Preskoči na glavni sadržaj
Hrvatski— Odaberite jezik
Izbornik

Stablo misli: strukturirano istraživanje

Lekcija 7 od 16 Ažurirano 3. studenoga 2026. Programer
Na ovoj stranici
  1. Stablo misli: strukturirano istraživanje
  2. Razlika u odnosu na lanac misli
  3. Implementacija jednim promptom
  4. Implementacija s više poziva
  5. Primjer iz prakse: arhitektura softvera
  6. Gdje ToT pobjeđuje, a gdje gubi tvoje vrijeme
  7. Kombiniranje s postavkama rezoniranja
  8. Ključne točke

Lekcija ažurirana 3. studenoga 2026. na temelju OpenAI dokumentacije: parametri temperature i top_p prihvaćeni su samo uz napor rezoniranja (reasoning effort) postavljen na none, dok modeli GPT-5.6 prema zadanim postavkama rezoniraju s razinom medium. Pozivi koji postavljaju ove parametre stoga moraju specificirati reasoning={"effort": "none"} (Responses API) ili reasoning_effort="none" (Chat Completions). Izvori: Korištenje GPT-6 · GPT-5.6 Terra.

Stablo misli: strukturirano istraživanje

Stablo misli (Tree-of-Thought, ToT) tehnika je promptanja koja strukturira rezoniranje modela kao stablo odluka. Umjesto da slijedi jedan linearan put razmišljanja, model istražuje više grana, evaluira svaku od njih i zadržava samo one najperspektivnije. Sličnost s algoritmima pretraživanja izravna je: generiraš kandidate, boduješ ih i orezuješ ostale. To ovu tehniku čini iznimno učinkovitom za probleme koji zahtijevaju planiranje ili povrat na prethodne korake (backtracking).

Razlika u odnosu na lanac misli

Lanac misli (Chain-of-Thought, CoT) slijedi linearno rezoniranje: korak 1, korak 2, korak 3. Njegova slabost leži u strukturi. Ako model krene krivim putem već u drugom koraku, sve što slijedi nasljeđuje tu pogrešku, a ne postoji mehanizam za povratak unatrag. Razmišljanje može biti savršeno artikulirano, ali polazi od lažne premise. Stablo misli istražuje više smjerova u svakom koraku i odbacuje slijepe ulice prije nego što u njih uloži daljnji razvoj.

# Lanac misli (linearno)
# Korak 1 → Korak 2 → Korak 3 → Odgovor

# Stablo misli (temeljeno na stablu)
#            Korak 1
#          /    |    \
#     Opcija A  Opcija B  Opcija C    ← evaluacija
#       |      |      ✗      ← orezivanje
#    Opcija A1  Opcija B1
#      |       |
#   Odgovor  Odgovor            ← konačni odabir

Implementacija jednim promptom

Najjednostavnija verzija staje u jedan poziv: prompt prisiljava model da slijedi strukturu istraživanja – generiraj tri pristupa, evaluiraj ih, odaberi jedan i razradi ga. Ovo je jeftino i često dovoljno za rješavanje otvorenih pitanja. Ipak, imaj na umu jedno ograničenje prije nego se osloniš na ovu metodu: model predlaže i evaluira u istom dahu, što ga čini popustljivim prema vlastitim idejama, rezultirajući manje strogim orezivanjem nego što bi bilo potrebno.

from openai import OpenAI

client = OpenAI()

def tree_of_thought_simple(problem: str) -> str:
    """ToT u jednom promptu."""
    prompt = f"""Riješi ovaj problem koristeći pristup Stablo misli.

Problem: {problem}

Korak 1 - Generiraj 3 različita pristupa:
- Pristup A: ...
- Pristup B: ...
- Pristup C: ...

Korak 2 - Evaluiraj svaki pristup (prednosti i mane):
- Pristup A: ...
- Pristup B: ...
- Pristup C: ...

Korak 3 - Odaberi najbolji pristup i razradi ga:
Odabrani pristup: ...
Detaljna razrada: ...

Korak 4 - Konačni odgovor:
..."""

    response = client.responses.create(
        model="gpt-5.6-sol",
        reasoning={"effort": "none"},  # temperature zahtijeva effort none
        input=prompt,
        temperature=0.7
    )
    return response.output_text

Implementacija s više poziva

Za složene probleme razdvoj svaki korak u zasebne pozive. Ova razrada daje ti dvije stvari koje jedan prompt ne može. Prvo, kontrolu temperature korak po korak: 0,8 za generiranje, gdje je raznolikost prijedloga sama svrha metode, zatim 0,3 za evaluaciju i razvoj, gdje želiš rigoroznost i reproduktivnost. Drugo, međurezultate koje možeš pregledati, bilježiti ili čak poslati na ljudsku validaciju prije nego što lanac nastavi.

def tree_of_thought(problem: str, breadth: int = 3,
                    depth: int = 3) -> dict:
    """ToT s višerazinskim istraživanjem."""
    system = "Ti si stručnjak za strukturirano rješavanje problema."

    # Korak 1: Generiraj početne grane
    gen_prompt = (f"Problem: {problem}\n\n"
                  f"Ponudi {breadth} različitih pristupa za rješavanje "
                  f"ovog problema. Za svaki pristup navedi naslov i "
                  f"opis od 2-3 rečenice. Numeriraj ih od 1 do {breadth}.")

    branches_response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature zahtijeva effort none
        instructions=system,
        input=gen_prompt,
        temperature=0.8
    )
    branches = branches_response.output_text

    # Korak 2: Evaluiraj svaku granu
    eval_prompt = (f"Problem: {problem}\n\n"
                   f"Ovo je {breadth} predloženih pristupa:\n{branches}\n\n"
                   f"Evaluiraj svaki pristup prema 3 kriterija (ocjena /10):\n"
                   f"- Izvedivost\n- Učinkovitost\n- Jednostavnost\n\n"
                   f"Rangiraj ih od najboljeg do najgoreg s obrazloženjem.")

    eval_response = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature zahtijeva effort none
        instructions=system,
        input=eval_prompt,
        temperature=0.3
    )
    evaluation = eval_response.output_text

    # Korak 3: Razradi najbolju granu
    dev_prompt = (f"Problem: {problem}\n\n"
                  f"Evaluacija pristupa:\n{evaluation}\n\n"
                  f"Detaljno razradi najviše rangirani pristup. "
                  f"Pruži potpuno, primjenjivo rješenje.")

    solution = client.responses.create(
        model="gpt-5.6-terra",
        reasoning={"effort": "none"},  # temperature zahtijeva effort none
        instructions=system,
        input=dev_prompt,
        temperature=0.3
    )

    return {
        "branches": branches,
        "evaluation": evaluation,
        "solution": solution.output_text
    }

Primjer iz prakse: arhitektura softvera

Problem u nastavku točno je onakav gdje ToT dodaje vrijednost. Nekoliko strategija je obranjivo – keširanje, replike za čitanje, izdvajanje servisa za pretraživanje, blue-green deployment – a izbor ovisi o ograničenjima koja prompt eksplicitno navodi, posebice o veličini tima. Izravan prompt dao bi ti rješenje koje se najčešće citira u tehničkoj literaturi, bez obzira na ta ograničenja; ToT ga suprotstavlja drugima i mora obraniti svoj rang temeljem kriterija izvedivosti.

problem = """
Naš monolitni REST API (Django, PostgreSQL) doseže svoje granice:
- Maksimum 500 zahtjeva u sekundi
- Vrijeme odgovora > 2s na endpointima za pretraživanje
- Deploy = 30 minuta downtimea
- 3 developera u timu

Kako možemo poboljšati performanse i dostupnost
bez prepisivanja cijele aplikacije?
"""

result = tree_of_thought(problem, breadth=4)
print(result["solution"])

Gdje ToT pobjeđuje, a gdje gubi tvoje vrijeme

Tehnika briljira kod problema planiranja – arhitektura, roadmape, strategija – kod problema s ograničenjima poput optimizacije ili alokacije resursa, kod složenog debugiranja gdje više uzroka ostaje istovremeno vjerojatno, te kod tehničkih odluka poput odabira frameworka ili baze podataka. Ove situacije dijele dvije karakteristike: postoji više valjanih rješenja i postoji eksplicitan kriterij za razlikovanje između njih.

S druge strane, preskoči je za jednostavna faktografska pitanja gdje nema što istraživati i gdje bi platio tri poziva da bi dobio očigledan odgovor. Također ne uspijeva na otvorenim kreativnim zadacima zbog nedostatka obranjivog kriterija evaluacije: rangiranje triju reklamnih slogana prema ljestvici izvedivosti nema smisla. Konačno, izbjegavaj je kada je latencija kritična, jer verzija s više poziva mehanički lanča nekoliko API zahtjeva prije nego što išta vrati.

Kombiniranje s postavkama rezoniranja

Pri visokim postavkama rezoniranja, modeli GPT-5.6 već provode strukturirano interno istraživanje. Eksplicitni ToT tada postaje uglavnom suvišan i naplaćuje ti isti posao dvaput. Rezerviraj ga za situacije gdje je rezoniranje onemogućeno ili nisko, kao u usporedbi ispod.

# S niskim rezoniranjem: eksplicitni ToT je koristan
result = tree_of_thought(problem, breadth=3)

# S visokim rezoniranjem: model već duboko rezonira
response = client.responses.create(
    model="gpt-5.6-sol",
    input=problem,
    reasoning={"effort": "high"}
)

Da bi odlučio u svom kontekstu, uzmi problem arhitekture ili dizajna koji stvarno imaš na stolu ovaj tjedan, provedi ga kroz ToT s više poziva uz breadth=3, zatim ga podnesi kakav jest u izravnom promptu. Usporedi dva rješenja i, prije svega, trošak tokena za svako. Za odluke visokog uloga, jaz u kvaliteti više nego isplaćuje dodatni trošak; za sporedna pitanja, ne isplaćuje, a znajući to, izbjeći ćeš primjenu tehnike posvuda samo iz navike.

Ključne točke

  • ToT istražuje više puteva rezoniranja i odabire najbolji
  • Jednostavna verzija s jednim promptom ili napredna verzija s više poziva
  • Idealno za planiranje, arhitekturu i složeno debugiranje
  • Pri visokim postavkama rezoniranja, modeli GPT-5.6 već imaju implicitni ToT
  • Dodatni trošak tokena opravdan je za odluke s velikim utjecajem