Chain-of-thought prompting: Γιατί δουλεύει και πώς να το χρησιμοποιήσεις
Μάθε τι είναι το chain-of-thought prompting, γιατί κάνει το AI να σκέφτεται καλύτερα και πώς να το εφαρμόσεις σε πραγματικά προβλήματα.
Έδωσα στο ChatGPT ένα λογικό πρόβλημα. Απάντησε άμεσα — και έκανε λάθος.
Μετά του είπα να σκεφτεί βήμα βήμα. Έδωσε τη σωστή απάντηση.
Ίδιο μοντέλο, ίδια ερώτηση, διαφορετικό αποτέλεσμα. Αυτό είναι το chain-of-thought prompting.
Γιατί το AI κάνει λάθη σε σύνθετα ερωτήματα
Τα language models δεν "σκέφτονται" με την ανθρώπινη έννοια. Παράγουν tokens — δηλαδή λέξεις — με βάση την πιθανότητα του επόμενου token. Όταν ρωτάς κάτι σύνθετο και ζητάς άμεση απάντηση, το μοντέλο παράγει την πιο πιθανή απάντηση γρήγορα. Χωρίς ενδιάμεσα βήματα.
Αυτό δουλεύει καλά για απλές ερωτήσεις. Για πολύπλοκα προβλήματα — μαθηματικά, λογική, ανάλυση — η άμεση απάντηση είναι συχνά λανθασμένη.
Το chain-of-thought αναγκάζει το μοντέλο να "δείξει τη δουλειά του" πριν απαντήσει. Κάθε ενδιάμεσο βήμα γίνεται context για το επόμενο. Έτσι το τελικό output είναι πιο ακριβές.
Πώς λειτουργεί στην πράξη
Υπάρχουν τρεις τρόποι να χρησιμοποιήσεις chain-of-thought.
1. Η απλή εντολή
Η πιο εύκολη προσέγγιση: απλώς ζήτα εξήγηση.
Λύσε αυτό το πρόβλημα βήμα βήμα:
[Το πρόβλημά σου εδώ]
Εξήγησε κάθε βήμα πριν δώσεις την τελική απάντηση.
Φράσεις που ενεργοποιούν chain-of-thought: "βήμα βήμα", "step by step", "εξήγησε πώς", "δείξε μου τη σκέψη σου".
2. Few-shot chain-of-thought
Δίνεις παράδειγμα με τη λογική σκέψη που θες, μετά ρωτάς.
Θέλω να αναλύσεις επιχειρηματικές αποφάσεις με αυτόν τον τρόπο:
Παράδειγμα:
Ερώτηση: Πρέπει να ανεβάσουμε τις τιμές μας;
Σκέψη: Πρώτα εξετάζω το περιθώριο κέρδους → αν είναι κάτω από 20%, υπάρχει λόγος. Μετά εξετάζω τον ανταγωνισμό → αν οι ανταγωνιστές έχουν παρόμοιες τιμές, υπάρχει χώρος. Τέλος, εξετάζω την ελαστικότητα ζήτησης → αν οι πελάτες δεν έχουν εναλλακτικές, η αύξηση τιμών δεν θα μειώσει τα έσοδα.
Απάντηση: Ναι, αλλά μόνο αν ισχύουν και τα τρία παραπάνω.
Τώρα ανάλυσε με τον ίδιο τρόπο:
[Η ερώτησή σου]
3. Zero-shot chain-of-thought
Ο πιο ευέλικτος τρόπος. Τελειώνεις το prompt με μια φράση που αναγκάζει το μοντέλο να δομήσει τη σκέψη του.
[Η ερώτηση ή το πρόβλημά σου]
Πριν απαντήσεις, γράψε:
1. Τι ακριβώς ζητά αυτό το ερώτημα
2. Ποιες πληροφορίες χρειάζομαι για να απαντήσω
3. Ποιες παραδοχές κάνω
4. Την τελική απάντηση με αιτιολόγηση
Πότε να το χρησιμοποιείς
Chain-of-thought αξίζει τον κόπο σε:
- Μαθηματικά και υπολογισμούς — ακόμα και απλά, το AI κάνει αριθμητικά λάθη χωρίς βήματα
- Λογική ανάλυση — "πρέπει να κάνω Α ή Β" τύπου ερωτήσεις
- Debugging κώδικα — "βρες το πρόβλημα βήμα βήμα" δίνει καλύτερα αποτελέσματα
- Σύνθετες αποφάσεις — επιχειρηματικές, νομικές, οικονομικές
- Κριτική ανάλυση κειμένου — όταν θες εξήγηση, όχι απλά αξιολόγηση
Δεν χρειάζεται για απλές ερωτήσεις. "Ποια είναι η πρωτεύουσα της Γαλλίας;" δεν ωφελείται από chain-of-thought.
Ένα πραγματικό παράδειγμα
Ρώτησα το Claude: "Αν έχω €10.000 και θέλω να τα επενδύσω, τι κάνω;"
Χωρίς chain-of-thought: Έλαβα μια γενική λίστα επιλογών — μετοχές, ομόλογα, ETFs.
Με αυτό το prompt:
Έχω €10.000 και θέλω να τα επενδύσω. Πριν μου δώσεις πρόταση, σκέψου βήμα βήμα:
1. Τι πρέπει να γνωρίζεις για μένα πριν απαντήσεις;
2. Ποιες παραδοχές κάνεις;
3. Ποιοι κίνδυνοι υπάρχουν σε κάθε επιλογή;
4. Ποια είναι η πρότασή σου και γιατί;
Το αποτέλεσμα ήταν εντελώς διαφορετικό: πρώτα μου ζήτησε διευκρινίσεις για τον ορίζοντα επένδυσης και την ανοχή στο ρίσκο, μετά ανέλυσε τρία σενάρια με συγκεκριμένους λόγους για κάθε ένα.
Η διαφορά δεν ήταν στο μοντέλο — ήταν στο prompt.
Takeaway
Chain-of-thought prompting δεν είναι κάποιο μυστικό trick. Είναι η απλή λογική ότι αν ζητάς από κάποιον να σκεφτεί φωναχτά, το αποτέλεσμα είναι καλύτερο από το να του ζητάς άμεση απάντηση.
Πρόσθεσε "βήμα βήμα" ή "εξήγησε τη σκέψη σου" στα prompts που έχουν λογική ή ανάλυση. Δεν κοστίζει τίποτα — και μερικές φορές αλλάζει εντελώς την ποιότητα της απάντησης.
Αυτό σε χωρίζει.