шагам — лишний шум и трата времени. Приём выстреливает на многошаговых задачах: расчёты, логика, разбор длинного условия, план из нескольких действий. Правило простое: чем больше в задаче «шагов», тем сильнее помогает chain of thought.