Tree-of-Thought: Esplorazione Strutturata
In questa pagina
Lezione aggiornata il 3 novembre 2026 sulla base della documentazione OpenAI:
temperatureetop_psono accettati solo con uno sforzo di ragionamento pari anone, mentre i modelli GPT-5.6 ragionano per impostazione predefinita (medium). Le chiamate che impostano questi parametri devono quindi specificarereasoning={"effort": "none"}(API Responses) oreasoning_effort="none"(Chat Completions). Fonti: Using GPT-6 · GPT-5.6 Terra.
Tree-of-Thought: Esplorazione Strutturata
Tree-of-Thought (ToT) è una tecnica di prompting che struttura il ragionamento del modello come un albero decisionale. Invece di seguire un unico percorso lineare di pensiero, il modello esplora più rami, li valuta e mantiene solo i più promettenti. La somiglianza con un algoritmo di ricerca è diretta: generi candidati, li valuti e poti il resto. Questo la rende estremamente efficace per problemi che richiedono pianificazione o backtracking.
Differenza rispetto al Chain-of-Thought
Chain-of-Thought (CoT) segue un ragionamento lineare: passo 1, passo 2, passo 3. La sua debolezza è strutturale. Se il modello intraprende la strada sbagliata al passo 2, tutto ciò che segue eredita quell’errore e non esiste alcun meccanismo per tornare indietro. Il ragionamento può essere perfettamente articolato, ma parte da una premessa falsa. Tree-of-Thought esplora più direzioni a ogni passo e scarta i vicoli ciechi prima di investire ulteriore sviluppo in essi.
# Chain-of-Thought (lineare)
# Passo 1 → Passo 2 → Passo 3 → Risposta
# Tree-of-Thought (basato su albero)
# Passo 1
# / | \
# Opt A Opt B Opt C ← valutazione
# | | ✗ ← potatura
# Opt A1 Opt B1
# | |
# Risposta Risposta ← selezione finale
Implementazione con Singolo Prompt
La versione più semplice sta in un’unica chiamata: il prompt costringe il modello a seguire una struttura di esplorazione: genera tre approcci, valutali, scegline uno e sviluppalo. Questo è economico e spesso sufficiente per affrontare una domanda aperta. Tieni presente un limite prima di affidarti ad esso: il modello propone e valuta nello stesso respiro, rendendolo indulgente verso le proprie idee e risultando in una potatura meno severa del necessario.
from openai import OpenAI
client = OpenAI()
def tree_of_thought_simple(problem: str) -> str:
"""ToT in un singolo prompt."""
prompt = f"""Risolvi questo problema utilizzando l'approccio Tree-of-Thought.
Problema: {problem}
Passo 1 - Genera 3 approcci diversi:
- Approccio A: ...
- Approccio B: ...
- Approccio C: ...
Passo 2 - Valuta ogni approccio (punti di forza e debolezze):
- Approccio A: ...
- Approccio B: ...
- Approccio C: ...
Passo 3 - Seleziona il miglior approccio e sviluppalo:
Approccio selezionato: ...
Sviluppo dettagliato: ...
Passo 4 - Risposta finale:
..."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperature richiede effort none
input=prompt,
temperature=0.7
)
return response.output_text
Implementazione con Multiple Chiamate
Per problemi complessi, separa ogni passo in chiamate distinte. Questa suddivisione ti offre due cose che un singolo prompt non può dare. Primo, il controllo della temperatura passo dopo passo: 0,8 per la generazione, dove la diversità delle proposte è il senso stesso del metodo, poi 0,3 per la valutazione e lo sviluppo, dove desideri rigore e riproducibilità. Secondo, risultati intermedi che puoi ispezionare, registrare o persino sottoporre a validazione umana prima di lasciare che la catena continui.
def tree_of_thought(problem: str, breadth: int = 3,
depth: int = 3) -> dict:
"""ToT con esplorazione multi-livello."""
system = "Sei un esperto nella risoluzione strutturata di problemi."
# Passo 1: Genera i rami iniziali
gen_prompt = (f"Problema: {problem}\n\n"
f"Proponi {breadth} approcci diversi per risolvere "
f"questo problema. Per ogni approccio, fornisci un titolo e "
f"una descrizione di 2-3 frasi. Numerale da 1 a {breadth}.")
branches_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature richiede effort none
instructions=system,
input=gen_prompt,
temperature=0.8
)
branches = branches_response.output_text
# Passo 2: Valuta ogni ramo
eval_prompt = (f"Problema: {problem}\n\n"
f"Ecco {breadth} approcci proposti:\n{branches}\n\n"
f"Valuta ogni approccio su 3 criteri (punteggio /10):\n"
f"- Fattibilità\n- Efficienza\n- Semplicità\n\n"
f"Classificali dal migliore al peggiore con una giustificazione.")
eval_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature richiede effort none
instructions=system,
input=eval_prompt,
temperature=0.3
)
evaluation = eval_response.output_text
# Passo 3: Sviluppa il ramo migliore
dev_prompt = (f"Problema: {problem}\n\n"
f"Valutazione degli approcci:\n{evaluation}\n\n"
f"Sviluppa l'approccio meglio classificato in dettaglio. "
f"Fornisci una soluzione completa e attuabile.")
solution = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperature richiede effort none
instructions=system,
input=dev_prompt,
temperature=0.3
)
return {
"branches": branches,
"evaluation": evaluation,
"solution": solution.output_text
}
Esempio Pratico: Architettura Software
Il problema seguente è esattamente il tipo di situazione in cui ToT aggiunge valore. Diverse strategie sono difendibili: caching, repliche di lettura, estrazione del servizio di ricerca, deployment blue-green; la scelta dipende dai vincoli che il prompt dichiara esplicitamente, specialmente la dimensione del team. Un prompt diretto ti darebbe la soluzione più spesso citata nella letteratura tecnica, indipendentemente da questi vincoli; ToT la mette a confronto con le altre e deve difendere la sua classifica basandosi su criteri di fattibilità.
problem = """
La nostra API REST monolitica (Django, PostgreSQL) sta raggiungendo i suoi limiti:
- Massimo 500 richieste/secondo
- Tempo di risposta > 2s sugli endpoint di ricerca
- Deployment = 30 minuti di downtime
- 3 sviluppatori nel team
Come possiamo migliorare le prestazioni e la disponibilità
senza riscrivere l'intera applicazione?
"""
result = tree_of_thought(problem, breadth=4)
print(result["solution"])
Dove ToT Vince, Dove Ti Fa Perdere Tempo
La tecnica eccelle nei problemi di pianificazione: architettura, roadmap, strategia; nei problemi vincolati come l’ottimizzazione o l’allocazione delle risorse; nel debugging complesso dove più cause rimangono plausibili simultaneamente; e nelle decisioni tecniche come la scelta di un framework o di un database. Queste situazioni condividono due tratti: esistono più soluzioni valide ed esiste un criterio esplicito per distinguerle.
Al contrario, saltala per domande fattuali semplici dove non c’è nulla da esplorare e pagheresti tre chiamate per ottenere una risposta ovvia. Fallisce anche sui compiti creativi aperti a causa della mancanza di un criterio di valutazione difendibile: classificare tre slogan pubblicitari su una scala di fattibilità non ha senso. Infine, evitala quando la latenza è critica, poiché la versione a chiamate multiple incatena meccanicamente diverse richieste API prima di restituire qualsiasi cosa.
Combinazione con le Impostazioni di Ragionamento
Con impostazioni di ragionamento elevate, i modelli GPT-5.6 eseguono già un’esplorazione interna strutturata. Un ToT esplicito diventa quindi largamente ridondante e ti fa pagare due volte lo stesso lavoro. Riservalo per situazioni in cui il ragionamento è disabilitato o basso, come nel confronto sottostante.
# Con ragionamento basso: ToT esplicito è utile
result = tree_of_thought(problem, breadth=3)
# Con ragionamento alto: il modello ragiona già profondamente
response = client.responses.create(
model="gpt-5.6-sol",
input=problem,
reasoning={"effort": "high"}
)
Per decidere nel tuo contesto, prendi un problema di architettura o design che hai effettivamente sulla scrivania questa settimana, eseguilo attraverso ToT a chiamate multiple con breadth=3, poi sottoponilo così com’è in un prompt diretto. Confronta le due soluzioni e, soprattutto, il costo in token di ciascuna. Per una decisione ad alto rischio, il divario di qualità ripaga ampiamente il costo extra; per una domanda secondaria, non è così, e saperlo ti impedirà di applicare la tecnica ovunque per abitudine.
Punti chiave
- ToT esplora più percorsi di ragionamento e seleziona il migliore
- Versione semplice con singolo prompt o versione avanzata a chiamate multiple
- Ideale per pianificazione, architettura e debugging complesso
- Con impostazioni di ragionamento elevate, i modelli GPT-5.6 hanno già un ToT implicito
- Il costo extra in token è giustificato per decisioni ad alto impatto