Дърво на мислите: Структурирано изследване
На тази страница
Урокът е актуализиран на 3 ноември 2026 г. въз основа на документацията на OpenAI: параметрите
temperatureиtop_pсе приемат само при усилие за разсъждение (reasoning effort) със стойностnone, докато моделите от серията GPT-5.6 разсъждават по подразбиране (medium). Следователно заявките, които задават тези параметри, трябва изрично да включватreasoning={"effort": "none"}(Responses API) илиreasoning_effort="none"(Chat Completions). Източници: Използване на GPT-6 · GPT-5.6 Terra.
Дърво на мислите: Структурирано изследване
„Дърво на мислите“ (Tree-of-Thought, ToT) е техника за подканване (prompting), която структурира разсъжденията на модела като дърво за вземане на решения. Вместо да следва единствен линеен път на мисълта, моделът изследва множество клонове, оценява всеки от тях и запазва само най-перспективните. Приликата с алгоритъм за търсене е пряка: генерирате кандидати, оценявате ги и отрязвате останалите. Това я прави изключително ефективна за проблеми, изискващи планиране или връщане назад (backtracking).
Разлика с „Верига на мислите“
„Верига на мислите“ (Chain-of-Thought, CoT) следва линейно разсъждение: стъпка 1, стъпка 2, стъпка 3. Нейната слабост е структурна. Ако моделът тръгне по грешен път още на стъпка 2, всичко следващо наследява тази грешка и няма механизъм за връщане назад. Разсъждението може да бъде перфектно артикулирано, но да тръгва от неверен предпоставка. „Дърво на мислите“ изследва множество посоки на всяка стъпка и отхвърля задънените улици, преди да инвестира допълнително развитие в тях.
# Chain-of-Thought (линейно)
# Стъпка 1 → Стъпка 2 → Стъпка 3 → Отговор
# Tree-of-Thought (базирано на дърво)
# Стъпка 1
# / | \
# Опция А Опция Б Опция В ← оценка
# | | ✗ ← отрязване
# Опция А1 Опция Б1
# | |
# Отговор Отговор ← финален избор
Имплементация с едно подканване
Най-простата версия се събира в едно извикване: подканването принуждава модела да следва структура на изследване – генерирайте три подхода, оценете ги, изберете един и го развийте. Това е евтино и често достатъчно за справяне с отворен въпрос. Имайте предвид едно ограничение, преди да разчитате на него: моделът предлага и оценява в един дъх, което го прави снизходителен към собствените му идеи и води до по-малко строго отрязване, отколкото е необходимо.
from openai import OpenAI
client = OpenAI()
def tree_of_thought_simple(problem: str) -> str:
"""ToT в едно единствено подканване."""
prompt = f"""Решете този проблем, използвайки подхода „Дърво на мислите“.
Проблем: {problem}
Стъпка 1 - Генерирайте 3 различни подхода:
- Подход А: ...
- Подход Б: ...
- Подход В: ...
Стъпка 2 - Оценете всеки подход (силни и слаби страни):
- Подход А: ...
- Подход Б: ...
- Подход В: ...
Стъпка 3 - Изберете най-добрия подход и го развийте:
Избран подход: ...
Подробно развитие: ...
Стъпка 4 - Краен отговор:
..."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature изисква effort none
input=prompt,
temperature=0.7
)
return response.output_text
Имплементация с множество извиквания
За сложни проблеми разделете всяка стъпка в отделни извиквания. Това раздробяване Ви дава две неща, които едно подканване не може. Първо, контрол на температурата стъпка по стъпка: 0.8 за генериране, където разнообразието на предложенията е цялата цел на метода, след това 0.3 за оценка и развитие, където искате строгост и възпроизводимост. Второ, междинни резултати, които можете да инспектирате, записвате в дневник или дори да представите за човешка валидация, преди да позволите на веригата да продължи.
def tree_of_thought(problem: str, breadth: int = 3,
depth: int = 3) -> dict:
"""ToT с многоуровнево изследване."""
system = "Вие сте експерт в структурираното решаване на проблеми."
# Стъпка 1: Генериране на начални клонове
gen_prompt = (f"Проблем: {problem}\n\n"
f"Предложете {breadth} различни подхода за решаване на "
f"този проблем. За всеки подход предоставете заглавие и "
f"описание от 2-3 изречения. Номерирайте ги от 1 до {breadth}.")
branches_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature изисква effort none
instructions=system,
input=gen_prompt,
temperature=0.8
)
branches = branches_response.output_text
# Стъпка 2: Оценка на всеки клон
eval_prompt = (f"Проблем: {problem}\n\n"
f"Ето {breadth} предложени подхода:\n{branches}\n\n"
f"Оценете всеки подход по 3 критерия (оценка /10):\n"
f"- Осъществимост\n- Ефективност\n- Простота\n\n"
f"Класирайте ги от най-добър към най-лош с обосновка.")
eval_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature изисква effort none
instructions=system,
input=eval_prompt,
temperature=0.3
)
evaluation = eval_response.output_text
# Стъпка 3: Развитие на най-добрия клон
dev_prompt = (f"Проблем: {problem}\n\n"
f"Оценка на подходите:\n{evaluation}\n\n"
f"Развийте най-високо класирания подход в детайли. "
f"Предоставете пълно, приложимо решение.")
solution = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature изисква effort none
instructions=system,
input=dev_prompt,
temperature=0.3
)
return {
"branches": branches,
"evaluation": evaluation,
"solution": solution.output_text
}
Пример от практиката: Софтуерна архитектура
Проблемът по-долу е точно от вида, при който ToT добавя стойност. Няколко стратегии са защитими – кеширане, реплики за четене, извличане на услугата за търсене, внедряване тип blue-green – и изборът зависи от ограничения, които подканването посочва изрично, особено размера на екипа. Директното подканване би Ви дало решението, най-често цитирано в техническата литература, независимо от тези ограничения; ToT го противопоставя на другите и трябва да защити класирането си въз основа на критерии за осъществимост.
problem = """
Нашият монолитен REST API (Django, PostgreSQL) достига границите си:
- Максимум 500 заявки в секунда
- Време за отговор > 2s при крайните точки за търсене
- Внедряване = 30 минути престой
- 3 разработчици в екипа
Как можем да подобрим производителността и наличността,
без да пренаписваме цялото приложение?
"""
result = tree_of_thought(problem, breadth=4)
print(result["solution"])
Къде ToT печели и къде губи времето Ви
Техниката блести при проблеми за планиране – архитектура, пътни карти, стратегия – при ограничени проблеми като оптимизация или разпределение на ресурси, при сложно отстраняване на грешки, където множество причини остават правдоподобни едновременно, и при технически решения като избор на框架 или база данни. Тези ситуации споделят две черти: съществуват множество валидни решения и има изричен критерий за разграничаване между тях.
Обратно, пропуснете я за прости фактологични въпроси, където няма какво да се изследва и бихте платили за три извиквания, за да получите очевиден отговор. Тя също се проваля при отворени творчески задачи поради липсата на защитим критерий за оценка: класирането на три рекламни слогана по скала за осъществимост няма смисъл. Накрая, избягвайте я, когато латентността е критична, тъй като версията с множество извиквания механично верижно свързва няколко API заявки, преди да върне каквото и да е.
Комбиниране с настройки за разсъждение
При високи настройки за разсъждение, моделите GPT-5.6 вече изпълняват структурирано вътрешно изследване. Изричното прилагане на ToT тогава става до голяма степен излишно и Ви таксува двойно за една и съща работа. Запазете я за ситуации, където разсъждението е изключено или ниско, както в сравнението по-долу.
# С ниско разсъждение: изричният ToT е полезен
result = tree_of_thought(problem, breadth=3)
# С високо разсъждение: моделът вече разсъждава дълбоко
response = client.responses.create(
model="gpt-5.6-sol",
input=problem,
reasoning={"effort": "high"}
)
За да решите във Вашия собствен контекст, вземете проблем с архитектура или дизайн, който действително имате пред Вас тази седмица, пропуснете го през ToT с множество извиквания с breadth=3, след това го предоставете както си е в директно подканване. Сравнете двете решения и, преди всичко, разхода на токени за всяко от тях. За решение с високи залози разликата в качеството повече от оправдава допълнителните разходи; за второстепенен въпрос – не, и знанието за това ще Ви предпази от прилагане на техниката навсякъде по навик.
Ключови изводи
- ToT изследва множество пътища на разсъждение и избира най-доброто
- Проста версия с едно подканване или напреднала версия с множество извиквания
- Идеална за планиране, архитектура и сложно отстраняване на грешки
- При високи настройки за разсъждение, моделите GPT-5.6 вече имат имплицитен ToT
- Допълнителният разход на токени е оправдан за решения с високо въздействие