Przejdź do głównej treści
Polski— Wybierz język
Menu

Chain of Thought

Lekcja 6 z 14 Zaktualizowano 3 listopada 2026 Początkujący
Na tej stronie
  1. Rozumuj krok po kroku
  2. Dlaczego chain of thought działa
  3. Modele rozumujące Grok
  4. Techniki wyzwalania
  5. Tokeny rozumowania i koszty
  6. Ograniczenia modeli rozumujących
  7. Wypróbuj to
  8. Kluczowe wnioski

Zaktualizowano 3 listopada 2026 r. na podstawie dokumentacji API i najlepszych praktyk xAI: parametr max_completion_tokens ogranicza 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:

  1. Rozbicia problemu na podproblemy
  2. Rozwiązania każdego podproblemu sekwencyjnie
  3. Zweryfikowania spójności między krokami
  4. 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_penalty i presence_penalty: nieobsługiwane
  • stop: 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