Цепочка рассуждений: когда нейросети нужны шаги решения

Цепочка рассуждений полезна там, где задачу легче решить через явные промежуточные шаги. Но просьбу «думай шаг за шагом» не стоит по умолчанию добавлять в каждый запрос к рассуждающей модели. Метод, представленный в 2022 году, направлял модель к ответу с помощью примеров с разбором решения. Современные рассуждающие модели могут проделывать эту работу внутри, не выводя её в ответ. В бизнес-задачах сначала определите, какие подтверждения и какой результат вам нужны, а затем настраивайте глубину рассуждения, если сложность задачи это оправдывает.

Что такое цепочка рассуждений в промптинге?

Промптинг с цепочкой рассуждений, или Chain of Thought, задаёт языковой модели промежуточные шаги либо просит её сформулировать их, вместо того чтобы ограничиваться готовым ответом. Большая языковая модель, или LLM, генерирует текст на основе ваших инструкций и контекста. CoT — один из способов организовать это взаимодействие.

Jason Wei и соавторы представили метод под этим названием в работе Chain-of-Thought Prompting Elicits Reasoning in Large Language Models, впервые поданной 28 января 2022 года. В их примерах к задаче прилагались короткое объяснение и ответ. Получив новую задачу, модель продолжала по тому же образцу. Для этого использовали промпт к существующей модели, а не переобучали её под каждую задачу. Исходная статья.

Представьте аналитика, который учится сверять складские остатки. Если показать ему только итоговый остаток, способ расчёта останется за кадром. Если же указать начальный запас, отгрузки, поступления и итог, станет понятно, как получен результат. На этой идее и основан исходный метод.

У современных рассуждающих моделей появляется ещё одно важное различие: рабочие записи аналитика и записка для руководителя — разные вещи. Модели можно дать больше возможностей для внутренней работы и при этом попросить короткий итоговый ответ.

Зачем нужен промптинг с цепочкой рассуждений?

Он помогает решать задачи, в которых важны промежуточные операции. Если модель выигрывает от явных демонстраций, пример с решением покажет ей, какие величины связать или какое правило применить.

На практике стоит задать другой вопрос: становится ли результат точнее и проще для проверки? Само по себе длинное объяснение не гарантирует ни того, ни другого. Рассматривайте новый промпт как возможное улучшение, которое нужно проверить на своей задаче.

Примеры CoT-промптинга для бизнес-задач

Пример с решением нужен, чтобы показать метод, а требования к ответу — чтобы определить, что должен увидеть проверяющий. Эти цели могут пересекаться, но причины просить промежуточные шаги у них разные.

Пример промпта с цепочкой рассуждений: до и после

Возьмём учебный промпт для сверки складских остатков. Он адаптирован к рабочей задаче, а не скопирован из научной статьи. Вычисления приведены для пояснения; это не результаты тестирования модели.

До: пример только с готовым ответом

Пример вопроса: На складе было 12 единиц товара, 5 отгрузили, 3 получили. Сколько осталось?

Пример ответа: 10 единиц.

Новый вопрос: На складе было 18 единиц товара, 7 отгрузили, 4 получили. Сколько осталось?

После: тот же пример с промежуточными вычислениями

Пример вопроса: На складе было 12 единиц товара, 5 отгрузили, 3 получили. Сколько осталось?

Пример ответа: Остаток = начальный запас − отгрузки + поступления = 12 − 5 + 3 = 10 единиц.

Новый вопрос: На складе было 18 единиц товара, 7 отгрузили, 4 получили. Сколько осталось?

Изменился только пример: теперь в нём показан метод. Правильный ответ на новый вопрос в обоих случаях одинаковый — 15 единиц. Такой промпт не доказывает, что модель ответит верно; он показывает устройство few-shot CoT. «Few-shot» означает, что промпт содержит примеры, а одна демонстрация — минимальный вариант этого подхода.

Извлечение данных: просите значение поля и его источник

Если сотруднику, работающему со счетами к оплате, нужно извлечь номер счёта, начните с прямой инструкции:

Верни номер счёта в точности как в документе и строку, в которой он указан. Если номера нет, верни null. Не пытайся восстановить его по другим идентификаторам.

Длинное объяснение того, как модель заметила подпись поля, мало что даёт. А строка из документа позволяет проверить извлечённое значение. Если задача усложняется до сверки заказов на закупку и счетов с противоречащими друг другу данными, можно рассмотреть повышение глубины рассуждения.

Принятие решений: просите указать применённое правило

Для сотрудника поддержки, который рассматривает запрос на возврат денег, задайте состав результата:

Применяй только предоставленные правила возврата. Верни рекомендацию, соответствующий пункт правил, подтверждающие его применимость факты о клиенте и укажи, каких фактов не хватает для принятия решения. Обоснуй ответ кратко.

Такой промпт определяет полезные подтверждения, не требуя записи внутренних рассуждений. Многократно используемые правила и требования к ответу храните в системном промпте, а документы по конкретному случаю явно отделяйте от них.

Zero-shot CoT: пошаговое рассуждение без примеров

Zero-shot CoT просит модель рассуждать по шагам, не показывая ей готового примера с решением. Takeshi Kojima и соавторы исследовали этот подход в работе Large Language Models are Zero-Shot Reasoners, впервые поданной 24 мая 2022 года. Они использовали фразу «Давайте рассуждать шаг за шагом». Статья о zero-shot CoT.

Для задачи со складскими остатками промпт будет таким:

На складе было 18 единиц товара, 7 отгрузили, 4 получили. Сколько осталось? Давайте рассуждать шаг за шагом.

Эта фраза даёт общую инструкцию, но не демонстрирует конкретный способ решения. Её полезно знать для понимания истории метода, однако она не служит универсальным переключателем, улучшающим любую современную модель.

У разновидностей CoT разные механизмы. Few-shot CoT задаёт примеры с разбором решения. Zero-shot CoT даёт инструкцию без примеров. Auto-CoT использует модель, чтобы создавать такие примеры на основе разнообразных вопросов; это не другое название внутренних рассуждений модели. Статья об Auto-CoT.

В бизнес-задачах начните с понятной постановки и разберите ошибки. Добавляйте примеры, если модели не хватает образца метода, пограничного случая или требуемого формата ответа.

Что меняется с появлением рассуждающих моделей?

Если модель умеет рассуждать сама, ваша главная задача — задать цель, ограничения и ожидаемый результат. Настройки рассуждения определяют, сколько внутренней работы она сможет выполнить. А инструкции к итоговому объяснению определяют, что получит пользователь.

Приведённые ниже рекомендации сверены с действующей документацией OpenAI, Anthropic и Google 18 октября 2026 года. Настройки зависят от модели и API: универсального «бюджета на размышления», который можно скопировать в конфигурацию любого провайдера, нет.

OpenAI: формулируйте запросы к рассуждающим моделям прямо

В рекомендациях OpenAI по рассуждающим моделям говорится, что пошаговый промптинг не нужен: эти модели рассуждают внутренне, а просьба разложить всё по шагам иногда может ухудшить результат. Начните с цели, нужного контекста, ограничений и чёткого формата ответа. Рекомендации по работе с рассуждающими моделями.

Это не рекомендация для всех моделей OpenAI. В руководстве по промптингу GPT-4.1 прямо указано, что это модель без встроенного рассуждения. Явная просьба решать по шагам может быть полезна, но увеличивает объём вывода и задержку ответа. Выбирайте подход к промптингу под ту модель, которой пользуетесь. Руководство по промптингу GPT-4.1.

Anthropic: сначала настройте рассуждение и его глубину

Руководство Anthropic по промптингу Claude рекомендует общие указания к рассуждению, а не вручную расписанную последовательность шагов. При этом примеры с решением по-прежнему могут показать нужный подход. Ручной CoT-промптинг остаётся запасным вариантом, когда рассуждение отключено, если модель поддерживает такой режим; некоторые более новые модели могут отказываться расписывать свои внутренние рассуждения. Рекомендации по промптингу Claude.

На практике сначала выберите уровень усилий под свои задачи, а затем добавляйте направляющие инструкции, если поведение модели всё ещё требует корректировки. На простой запрос модель может ответить сразу, и сама настройка усилий не гарантирует, что в выводе появится блок рассуждений. Управление рассуждением.

Google: внутреннее рассуждение обычно не требует плана в ответе

В руководстве Google по промптингу Gemini сказано, что серии Gemini 2.5 и Gemini 3 выполняют внутренние рассуждения, поэтому выводить план или подробные шаги решения обычно не требуется. Там же отмечено, что простая просьба подумать тщательнее может помочь в сложных задачах, увеличив расход токенов на рассуждение. Эта рекомендация зависит от задачи и не обещает улучшения каждого ответа после добавления такой фразы. Подходы к составлению промптов для Gemini.

Для поиска значения поля руководство Google рекомендует минимальный или низкий уровень рассуждения там, где он поддерживается. Более высокие усилия стоит оставлять для сложных задач, например многоэтапного планирования. Рассуждение в Gemini.

Чем уровень усилий отличается от бюджета токенов на рассуждение?

Уровень усилий задаёт глубину проработки задачи. Бюджет токенов определяет, сколько токенов можно потратить на рассуждение, если конфигурация поддерживает эту настройку. Ни один из этих параметров не сообщает модели, какие подтверждения включить в итоговый ответ.

Это названия полей, которые нужно найти в своей интеграции, а не общий для всех формат конфигурации. Перед изменениями сверьтесь с документацией OpenAI по рассуждению, руководством Claude по рассуждению и справочником Gemini Generate Content.

Оплата: OpenAI указывает, что токены рассуждения тарифицируются как выходные токены, хотя их исходное содержимое недоступно через API. Пояснение провайдера о тарификации.

Токены — единицы, которые модель обрабатывает и генерирует. В статье о том, что такое токены в ИИ, объясняется разница между видимым текстом и расходом токенов. Даже за коротким ответом может стоять значительная внутренняя работа.

Когда стоит просить показать шаги решения?

Просите показать шаги, если они входят в полезный результат работы. Финансовому специалисту могут понадобиться формула и подставленные в неё значения. Сотруднику, проверяющему решение поддержки, — пункт правил и соответствующие ему факты. Бизнес-аналитику — допущения, ссылки на источники и расчёт, на котором основана рекомендация.

Сформулируйте запрос конкретно:

Верни рекомендацию, ссылки на подтверждающие источники, ключевые допущения и краткое объяснение. Покажи расчёты, необходимые для воспроизведения результата. Укажи, каких подтверждений не хватает.

Такое объяснение человек сможет оценить. Запрос не требует перечислять каждую внутреннюю мысль, неудачную попытку или скрытое промежуточное состояние.

Краткие изложения рассуждений, которые предоставляют провайдеры, — отдельный вид вывода. OpenAI возвращает сводки рассуждений там, где они поддерживаются, а не исходные токены рассуждения. Anthropic также описывает текст рассуждений Claude как краткое изложение, а не исходную цепочку мыслей. Используйте эти сводки для диагностики, но не считайте их полным описанием вычислений. Сводки рассуждений OpenAI, вывод рассуждений Claude.

Если вы разрабатываете приложение, задайте поля, которые оно сможет проверить. Если используете модель в работе — определите подтверждения, которые сможет сверить проверяющий. Когда решение зависит от текущего баланса или статуса заказа, получите эти сведения с помощью инструмента. Вызов функций связывает модель с такими внешними операциями; просьба рассуждать дольше не даст ей недостающую запись.

Когда цепочка рассуждений мешает?

Не усложняйте промпт рассуждениями, если задача сводится к простому поиску или извлечению данных в заданном формате. Для возврата известного идентификатора учётной записи не нужна развёрнутая аргументация. Лишний текст увеличивает объём данных, которые должно разобрать приложение и прочитать проверяющий.

Следующее ограничение — задержка ответа. Явно выписанные рассуждения увеличивают объём вывода, а более высокий уровень встроенного рассуждения может отсрочить получение полезного результата. OpenAI описывает этот компромисс между объёмом вывода и задержкой для GPT-4.1, а Google рекомендует снижать глубину рассуждения в простых задачах. Практическое правило: начните с прямого промпта и усложняйте его только тогда, когда ваши проверки показывают пользу. Руководство по GPT-4.1, рекомендации по рассуждению в Gemini.

Недостаток информации — другая проблема. Если модели не передали нужные правила, просьба рассуждать подробнее её не решит. Получите эти правила и установите их версию. Если входных данных слишком много, сначала разберитесь с наполнением контекстного окна — доступного модели рабочего пространства, — а уже потом экспериментируйте с глубиной рассуждения.

Жёстко заданный метод тоже может не подходить задаче. Пример складского расчёта, который учитывает поступления и отгрузки, ничего не говорит о возвратах, повреждённом товаре или зарезервированных запасах. Подбирайте примеры под реальные случаи и разрешайте модели сообщать, что ей не хватает правила.

Что доказывают результаты исходного исследования, а что — нет?

Исходный бенчмарк фиксирует исторический результат на конкретной задаче, но не обещает прирост точности в бизнесе. В статье Wei и соавторов для NeurIPS 2022 указана точность 17.9% при стандартном промптинге и 56.9% при промптинге с цепочкой рассуждений для PaLM 540B на GSM8K — бенчмарке текстовых математических задач. В эксперименте использовали восемь примеров с решением. Эти показатели взяты из таблицы 1 в редакции статьи от 10 января 2023 года. Статья и результаты.

По этим числам нельзя оценить прирост качества при извлечении данных из счетов, подготовке рекомендаций по возврату денег или работе с современной рассуждающей моделью. Значение имеют и модель, и бенчмарк, и устройство промпта. Эти результаты объясняют, почему метод привлёк внимание, но проверять нужно ту задачу, которую вы собираетесь внедрять.

Что в возможностях цепочки рассуждений переоценивают?

Убедительное объяснение не даёт полной истории принятия решения для аудита. В исследовании, опубликованном 3 апреля 2025 года, Anthropic обнаружила случаи, когда модели использовали подсказки, но не упоминали их влияние в объяснении. Это были контролируемые эксперименты с определёнными моделями и задачами, а не измерение всех бизнес-процессов. И всё же они показывают, почему обоснование нельзя считать доказательством того, как именно был получен ответ. Исследование Anthropic о достоверности объяснений.

Чтобы решение можно было проверить, сохраняйте переданные документы, полученные записи, результаты инструментов, применённые правила и итоговый ответ. Сверяйте цитаты с источниками и по возможности пересчитывайте арифметику. Объяснение модели может помочь проверяющему понять рекомендацию, но не заменяет эти материалы.

Другое преувеличение — будто с рассуждающими моделями больше не нужно продумывать промпты. Меняется лишь то, что необходимо задавать. Бизнес-цель, границы допустимых источников, обработка исключений и формат ответа по-прежнему остаются вашей ответственностью.

Что изменить в рабочем процессе уже на этой неделе?

Начните с проверки, если инструкция «думай шаг за шагом» автоматически добавляется к каждому запросу. Разработчикам стоит попробовать убрать её из типовых задач извлечения данных и сравнить прямые промпты на тех же примерах. Тем, кто использует модель в работе, — заменить просьбу об исчерпывающих рассуждениях конкретными требованиями к проверяемому результату: подтверждения, расчёты, допущения и краткая рекомендация.

Сохраняйте рабочий промпт, пока тестируете замену. Модель без встроенного рассуждения, которой помогают хорошие примеры, не становится автоматически устаревшей. Переход на рассуждающую модель — повод заново оценить подход, а не основание сразу удалять прежний процесс.

1. 1

   Выберите задачу с проверяемым ответом

   Возьмите регулярную задачу: например, извлечение полей из счетов или сверку складских остатков. Запишите, что считается правильным ответом, когда нужно сообщать о нехватке информации и какие данные должно уметь разобрать ваше приложение.

2. 2

   Сравнивайте по одному изменению за раз

   Зафиксируйте модель и входные примеры, чтобы сравнить прямой промпт с промптом, содержащим пример решения. Затем на рассуждающей модели зафиксируйте промпт и меняйте поддерживаемый уровень усилий. Записывайте правильность ответов, поведение при нехватке подтверждений, время выполнения и расход токенов.

3. 3

   Оставляйте только оправданные усложнения

   Для арифметики и полей, где нужно точное совпадение, предпочитайте детерминированные проверки. Там, где требуется оценочное суждение, используйте чёткие критерии и проверку человеком. LLM в роли судьи поможет масштабировать оценку, но её оценки тоже нужно калибровать. Внедряйте вариант, который отвечает вашим требованиям к качеству и времени ответа.

Первый шаг на понедельник: возьмите один промпт из регулярной бизнес-задачи, определите, какие подтверждения нужны проверяющему, и проведите описанное сравнение. Оставьте самую простую конфигурацию, которая проходит ваши проверки.

Частые вопросы о промптинге с цепочкой рассуждений

Что такое промптинг с цепочкой рассуждений?

Это способ составлять запросы к языковой модели с промежуточными шагами или примерами решения перед итоговым ответом. Исходный метод few-shot показывает способ решения, а zero-shot CoT просит рассуждать по шагам без примеров.

Как выглядит цепочка рассуждений на примере?

В промптинге ИИ примером может служить расчёт складского остатка: из начального запаса вычитают отгрузки и прибавляют поступления. Если привести такой расчёт вместе с решённой задачей, он покажет, как подходить к похожему вопросу.

Как написать промпт с цепочкой рассуждений?

«На складе было 18 единиц товара, 7 отгрузили, 4 получили. Сколько осталось? Давайте рассуждать шаг за шагом». Это пример zero-shot CoT. Для модели со встроенным рассуждением вместо этого можно попросить итоговый остаток и расчёт, позволяющий воспроизвести результат.

Актуален ли промптинг с цепочкой рассуждений сегодня?

Да, особенно для моделей, которым помогают явные примеры, и для задач, где полезно подробное решение. Рассуждающие модели меняют отправную точку: начните с ясных инструкций и встроенных настроек рассуждения, а затем добавляйте примеры или требования к объяснению там, где они приносят пользу.

Кто придумал Chain of Thought?

Jason Wei и соавторы представили метод под этим названием в статье Chain-of-Thought Prompting Elicits Reasoning in Large Language Models в 2022 году. Они объединили промежуточные объяснения на естественном языке с примерами в промпте, опираясь на более ранние исследования обоснований и промптинга.

В чём главное преимущество промптинга с цепочкой рассуждений?

Он может помочь подходящей модели пройти через промежуточные операции, а не сразу перейти к ответу. Улучшит ли это ваш рабочий процесс, зависит от модели и задачи; длина объяснения сама по себе не служит мерой качества.

Чем prompt chaining отличается от промптинга с цепочкой рассуждений?

Prompt chaining делит рабочий процесс на несколько вызовов модели, передавая результат одного вызова в следующий. Промптинг с цепочкой рассуждений относится к промежуточным шагам внутри примера в промпте или внутри ответа. Оба подхода можно использовать в одном процессе, но это разные решения при его проектировании.

За практическими руководствами по созданию полезных рабочих процессов с ИИ подписывайтесь на рассылку.