Chain of Thought
In questa pagina
Ragiona passo dopo passo
La Chain of Thought (CoT) è una tecnica che chiede al modello di dettagliare il proprio ragionamento prima di fornire la risposta finale. Invece di saltare direttamente alla conclusione, il modello espone ogni passaggio logico, migliorando significativamente la qualità delle risposte per i compiti che richiedono ragionamento. Con i modelli Mistral, ottieni risultati eccellenti in logica, matematica, analisi e processo decisionale.
Per capire perché funziona, ricorda come il modello genera il testo: token per token, dove ogni token dipende da tutti quelli precedenti. Quando un modello deve rispondere direttamente a una domanda complessa, ha solo pochi token per “pensare”: la risposta deve emergere quasi immediatamente. Chiedendogli di dettagliare il ragionamento, gli dai lo spazio per scomporre il problema in sottoproblemi semplici, verificare ogni passaggio prima di passare al successivo, individuare le informazioni rilevanti tra i dati forniti e, in definitiva, ridurre gli errori di ragionamento come le allucinazioni. Il ragionamento scritto non è un ripensamento: è lì che avviene il calcolo.
CoT semplice: basta un’istruzione
La forma più basilare consiste nell’aggiungere una semplice frase istruzionale alla fine del tuo prompt:
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.
Il modello produrrà quindi qualcosa del genere:
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.
Senza l’istruzione “reason step by step”, il modello potrebbe dare direttamente “48” — corretto in questo caso — ma potrebbe anche commettere un errore in un calcolo intermedio senza che tu possa identificare dove. Questo è il secondo beneficio della CoT, meno noto ma altrettanto prezioso: il ragionamento visibile è verificabile. Quando una risposta ti sembra strana, il passaggio errato salta agli occhi.
CoT strutturata: guida i passaggi
Per compiti più complessi, non limitarti a chiedere un ragionamento: prescrivilo. Immagina un’analisi di investimento:
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)
Prescrivendo i passaggi, ti assicuri che il modello copra tutti gli aspetti importanti, nell’ordine giusto, senza tralasciare ciò che ti sta a cuore. Se lasciato libero, potrebbe dilungarsi a lungo sul mercato e sbrigare l’analisi finanziaria; guidato, tratta tutti e cinque gli aspetti in modo sistematico.
Quando usare la Chain of Thought — e quando evitarla
La CoT serve per i compiti in cui puoi sbagliare strada: problemi matematici a più passaggi, stime, analisi dei dati (interpretazione di metriche, identificazione di trend), processi decisionali basati sul confronto di opzioni, debug di codice o log di errore, ragionamento logico e deduzioni. In tutte queste situazioni, ogni passaggio intermedio è un punto di controllo che impedisce la propagazione degli errori.
Al contrario, la CoT è inutile — a volte controproducente — quando non c’è nulla da sviluppare. Per una semplice domanda fattuale come “Qual è la capitale dell’Italia?”, aggiunge latenza e token senza migliorare nulla. Nella scrittura creativa, un ragionamento strutturato può persino soffocare la creatività. La traduzione è più intuitiva che logica e la riformulazione non richiede deduzioni. Il giusto riflesso: chiediti se stenderesti dei calcoli per questo compito. Se no, risparmia il modello.
CoT con few-shot
Combinare la Chain of Thought con la tecnica few-shot della lezione precedente è particolarmente potente: invece di descrivere come ragionare, lo mostri tramite un esempio completo di ragionamento riuscito.
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?"""
}
]
Il modello riprodurrà lo stesso schema — un blocco “Reasoning” numerato, seguito da una riga “Answer” — per la nuova domanda. Ottieni sia il rigore della CoT sia la coerenza del formato del few-shot.
Controlla la verbosità del ragionamento
A volte vuoi il ragionamento, ma non un romanzo. Controlli il dosaggio direttamente nell’istruzione. Per un ragionamento completo, chiedi: “Detail every step of your reasoning before concluding.” Per una versione più stretta: “Reason briefly (2-3 steps max) then give your answer.” E per la produzione, la variante più utile separa ragionamento e risposta con dei tag:
Reason within <reasoning></reasoning> tags
then provide your final answer within <answer></answer> tags.
Quest’ultimo approccio ti offre il meglio di entrambi i mondi: il tuo codice estrae solo il contenuto del tag <answer> da mostrare all’utente finale, mentre il ragionamento completo rimane disponibile nei log per il debug. Quando una risposta in produzione si rivela errata, apri il log e vedi esattamente dove il ragionamento ha deragliato.
Punti chiave
- La Chain of Thought chiede al modello di ragionare prima di rispondere: decisivo per logica, calcolo e analisi
- Guida esplicitamente i passaggi per i compiti complessi
- Combina CoT e few-shot per la massima efficienza
- Inutile per domande semplici o scrittura creativa
- Usa i tag XML per separare ragionamento e risposta in produzione