Tree-of-Thought: Esplorazzjoni Strutturata
F'din il-paġna
Lezzjoni aġġornata fit-3 ta’ Novembru 2026 ibbażata fuq id-dokumentazzjoni ta’ OpenAI:
temperatureutop_phuma aċċettati biss b’sforz ta’ raġunar ta’none, filwaqt li l-mudelli GPT-5.6 jirraġunaw b’mod awtomatiku (medium). Għalhekk, is-sejħiet li jistabbilixxu dawn il-parametri jridu jispeċifikawreasoning={"effort": "none"}(Responses API) jewreasoning_effort="none"(Chat Completions). Sorsi: L-użu ta’ GPT-6 · GPT-5.6 Terra.
Tree-of-Thought: Esplorazzjoni Strutturata
Tree-of-Thought (ToT) hija teknika ta’ prompting li tistruttura r-raġunar tal-mudell bħala siġra tad-deċiżjonijiet. Minflok issegwi mogħdija waħda u lineari ta’ ħsieb, il-mudell jesplora fergħat multipli, jevalwa kull waħda minnhom, u jżomm biss l-aktar promettenti. Ix-xebh ma’ algoritmu ta’ tfittxija huwa dirett: tiġġenera kandidati, tagħtihom punteġġ, u taqta’ l-bqija. Dan jagħmilha effettiva ħafna għal problemi li jeħtieġu ppjanar jew “backtracking”.
Differenza minn Chain-of-Thought
Chain-of-Thought (CoT) issegwi raġunar lineari: pass 1, pass 2, pass 3. Id-dgħufija tagħha hija strutturali. Jekk il-mudell jieħu t-triq żbaljata fil-pass 2, kull ma jmiss jiret dak l-iżball, u m’hemm l-ebda mekkaniżmu biex terġa’ lura. Ir-raġunar jista’ jkun artikolat perfettament, iżda jibda minn premessa falza. Tree-of-Thought tesplora direzzjonijiet multipli f’kull pass u tarmi l-mogħdijiet mingħajr ħruġ qabel ma tinvesti aktar żvilupp fihom.
# Chain-of-Thought (lineari)
# Pass 1 → Pass 2 → Pass 3 → Tweġiba
# Tree-of-Thought (ibbażat fuq is-siġra)
# Pass 1
# / | \
# Opt A Opt B Opt C ← evalwazzjoni
# | | ✗ ← tnaqqis (pruning)
# Opt A1 Opt B1
# | |
# Tweġiba Tweġiba ← għażla finali
Implimentazzjoni b’Prompt Wieħed
Il-verżjoni l-aktar sempliċi tidħol f’sejħa waħda: il-prompt jfurza lill-mudell isegwi struttura ta’ esplorazzjoni—iġġenera tliet approċċi, evalwahom, agħżel wieħed, u żviluppah. Dan huwa irħis u spiss biżżejjed biex tittratta mistoqsija miftuħa. Kun konxju minn limitazzjoni waħda qabel ma tiddependi fuqha: il-mudell jipproponi u jevalwa fl-istess ħin, u dan jagħmlu indulġenti lejn l-ideat tiegħu stess, u jirriżulta f’tnaqqis (pruning) inqas sever milli meħtieġ.
from openai import OpenAI
client = OpenAI()
def tree_of_thought_simple(problem: str) -> str:
"""ToT f'prompt wieħed."""
prompt = f"""Solvi din il-problema bl-użu tal-approċċ Tree-of-Thought.
Problema: {problem}
Pass 1 - Iġġenera 3 approċċi differenti:
- Approċċ A: ...
- Approċċ B: ...
- Approċċ C: ...
Pass 2 - Evalwa kull approċċ (punti qawwija u dgħajfa):
- Approċċ A: ...
- Approċċ B: ...
- Approċċ C: ...
Pass 3 - Agħżel l-aħjar approċċ u żviluppah:
Approċċ magħżul: ...
Żvilupp dettaljat: ...
Pass 4 - Tweġiba finali:
..."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # it-temperature teħtieġ effort none
input=prompt,
temperature=0.7
)
return response.output_text
Implimentazzjoni b’Sejħiet Multipli
Għal problemi kumplessi, ifred kull pass f’sejħiet distinti. Din il-qsim jagħtik żewġ affarijiet li prompt wieħed ma jistax jagħmel. L-ewwel, kontroll tat-temperature pass pass: 0.8 għall-ġenerazzjoni, fejn id-diversità tal-proposti hija l-għan kollu tal-metodu, imbagħad 0.3 għall-evalwazzjoni u l-iżvilupp, fejn trid rigoru u riproduċibbiltà minflok. It-tieni, riżultati intermedjarji li tista’ tispezzjona, tirreġistra, jew anki tissottometti għal validazzjoni umana qabel ma tħalli l-katina tkompli.
def tree_of_thought(problem: str, breadth: int = 3,
depth: int = 3) -> dict:
"""ToT b'esplorazzjoni multi-livell."""
system = "Inti espert f'soluzzjoni strutturata ta' problemi."
# Pass 1: Iġġenera l-fergħat inizjali
gen_prompt = (f"Problema: {problem}\n\n"
f"Ipproponi {breadth} approċċi differenti biex issolvi "
f"din il-problema. Għal kull approċċ, ipprovdi titlu u "
f"deskrizzjoni ta' 2-3 sentenzi. Numrahom minn 1 sa {breadth}.")
branches_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # it-temperature teħtieġ effort none
instructions=system,
input=gen_prompt,
temperature=0.8
)
branches = branches_response.output_text
# Pass 2: Evalwa kull fergħa
eval_prompt = (f"Problema: {problem}\n\n"
f"Hawnhekk hemm {breadth} approċċi proposti:\n{branches}\n\n"
f"Evalwa kull approċċ fuq 3 kriterji (punteġġ /10):\n"
f"- Fattibbiltà\n- Effiċjenza\n- Simplicità\n\n"
f"Ikklassifikahom mill-aħjar għall-agħar b'ġustifikazzjoni.")
eval_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # it-temperature teħtieġ effort none
instructions=system,
input=eval_prompt,
temperature=0.3
)
evaluation = eval_response.output_text
# Pass 3: Żviluppa l-aħjar fergħa
dev_prompt = (f"Problema: {problem}\n\n"
f"Evalwazzjoni tal-approċċi:\n{evaluation}\n\n"
f"Żviluppa l-approċċ ikklassifikat l-ogħla fid-dettall. "
f"Ipprovdi soluzzjoni sħiħa u li tista' tiġi implimentata.")
solution = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # it-temperature teħtieġ effort none
instructions=system,
input=dev_prompt,
temperature=0.3
)
return {
"branches": branches,
"evaluation": evaluation,
"solution": solution.output_text
}
Eżempju Prattiku: Arkitettura tas-Software
Il-problema hawn taħt hija eżattament it-tip fejn ToT iżid valur. Diversi strateġiji huma difendibbli—caching, read replicas, estrazzjoni tas-servizz ta’ tfittxija, blue-green deployment—u l-għażla tiddependi fuq restrizzjonijiet li l-prompt jiddikjara b’mod espliċitu, speċjalment id-daqs tat-tim. Prompt dirett jagħtik is-soluzzjoni l-aktar iċċitata fil-letteratura teknika, irrispettivament minn dawn ir-restrizzjonijiet; ToT iqabblilha mal-oħrajn u jrid jiddefendi l-klassifikazzjoni tiegħu abbażi ta’ kriterji ta’ fattibbiltà.
problem = """
L-API REST monolitika tagħna (Django, PostgreSQL) qed tilħaq il-limiti tagħha:
- Massimu ta' 500 talba/sekonda
- Ħin ta' rispons > 2s fuq endpoints ta' tfittxija
- Deployment = 30 minuta ta' downtime
- 3 żviluppaturi fit-tim
Kif nistgħu ntejbu l-prestazzjoni u d-disponibbiltà
mingħajr ma niktbu mill-ġdid l-applikazzjoni kollha?
"""
result = tree_of_thought(problem, breadth=4)
print(result["solution"])
Fejn ToT Jirbaħ, Fejn Jħallik Titlef il-Ħin
It-teknika tirnexxi fuq problemi ta’ ppjanar—arkitettura, pjanijiet direzzjonali (roadmaps), strateġija—fuq problemi b’restrizzjonijiet bħall-ottimizzazzjoni jew l-allokazzjoni tar-riżorsi, fuq debug kumpless fejn kawżi multipli jibqgħu plawżibbli simultanjament, u fuq deċiżjonijiet tekniċi bħall-għażla ta’ framework jew database. Dawn is-sitwazzjonijiet jaqsmu żewġ karatteristiċi: jeżistu soluzzjonijiet validi multipli, u jeżisti kriterju espliċitu biex issir distinzjoni bejniethom.
Min-naħa l-oħra, aqbeżha għal mistoqsijiet fattwali sempliċi fejn m’hemm xejn x’tesplora u tħallas għal tliet sejħiet biex tikseb tweġiba ovvja. Tonqos ukoll fuq kompiti kreattivi miftuħa minħabba n-nuqqas ta’ kriterju ta’ evalwazzjoni difendibbli: il-klassifikazzjoni ta’ tliet slogans pubbliċitarji fuq skala ta’ fattibbiltà ma tagħmilx sens. Fl-aħħar nett, evitaha meta l-latency hija kritika, peress li l-verżjoni b’sejħiet multipli tgħaqqad mekkanikament diversi talbiet API qabel ma tirritorna xi ħaġa.
Tagħqid ma’ Settings tar-Raġunar
F’settings għoljin ta’ raġunar, il-mudelli GPT-5.6 diġà jwettqu esplorazzjoni interna strutturata. ToT espliċitu mbagħad isir l-aktar ridondanti u jħallek tħallas darbtejn għall-istess xogħol. Irriżervah għal sitwazzjonijiet fejn ir-raġunar huwa diżattivat jew baxx, bħall-komparazzjoni hawn taħt.
# B'raġunar baxx: ToT espliċitu huwa utli
result = tree_of_thought(problem, breadth=3)
# B'raġunar għoli: il-mudell diġà jirraġuna fil-fond
response = client.responses.create(
model="gpt-5.6-sol",
input=problem,
reasoning={"effort": "high"}
)
Biex tiddeċiedi fil-kuntest tiegħek stess, ħu problema ta’ arkitettura jew disinn li għandek verament fuq idejk din il-ġimgħa, għaddiha minn ToT b’sejħiet multipli b’breadth=3, imbagħad issottomettiha hekk kif inhi f’prompt dirett. Qabbel iż-żewġ soluzzjonijiet u, l-aktar importanti, l-ispiża tat-tokens ta’ kull waħda. Għal deċiżjoni b’riskju għoli, id-differenza fil-kwalità tħallas bil-kbir l-ispiża żejda; għal mistoqsija sekondarja, le, u li tkun taf dan iżommek milli tapplika t-teknika kullimkien għad-drawwa.
Punti Ewlenin
- ToT jesplora mogħdijiet multipli ta’ raġunar u jagħżel l-aħjar wieħed
- Verżjoni sempliċi b’prompt wieħed jew verżjoni avvanzata b’sejħiet multipli
- Ideali għall-ippjanar, l-arkitettura, u d-debug kumpless
- F’settings għoljin ta’ raġunar, il-mudelli GPT-5.6 diġà għandhom ToT impliċitu
- L-ispiża żejda tat-tokens hija ġġustifikata għal deċiżjonijiet b’impatt għoli