Chain of Thought
Na tej stronie
Zaktualizowano 3 listopada 2026 r. na podstawie dokumentacji API i najlepszych praktyk xAI: parametr
max_completion_tokensogranicza tylko widoczną odpowiedź, a nie proces rozumowania; zalecany czas oczekiwania (timeout) wynosi co najmniej 900 sekund. Źródła: Chat Completions · Best practices.
Rozumuj krok po kroku
Chain of Thought (CoT) to technika polegająca na poproszeniu modelu o rozbicie procesu rozumowania na wyraźne kroki przed udzieleniem ostatecznej odpowiedzi. Zamiast przechodzić od razu do wniosku, model szczegółowo opisuje tok swojego myślenia, co znacząco podnosi jakość odpowiedzi w przypadku złożonych zadań.
Podejście to sprawdza się szczególnie dobrze w problemach logicznych, obliczeniach, analizach wielokryterialnych oraz w każdym zadaniu wymagającym rozumowania wieloetapowego.
Dlaczego chain of thought działa
Gdy poprosisz Groka o bezpośrednie rozwiązanie problemu, generuje on najbardziej prawdopodobną odpowiedź, niekoniecznie weryfikując jej spójność. Prosząc go o rozumowanie krok po kroku, skłaniasz go do:
- Rozbicia problemu na podproblemy
- Rozwiązania każdego podproblemu sekwencyjnie
- Zweryfikowania spójności między krokami
- Wyciągnięcia wniosku na podstawie przeprowadzonego rozumowania
Przykład bez chain of thought
P: Sklep sprzedaje koszulki za 25 euro. Przy rabacie 20% i podatku VAT 20%, jaka jest cena końcowa?
O: 24 euro.
Przykład z chain of thought
P: Sklep sprzedaje koszulki za 25 euro. Przy rabacie 20% i podatku VAT 20%, jaka jest cena końcowa? Rozumuj krok po kroku.
O:
1. Cena bazowa: 25 euro
2. Rabat 20%: 25 x 0,20 = 5 euro
3. Cena po rabacie: 25 - 5 = 20 euro
4. Podatek VAT 20%: 20 x 0,20 = 4 euro
5. Cena końcowa z podatkiem: 20 + 4 = 24 euro
Cena końcowa wynosi 24 euro.
Wynik może być identyczny, ale jawne rozumowanie pozwala zweryfikować każdy krok i wychwycić potencjalne błędy.
Modele rozumujące Grok
xAI oferuje modele specjalnie zaprojektowane do rozumowania. Modele te natywnie integrują chain of thought, więc nie musisz o to wyraźnie prosić.
Dostosowanie wysiłku rozumowania
Starsze modele, takie jak grok-3-mini, udostępniały parametr reasoning_effort (niski/wysoki). W obecnej ofercie wysiłek rozumowania ustawia się za pomocą parametru reasoning w API Responses, jak pokazano poniżej:
- low: szybkie rozumowanie, mniejsze zużycie tokenów, odpowiednie do prostych pytań
- medium: balans między głębią myślenia a kosztem, odpowiednie do większości przypadków
- high: dogłębne rozumowanie, więcej tokenów, odpowiednie do złożonych problemów
grok-4.20-0309-reasoning: zaawansowane rozumowanie
Obecne modele Grok integrują szyfrowane rozumowanie. Proces myślowy nie jest widoczny jako zwykły tekst, ale jest bardziej wydajny. Korzystając z API Responses, możesz kontrolować wysiłek za pomocą parametru reasoning:
{
"model": "grok-4.20-0309-reasoning",
"input": "Przeanalizuj zalety i wady migracji do architektury mikroserwisów",
"reasoning": {
"effort": "high"
}
}
Dostępne poziomy to low, medium oraz high.
Techniki wyzwalania
Nawet w przypadku modeli niewyspecjalizowanych w rozumowaniu, możesz aktywować chain of thought, stosując odpowiednie sformułowania w prompcie:
- „Rozumuj krok po kroku przed udzieleniem odpowiedzi“
- „Rozbij swoje rozumowanie na części“
- „Wyjaśnij swoje podejście, a następnie podaj wniosek“
- „Myśl na głos“
W wiadomości systemowej
{
"role": "system",
"content": "Jesteś analitykiem finansowym. Dla każdego pytania rozbij swoje rozumowanie na ponumerowane kroki przed podaniem ostatecznego wniosku."
}
Tokeny rozumowania i koszty
Tokeny rozumowania są liczone w statystykach użycia i rozliczane jako tokeny wyjściowe. Pojawiają się one w polu reasoning_tokens odpowiedzi:
{
"usage": {
"completion_tokens_details": {
"reasoning_tokens": 150
}
}
}
Parametr max_completion_tokens ogranicza tylko widoczną odpowiedź: wewnętrzne rozumowanie nie jest do niego wliczane, a jego ilość zależy od ustawionego wysiłku rozumowania.
Najlepsze praktyki xAI wymagają ustawienia czasu oczekiwania (timeout) na co najmniej 900 sekund na żądanie, a przykłady w przewodniku Reasoning sięgają nawet 3600 sekund dla złożonych problemów.
Ograniczenia modeli rozumujących
Niektóre parametry nie są dostępne w modelach rozumujących:
frequency_penaltyipresence_penalty: nieobsługiwanestop: nieobsługiwane- Dołączenie tych parametrów powoduje błąd
Wypróbuj to
Przetestuj to samo pytanie z chain of thought i bez niego:
Bez CoT:
Pociąg wyjeżdża z Paryża o 8:00 z prędkością 120 km/h. Inny wyjeżdża z Lyonu (oddalonego o 470 km) o 9:00 z prędkością 150 km/h. O której godzinie się spotkają?
Z CoT:
Pociąg wyjeżdża z Paryża o 8:00 z prędkością 120 km/h. Inny wyjeżdża z Lyonu (oddalonego o 470 km) o 9:00 z prędkością 150 km/h. O której godzinie się spotkają? Rozumuj krok po kroku i pokaż swoje obliczenia.
Porównaj odpowiedzi: wersja z chain of thought będzie bardziej niezawodna i możliwa do zweryfikowania.
Kluczowe wnioski
- Chain of thought zwiększa niezawodność w złożonych zadaniach poprzez rozbicie rozumowania na etapy
- Obecne modele Grok integrują szyfrowane rozumowanie z trzema poziomami wysiłku (niski/średni/wysoki)
- Tokeny rozumowania są płatne i wliczają się do limitu tokenów wyjściowych
- Niektóre parametry (kary, stop) nie są kompatybilne z modelami rozumującymi
- Dodaj frazę „rozumuj krok po kroku“ do swoich promptów, aby aktywować CoT w dowolnym modelu