Chain of Thought
På denna sida
Resonera steg för steg
Chain of Thought (CoT) är en teknik där du ber modellen att redogöra för sitt resonemang innan den ger sitt slutgiltiga svar. Istället för att hoppa direkt till slutsatsen redovisar modellen varje logiskt steg, vilket avsevärt höjer kvaliteten på svar vid uppgifter som kräver logiskt tänkande. Med Mistral-modeller ger detta utmärkta resultat inom logik, matematik, analys och beslutsfattande.
För att förstå varför detta fungerar, kom ihåg hur modellen genererar text: token för token, där varje token bygger på alla föregående. När en modell måste svara direkt på en komplex fråga har den bara några få token att “tänka” med – svaret måste dyka upp nästan omedelbart. Genom att be den redogöra för sitt resonemang ger du den utrymme att bryta ner problemet i enkla delproblem, verifiera varje steg innan nästa påbörjas, identifiera relevant information i den tillhandahållna datan och slutligen minska resonemangsfel som hallucinationer. Det skrivna resonemanget är inte en eftertanke: det är där beräkningen sker.
Enkel CoT: en instruktion räcker
Den mest grundläggande formen består av att lägga till en enkel instruktionsfras i slutet av din prompt:
En restaurang har 15 bord. Varje bord rymmer 4 personer.
Restaurangen är 80 % full. Hur många personer finns på plats?
Resonera steg för steg innan du ger ditt svar.
Modellen kommer då att producera något i stil med:
Steg 1: Total kapacitet = 15 bord × 4 personer = 60 personer
Steg 2: Beläggningsgrad = 80 % = 0,80
Steg 3: Personer på plats = 60 × 0,80 = 48 personer
Svar: 48 personer finns på restaurangen.
Utan instruktionen “resonera steg för steg” skulle modellen kanske ge “48” direkt – vilket är korrekt här – men den skulle också kunna göra ett misstag i en mellanberäkning utan att du kan identifiera var felet uppstod. Detta är den andra fördelen med CoT, mindre känd men lika värdefull: synligt resonemang går att verifiera. När ett svar verkar märkligt för dig, hoppar det felaktiga steget fram ögonen.
Strukturerad CoT: styr stegen
För mer komplexa uppgifter ska du inte bara be om resonemang: föreskriv det. Tänk dig en investeringsanalys:
Utvärdera om detta startup är en bra investering.
Data:
- Intäkter 2025: 2,3 miljoner € (tillväxt +45 % årligen)
- Bränntakt: 180 000 €/månad
- Driftstid kvar: 14 månader
- Adresserbar marknad: 500 miljoner €
- Team: 22 personer, 3 tekniska grundare
Resonera enligt dessa steg:
1. Analysera den finansiella hälsan (intäkter, bränntakt, driftstid)
2. Utvärdera marknadspotentialen (storlek, nuvarande genomslagskraft)
3. Utvärdera teamet (kompetens, storlek)
4. Identifiera nyckelrisker (max 3)
5. Ge din slutsats med en konfidensnivå (låg/medel/hög)
Genom att föreskriva stegen säkerställer du att modellen täcker alla viktiga aspekter, i rätt ordning, utan att hoppa över det du bryr dig om. Om den lämnas fri kan den ägna lång tid åt marknaden och slarva med den finansiella analysen; styrd behandlar den alla fem aspekterna systematiskt.
När du ska använda Chain of Thought – och när du ska hoppa över det
CoT är för uppgifter där du kan gå vilse på vägen: flerstegs matteproblem, uppskattningar, dataanalys (tolka mätetal, identifiera trender), beslutsfattande genom att jämföra alternativ, felsökning av kod eller felloggar, logiskt resonemang och deduktioner. I alla dessa situationer är varje mellanliggande steg en kontrollpunkt som förhindrar att fel fortplantas.
Å andra sidan är CoT onödigt – ibland kontraproduktivt – när det inte finns något att veckla ut. För en enkel faktafråga som “Vad är huvudstaden i Italien?” ökar det bara latens och tokenanvändning utan att förbättra något. Vid kreativt skrivande kan strukturerat resonemang till och med kväva kreativiteten. Översättning är mer intuitivt än logiskt, och omformulering kräver ingen deduktion. Den rätta reflexen: fråga dig själv om du skulle göra uträkningar för denna uppgift själv. Om inte, spara modellen mödan.
CoT med few-shot
Att kombinera Chain of Thought med few-shot-tekniken från föregående lektion är särskilt kraftfullt: istället för att beskriva hur man ska resonera, visar du det via ett komplett exempel på lyckat resonemang.
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?"""
}
]
Modellen kommer att reproducera samma schema – ett numrerat “Reasoning”-block, följt av en “Answer”-rad – för den nya frågan. Du får både rigorositeten hos CoT och formatkonsistensen hos few-shot.
Kontrollera utförligheten i resonemanget
Ibland vill du ha resonemanget men inte en roman. Du styr dosen direkt i instruktionen. För fullständigt resonemang, be: “Redogör för varje steg i ditt resonemang innan du drar en slutsats.” För en stramare version: “Resonera kortfattat (max 2–3 steg) och ge sedan ditt svar.” Och för produktion är den mest användbara varianten att separera resonemang och svar med taggar:
Reason within <reasoning></reasoning> tags
then provide your final answer within <answer></answer> tags.
Denna sista metod ger dig det bästa från två världar: din kod extraherar endast innehållet i <answer>-taggen för att visa för slutanvändaren, medan hela resonemanget finns tillgängligt i loggarna för felsökning. När ett svar i produktion visar sig vara felaktigt öppnar du loggen och ser exakt var resonemanget spårade ur.
Viktiga punkter
- Chain of Thought ber modellen att resonera innan den svarar – avgörande för logik, beräkningar och analys
- Styr stegen explicit för komplexa uppgifter
- Kombinera CoT och few-shot för maximal effektivitet
- Onödigt för enkla frågor eller kreativt skrivande
- Använd XML-taggar för att separera resonemang och svar i produktion