Chain of Thought
Σε αυτήν τη σελίδα
Συλλογιστείτε βήμα προς βήμα
Το Chain of Thought (CoT) είναι μια τεχνική που ζητά από το μοντέλο να αναλύσει λεπτομερώς τον συλλογισμό του πριν δώσει την τελική απάντηση. Αντί να πηγαίνει κατευθείαν στο συμπέρασμα, το μοντέλο διατυπώνει κάθε λογικό βήμα, γεγονός που βελτιώνει σημαντικά την ποιότητα των απαντήσεων σε εργασίες που απαιτούν συλλογισμό. Με τα μοντέλα Mistral, επιτυγχάνει εξαιρετικά αποτελέσματα στη λογική, τα μαθηματικά, την ανάλυση και τη λήψη αποφάσεων.
Για να κατανοήσετε γιατί λειτουργεί αυτό, θυμηθείτε πώς το μοντέλο παράγει κείμενο: token προς token, όπου κάθε token βασίζεται σε όλα τα προηγούμενα. Όταν ένα μοντέλο πρέπει να απαντήσει απευθείας σε ένα σύνθετο ερώτημα, διαθέτει μόνο λίγα tokens για να «σκεφτεί»· η απάντηση πρέπει να προκύψει σχεδόν αμέσως. Ζητώντας του να αναλύσει τον συλλογισμό του, του παρέχετε τον χώρο να διασπάσει το πρόβλημα σε απλά υπο-προβλήματα, να επαληθεύσει κάθε βήμα πριν προχωρήσει στο επόμενο, να εντοπίσει τις σχετικές πληροφορίες μεταξύ των παρεχόμενων δεδομένων και, τελικά, να μειώσει τα σφάλματα συλλογισμού, όπως οι παραισθήσεις (hallucinations). Ο γραπτός συλλογισμός δεν είναι μια υστερόβουλη σκέψη: είναι εκεί που πραγματοποιείται ο υπολογισμός.
Απλό CoT: μία οδηγία αρκεί
Η πιο βασική μορφή συνίσταται στην προσθήκη μιας απλής φράσης-οδηγίας στο τέλος του prompt σας:
A restaurant has 15 tables. Each table can seat 4 people.
The restaurant is 80% full. How many people are present?
Reason step by step before giving your answer.
Το μοντέλο θα παράγει τότε κάτι παρόμοιο με:
Step 1: Total capacity = 15 tables × 4 people = 60 people
Step 2: Occupancy rate = 80% = 0.80
Step 3: People present = 60 × 0.80 = 48 people
Answer: 48 people are present in the restaurant.
Χωρίς την οδηγία «reason step by step», το μοντέλο θα μπορούσε να δώσει απλώς «48»—σωστό σε αυτή την περίπτωση—αλλά θα μπορούσε επίσης να κάνει ένα λάθος σε έναν ενδιάμεσο υπολογισμό χωρίς εσείς να μπορείτε να εντοπίσετε πού. Αυτό είναι το δεύτερο όφελος του CoT, λιγότερο γνωστό αλλά εξίσου πολύτιμο: ο ορατός συλλογισμός είναι επαληθεύσιμος. Όταν μια απάντηση σας φαίνεται περίεργη, το ελαττωματικό βήμα ξεπηδά αμέσως.
Δομημένο CoT: καθοδηγήστε τα βήματα
Για πιο σύνθετες εργασίες, μην ζητάτε απλώς συλλογισμό: υπαγορεύστε τον. Φανταστείτε μια ανάλυση επένδυσης:
Evaluate whether this startup is a good investment.
Data:
- Revenue 2025: €2.3M (growth +45% YoY)
- Burn rate: €180K/month
- Runway: 14 months
- Addressable market: €500M
- Team: 22 people, 3 technical founders
Reason according to these steps:
1. Analyze financial health (revenue, burn, runway)
2. Evaluate market potential (size, current penetration)
3. Evaluate the team (skills, size)
4. Identify key risks (3 max)
5. Provide your conclusion with a confidence score (low/medium/high)
Υπαγορεύοντας τα βήματα, διασφαλίζετε ότι το μοντέλο καλύπτει όλες τις σημαντικές πτυχές, με τη σωστή σειρά, χωρίς να παραλείψει αυτή που σας ενδιαφέρει. Αφεμένο ελεύθερο, θα μπορούσε να επεκταθεί εκτενώς στην αγορά και να βιαστεί στην οικονομική ανάλυση· καθοδηγούμενο, αντιμετωπίζει συστηματικά και τις πέντε πτυχές.
Πότε να χρησιμοποιήσετε το Chain of Thought — και πότε να το παραλείψετε
Το CoT προορίζεται για εργασίες όπου μπορείτε να κάνετε λάθος στη διαδικασία: μαθηματικά προβλήματα πολλαπλών βημάτων, εκτιμήσεις, ανάλυση δεδομένων (ερμηνεία μετρικών, εντοπισμός τάσεων), λήψη αποφάσεων μέσω σύγκρισης επιλογών, αποσφαλμάτωση κώδικα ή αρχείων καταγραφής σφαλμάτων, λογικός συλλογισμός και συμπεράσματα. Σε όλες αυτές τις περιπτώσεις, κάθε ενδιάμεσο βήμα λειτουργεί ως σημείο ελέγχου που αποτρέπει την εξάπλωση των σφαλμάτων.
Αντιθέτως, το CoT είναι άχρηστο—και μερικές φορές αντιπαραγωγικό—όταν δεν υπάρχει τίποτα να αναπτυχθεί. Για ένα απλό ερώτημα γεγονότων όπως «Ποια είναι η πρωτεύουσα της Ιταλίας;», προσθέτει καθυστέρηση και tokens χωρίς να βελτιώνει τίποτα. Στη δημιουργική γραφή, ο δομημένος συλλογισμός μπορεί ακόμη και να stiflήσει τη δημιουργικότητα. Η μετάφραση είναι πιο διαισθητική παρά λογική, και η διατύπωση εκ νέου δεν απαιτεί συμπερασματική διαδικασία. Ο σωστός αντανακλαστικός μηχανισμός: αναρωτηθείτε αν εσείς οι ίδιοι θα συντάσσατε υπολογισμούς για αυτή την εργασία. Αν όχι, γλιτώστε το μοντέλο.
CoT με few-shot
Ο συνδυασμός του Chain of Thought με την τεχνική few-shot από το προηγούμενο μάθημα είναι ιδιαίτερα ισχυρός: αντί να περιγράφετε πώς να συλλογιστείτε, το δείχνετε μέσω ενός πλήρους παραδείγματος επιτυχημένου συλλογισμού.
messages = [
{
"role": "system",
"content": "You are an analyst who reasons step by step."
},
{
"role": "user",
"content": """An e-commerce site has 10,000 visitors/day, a conversion rate
of 2.5% and an average cart value of €65. What is the daily revenue?"""
},
{
"role": "assistant",
"content": """Reasoning:
1. Number of orders/day = 10,000 × 2.5% = 250 orders
2. Daily revenue = 250 × €65 = €16,250
Answer: Daily revenue is €16,250."""
},
{
"role": "user",
"content": """A SaaS has 5,000 active users, a monthly churn rate
of 3% and an average revenue per user of €49/month. What will the MRR
be in 3 months if no new customers arrive?"""
}
]
Το μοντέλο θα αναπαράγει το ίδιο σχήμα—ένα αριθμημένο μπλοκ «Reasoning», ακολουθούμενο από μια γραμμή «Answer»—για τη νέα ερώτηση. Έτσι αποκτάτε τόσο την αυστηρότητα του CoT όσο και τη συνοχή μορφής του few-shot.
Έλεγχος της λεπτομέρειας του συλλογισμού
Μερικές φορές θέλετε τον συλλογισμό αλλά όχι ένα μυθιστόρημα. Ελέγχετε τη δόση μέσα στην ίδια την οδηγία. Για πλήρη συλλογισμό, ζητήστε: «Detail every step of your reasoning before concluding.» Για μια πιο συνοπτική εκδοχή: «Reason briefly (2-3 steps max) then give your answer.» Και για παραγωγή, η πιο χρήσιμη παραλλαγή διαχωρίζει τον συλλογισμό και την απάντηση με ετικέτες:
Reason within <reasoning></reasoning> tags
then provide your final answer within <answer></answer> tags.
Αυτή η τελευταία προσέγγιση σας προσφέρει το καλύτερο και από τους δύο κόσμους: ο κώδικάς σας εξάγει μόνο το περιεχόμενο της ετικέτας <answer> για να το εμφανίσει στον τελικό χρήστη, ενώ ο πλήρης συλλογισμός παραμένει διαθέσιμος στα αρχεία καταγραφής (logs) για αποσφαλμάτωση. Όταν μια απάντηση στην παραγωγή αποδεικνύεται λανθασμένη, ανοίγετε το log και βλέπετε ακριβώς πού εκτροχιάστηκε ο συλλογισμός.
Βασικά σημεία
- Το Chain of Thought ζητά από το μοντέλο να συλλογιστεί πριν απαντήσει—αποφασιστικό για λογική, υπολογισμούς και ανάλυση
- Καθοδηγήστε ρητά τα βήματα για σύνθετες εργασίες
- Συνδυάστε το CoT και το few-shot για μέγιστη απόδοση
- Άχρηστο για απλές ερωτήσεις ή δημιουργική γραφή
- Χρησιμοποιήστε ετικέτες XML για να διαχωρίσετε τον συλλογισμό από την απάντηση στην παραγωγή