Tree-of-Thought: Eksploracja strukturalna
Na tej stronie
Lekcja zaktualizowana 3 listopada 2026 r. na podstawie dokumentacji OpenAI: parametry
temperatureitop_psą akceptowane wyłącznie przy wysiłku rozumowania (reasoning effort) ustawionym nanone, podczas gdy modele GPT-5.6 domyślnie przeprowadzają rozumowanie (medium). Wywołania ustawiające te parametry muszą zatem określaćreasoning={"effort": "none"}(Responses API) lubreasoning_effort="none"(Chat Completions). Źródła: Using GPT-6 · GPT-5.6 Terra.
Tree-of-Thought: Eksploracja strukturalna
Tree-of-Thought (ToT) to technika promptowania, która organizuje rozumowanie modelu w postaci drzewa decyzyjnego. Zamiast podążać pojedynczą, liniową ścieżką myślową, model eksploruje wiele gałęzi, ocenia każdą z nich i zachowuje tylko te najbardziej obiecujące. Podobieństwo do algorytmu wyszukiwania jest bezpośrednie: generujesz kandydatów, oceniasz ich i odrzucasz resztę. Dzięki temu metoda ta jest wysoce skuteczna w przypadku problemów wymagających planowania lub cofania się do wcześniejszych etapów.
Różnica względem Chain-of-Thought
Chain-of-Thought (CoT) podąża za rozumowaniem liniowym: krok 1, krok 2, krok 3. Jego słabością jest struktura. Jeśli model zejdzie na niewłaściwą ścieżkę już w kroku 2, wszystko, co następuje później, dziedziczy ten błąd i nie istnieje mechanizm pozwalający zawrócić. Rozumowanie może być doskonale sformułowane, ale wychodzi z fałszywej przesłanki. Tree-of-Thought eksploruje wiele kierunków na każdym etapie i odrzuca ślepe uliczki, zanim zainwestuje w nie dalszy rozwój.
# Chain-of-Thought (liniowe)
# Krok 1 → Krok 2 → Krok 3 → Odpowiedź
# Tree-of-Thought (oparte na drzewie)
# Krok 1
# / | \
# Opcja A Opcja B Opcja C ← ocena
# | | ✗ ← przycinanie
# Opcja A1 Opcja B1
# | |
# Odpowiedź Odpowiedź ← wybór końcowy
Implementacja w jednym prompcie
Najprostsza wersja mieści się w jednym wywołaniu: prompt wymusza na modelu podążanie za strukturą eksploracji – wygeneruj trzy podejścia, oceń je, wybierz jedno i rozwijaj je. Jest to rozwiązanie niedrogie i często wystarczające do rozwiązania otwartego problemu. Miej jednak na uwadze jedno ograniczenie przed poleganiem na tej metodzie: model proponuje i ocenia rozwiązania w tym samym oddechu, co czyni go pobłażliwym wobec własnych pomysłów i skutkuje mniej surowym przycinaniem, niż byłoby to konieczne.
from openai import OpenAI
client = OpenAI()
def tree_of_thought_simple(problem: str) -> str:
"""ToT w jednym prompcie."""
prompt = f"""Rozwiąż ten problem, stosując podejście Tree-of-Thought.
Problem: {problem}
Krok 1 - Wygeneruj 3 różne podejścia:
- Podejście A: ...
- Podejście B: ...
- Podejście C: ...
Krok 2 - Oceń każde podejście (mocne i słabe strony):
- Podejście A: ...
- Podejście B: ...
- Podejście C: ...
Krok 3 - Wybierz najlepsze podejście i rozwijaj je:
Wybrane podejście: ...
Szczegółowy rozwój: ...
Krok 4 - Odpowiedź końcowa:
..."""
response = client.responses.create(
model="gpt-5.6-sol",
reasoning={"effort": "none"}, # temperatura wymaga effort none
input=prompt,
temperature=0.7
)
return response.output_text
Implementacja z wieloma wywołaniami
W przypadku złożonych problemów rozdziel każdy etap na osobne wywołania. Taki podział daje Ci dwie rzeczy, których nie zapewnia pojedynczy prompt. Po pierwsze, kontrolę temperatury krok po kroku: 0,8 dla generowania, gdzie różnorodność propozycji jest sednem metody, a następnie 0,3 dla oceny i rozwoju, gdzie zależy Ci na rygorze i powtarzalności. Po drugie, uzyskujesz wyniki pośrednie, które możesz inspectować, logować, a nawet poddać walidacji przez człowieka, zanim pozwolisz łańcuchowi kontynuować działanie.
def tree_of_thought(problem: str, breadth: int = 3,
depth: int = 3) -> dict:
"""ToT z eksploracją wielopoziomową."""
system = "Jesteś ekspertem w zakresie strukturalnego rozwiązywania problemów."
# Krok 1: Generowanie początkowych gałęzi
gen_prompt = (f"Problem: {problem}\n\n"
f"Zaproponuj {breadth} różnych podejść do rozwiązania "
f"tego problemu. Dla każdego podejścia podaj tytuł i "
f"2-3 zdania opisu. Ponumeruj je od 1 do {breadth}.")
branches_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperatura wymaga effort none
instructions=system,
input=gen_prompt,
temperature=0.8
)
branches = branches_response.output_text
# Krok 2: Ocena każdej gałęzi
eval_prompt = (f"Problem: {problem}\n\n"
f"Oto {breadth} zaproponowanych podejść:\n{branches}\n\n"
f"Oceń każde podejście w 3 kryteriach (skala 0-10):\n"
f"- Wykonalność\n- Efektywność\n- Prostota\n\n"
f"Uszereguj je od najlepszego do najgorszego z uzasadnieniem.")
eval_response = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperatura wymaga effort none
instructions=system,
input=eval_prompt,
temperature=0.3
)
evaluation = eval_response.output_text
# Krok 3: Rozwój najlepszej gałęzi
dev_prompt = (f"Problem: {problem}\n\n"
f"Ocena podejść:\n{evaluation}\n\n"
f"Rozwiń najwyżej ocenione podejście szczegółowo. "
f"Przedstaw kompletne, możliwe do wdrożenia rozwiązanie.")
solution = client.responses.create(
model="gpt-5.6-terra",
reasoning={"effort": "none"}, # temperatura wymaga effort none
instructions=system,
input=dev_prompt,
temperature=0.3
)
return {
"branches": branches,
"evaluation": evaluation,
"solution": solution.output_text
}
Przykład praktyczny: Architektura oprogramowania
Poniższy problem jest dokładnie tego typu, w którym ToT wnosi wartość. Kilka strategii jest obronnych – buforowanie, repliki do odczytu, wydzielenie usługi wyszukiwania, wdrożenie blue-green – a wybór zależy od ograniczeń jawnie stated w prompcie, zwłaszcza wielkości zespołu. Bezpośredni prompt dałby Ci rozwiązanie najczęściej cytowane w literaturze technicznej, niezależnie od tych ograniczeń; ToT zestawia je z innymi i musi obronić swój ranking w oparciu o kryteria wykonalności.
problem = """
Nasz monolityczny API REST (Django, PostgreSQL) osiąga swoje limity:
- Maksymalnie 500 żądań na sekundę
- Czas odpowiedzi > 2 s na endpointach wyszukiwania
- Wdrożenie = 30 minut przestoju
- 3 programistów w zespole
Jak możemy poprawić wydajność i dostępność
bez przepisywania całej aplikacji?
"""
result = tree_of_thought(problem, breadth=4)
print(result["solution"])
Gdzie ToT wygrywa, a gdzie marnuje Twój czas
Technika ta błyszczy w problemach planistycznych – architektura, harmonogramy, strategia – w problemach z ograniczeniami, takich jak optymalizacja czy alokacja zasobów, w złożonym debugowaniu, gdzie wiele przyczyn pozostaje jednocześnie prawdopodobnych, oraz w decyzjach technicznych, takich jak wybór frameworka czy bazy danych. Sytuacje te mają dwie wspólne cechy: istnieje wiele poprawnych rozwiązań oraz istnieje wyraźne kryterium pozwalające je rozróżnić.
Z drugiej strony, pomiń tę metodę w przypadku prostych pytań faktograficznych, gdzie nie ma nic do eksploracji, a płaciłbyś za trzy wywołania, by uzyskać oczywistą odpowiedź. Zawodzi ona również w otwartych zadaniach kreatywnych z powodu braku obronnego kryterium oceny: rankingowanie trzech haseł reklamowych w skali wykonalności nie ma sensu. Na koniec unikaj jej, gdy kluczowa jest niskie opóźnienie (latencja), ponieważ wersja z wieloma wywołaniami mechanicznie łączy kilka żądań API przed zwróceniem jakiegokolwiek wyniku.
Łączenie z ustawieniami rozumowania
Przy wysokich ustawieniach rozumowania modele GPT-5.6 już przeprowadzają strukturalną eksplorację wewnętrzną. Jawne ToT staje się wtedy w dużej mierze zbędne i płacisz podwójnie za tę samą pracę. Rezerwuj tę technikę dla sytuacji, w których rozumowanie jest wyłączone lub niskie, jak w poniższym porównaniu.
# Przy niskim rozumowaniu: jawne ToT jest przydatne
result = tree_of_thought(problem, breadth=3)
# Przy wysokim rozumowaniu: model już głęboko rozumuje
response = client.responses.create(
model="gpt-5.6-sol",
input=problem,
reasoning={"effort": "high"}
)
Aby podjąć decyzję w swoim własnym kontekście, weź problem architektoniczny lub projektowy, który faktycznie masz na tapecie w tym tygodniu, przepuść go przez ToT z wieloma wywołaniami z parametrem breadth=3, a następnie prześlij go bez zmian w bezpośrednim prompcie. Porównaj oba rozwiązania i, co najważniejsze, koszt tokenów dla każdego z nich. W przypadku decyzji o wysokim ryzyku luka w jakości więcej niż rekompensuje dodatkowy koszt; w przypadku pytania drugorzędnego – nie, a świadomość tego faktu uchroni Cię przed stosowaniem tej techniki wszędzie z przyzwyczajenia.
Kluczowe wnioski
- ToT eksploruje wiele ścieżek rozumowania i wybiera najlepszą
- Dostępna prosta wersja z jednym promptem lub zaawansowana z wieloma wywołaniami
- Idealne do planowania, architektury i złożonego debugowania
- Przy wysokich ustawieniach rozumowania modele GPT-5.6 mają już implicitzne ToT
- Dodatkowy koszt tokenów jest uzasadniony w przypadku decyzji o wysokim wpływie