Chain-of-thought: как заставить AI думать пошагово

Context engineering как замена CoT в 2026 году. Для reasoning-моделей (GPT-5.5 Reasoning, o4-mini, Claude Fable 5/Opus 4.8, Gemini 3.1 Pro) явные CoT-инструкции не нужны -- они выполняют внутренний CoT автоматически. Для управления глубиной используйте API-параметры: reasoning_effort (OpenAI: 'low'|'medium'|'high'), thinking: {{budget_tokens}} (Anthropic), thinking_budget (Gemini). Явные инструкции 'думай пошагово' снижают качество ответов reasoning-моделей.

Важно: o3 уходит из ChatGPT. OpenAI объявила о выводе модели o3 из ChatGPT с 26 августа 2026 года (90-дневный закат). Если вы используете o3 -- переходите на o4-mini или GPT-5.5 Reasoning. Оба варианта доступны в ChatGPT и через API. Для API-интеграций замените model="o3" на model="o4-mini" или model="gpt-5.5-reasoning".

Chain-of-thought (CoT) — это техника промптинга, при которой вы просите модель показать свой процесс рассуждения, а не только финальный ответ. Вместо того чтобы сразу давать результат, модель «проговаривает» шаги, которые приводят к ответу.

Это не просто вопрос прозрачности. Исследования показали, что когда модель вынуждена рассуждать пошагово, она действительно приходит к более точным ответам. Особенно на задачах, требующих логики, математики и многоэтапного анализа.

В 2022 году исследователи из Google Brain опубликовали работу, показавшую, что простое добавление фразы «Let's think step by step» к промпту увеличивает точность ответов GPT-3 на математических задачах с 17.7% до 78.7%. Это одно из самых значительных улучшений, достигнутых без изменения самой модели — только за счёт изменения промпта.

Языковая модель генерирует ответ токен за токеном, слева направо. Каждый следующий токен зависит от всех предыдущих. Когда модель сразу пытается дать финальный ответ, она, условно говоря, должна «уместить» всю цепочку рассуждений в один шаг. Это приводит к ошибкам, особенно на многоэтапных задачах.

Когда модель рассуждает пошагово, каждый промежуточный шаг становится частью контекста для следующего шага. По сути, модель использует свой собственный вывод как «рабочую память». Это позволяет ей решать задачи, которые требуют нескольких последовательных вычислений или логических переходов.

Аналогия из реальной жизни: попробуйте умножить 47 на 83 в уме. Скорее всего, вы будете делать это по частям: 47 на 80, потом 47 на 3, потом складывать. CoT заставляет модель делать то же самое — разбивать сложную задачу на управляемые шаги.

Zero-shot CoT — это самый простой вариант. Вы не показываете модели примеры рассуждений, а просто добавляете к промпту инструкцию рассуждать пошагово.

Без CoT:
В магазине было 45 яблок. Утром продали 1/3, днём привезли ещё 20, а вечером продали половину того, что осталось. Сколько яблок осталось в магазине?

Ответ модели: 25 (неправильно)

С CoT:
В магазине было 45 яблок. Утром продали 1/3, днём привезли ещё 20, а вечером продали половину того, что осталось. Сколько яблок осталось в магазине? Давай решим пошагово.

Ответ модели:
Шаг 1: Было 45 яблок
Шаг 2: Утром продали 1/3: 45 / 3 = 15 продали, осталось 45 - 15 = 30
Шаг 3: Днём привезли 20: 30 + 20 = 50
Шаг 4: Вечером продали половину: 50 / 2 = 25
Ответ: 25 яблок (правильно)

Фразы, которые запускают CoT: «давай разберёмся пошагово», «think step by step», «покажи ход рассуждений», «объясни свою логику на каждом шаге», «реши поэтапно».

Few-shot CoT — более мощный вариант. Вы не просто просите модель рассуждать, а показываете пример того, КАК рассуждать. Это особенно полезно для нестандартных задач, где модель может не знать правильный формат рассуждения.

Задача: В компании 120 сотрудников. Из них 40% работают в отделе продаж, 25% — в разработке, а остальные — в поддержке и администрации поровну. Сколько человек в администрации?

Решение:
Шаг 1: Отдел продаж = 120 × 0.4 = 48 человек
Шаг 2: Разработка = 120 × 0.25 = 30 человек
Шаг 3: Остальные = 120 - 48 - 30 = 42 человека
Шаг 4: Поддержка и администрация поровну = 42 / 2 = 21 человек
Ответ: В администрации 21 человек.

Теперь реши аналогичную задачу:
[ваша задача]

Преимущество few-shot CoT: вы контролируете формат и глубину рассуждений. Модель будет следовать паттерну, который вы показали в примере.

Tree of Thought (ToT) — это расширение CoT, где модель рассматривает несколько путей рассуждения параллельно, оценивает каждый и выбирает лучший. Это полезно для задач, где есть несколько возможных подходов и неочевидно, какой правильный.

Задача: Нужно увеличить конверсию лендинга с 2% до 4%.

Рассмотри три разных подхода:

Подход 1: Изменение заголовка и первого экрана
[Рассуждение: какие изменения можно сделать, ожидаемый эффект, риски]
Оценка: насколько это реалистично?

Подход 2: Добавление социального доказательства
[Рассуждение...]
Оценка: ...

Подход 3: Упрощение формы заявки
[Рассуждение...]
Оценка: ...

Итог: какой подход наиболее перспективен и почему? Можно ли комбинировать?

ToT особенно полезен для стратегических решений, где нет единственного правильного ответа. Модель не застревает на первом пути, а исследует пространство решений.

Self-consistency — техника, при которой модель решает одну и ту же задачу несколько раз разными способами и выбирает ответ, который появляется чаще всего. Это работает как «голосование» между несколькими цепочками рассуждений.

Реши задачу тремя разными способами. Если все три способа дают одинаковый ответ — он, скорее всего, верный. Если ответы расходятся — объясни, какой способ более надёжен и почему.

Задача: [ваша задача]

Self-consistency особенно полезна для математических задач и задач на логику, где можно подойти к решению с разных сторон. Если три подхода дают один и тот же ответ, вероятность ошибки значительно снижается.

CoT наиболее эффективен для задач, которые требуют последовательных рассуждений. Математика и арифметика: многошаговые вычисления, задачи с процентами, конвертация единиц, финансовые расчёты. Логические задачи: головоломки, определение причинно-следственных связей, выявление противоречий. Анализ данных: сравнение нескольких вариантов по нескольким критериям, выявление трендов, прогнозирование.

Планирование: составление плана с зависимостями между этапами, распределение ресурсов, определение приоритетов. Отладка кода: поиск ошибки требует прослеживания логики программы шаг за шагом. Юридический и медицинский анализ: задачи, где нужно последовательно применять правила к конкретной ситуации.

Не все задачи выигрывают от пошагового рассуждения. В некоторых случаях CoT замедляет процесс и даже ухудшает результат.

Простые фактологические вопросы: «Какая столица Франции?» — CoT добавит ненужные шаги без улучшения точности. Креативные задачи: генерация идей, написание стихов, придумывание историй. Избыточная структурированность может подавить креативность. Задачи на распознавание паттернов: классификация, определение тональности текста, перевод — эти задачи модели решают «интуитивно», и принудительное структурирование не помогает.

Задачи с большим объёмом текста: если нужно обработать длинный текст, CoT-рассуждения занимают часть контекстного окна и могут вытеснить полезную информацию.

Задача: Мы рассматриваем выход на рынок Казахстана с нашим SaaS-продуктом (CRM для малого бизнеса, подписка $30/мес). Стоит ли это делать?

Давай проанализируем пошагово:
1. Оцени размер рынка (количество малых бизнесов в Казахстане, процент digital-ready)
2. Проанализируй конкурентную среду (локальные и международные CRM)
3. Оцени ценовую чувствительность ($30/мес в контексте казахстанской экономики)
4. Определи основные барьеры входа (язык, локализация, регулирование, платёжные системы)
5. Рассчитай минимальный объём продаж для окупаемости
6. Дай итоговую рекомендацию с обоснованием

Без CoT модель выдала бы общий ответ вроде «Казахстан — перспективный рынок, но есть риски». С CoT — структурированный анализ с конкретными шагами и выводами.

Этот код должен возвращать отсортированный список уникальных слов из текста, но работает неправильно. Проанализируй пошагово:

1. Прочитай код и определи, что каждая строка должна делать
2. Пройди по коду с тестовым вводом "hello world hello" и отследи состояние переменных
3. Найди, на каком шаге результат начинает отклоняться от ожидаемого
4. Объясни причину бага
5. Предложи исправление

def unique_sorted_words(text):
    words = text.split()
    unique = set(words)
    return unique.sort()

CoT в программировании — это по сути просьба к модели провести мысленную отладку (trace), что значительно повышает точность диагностики.

Вместо абстрактного «думай пошагово» можно задать конкретные вопросы, которые направляют рассуждение модели:

Прежде чем отвечать, ответь себе на вопросы:
1. Какие ключевые факторы влияют на этот вопрос?
2. Какие предположения я делаю? Обоснованы ли они?
3. Какие данные мне нужны, но которых у меня нет?
4. Какие альтернативные объяснения существуют?
5. Какой ответ был бы при противоположных предположениях?

Теперь, с учётом этого анализа, ответь на вопрос: [ваш вопрос]

Эта техника объединяет CoT с критическим мышлением и часто даёт более взвешенные ответы, чем простое «думай пошагово».

При использовании API (OpenAI, Anthropic) CoT можно применять программно. Некоторые практики: запрашивать рассуждение и ответ в структурированном формате (JSON с полями reasoning и answer), использовать системный промпт для постоянного CoT, объединять CoT с temperature=0 для максимальной воспроизводимости результатов.

Системный промпт:
Ты — аналитик. Перед каждым ответом проведи анализ в теге . Затем дай финальный ответ в теге . Рассуждения в  должны быть подробными, ответ в  — кратким и конкретным.

Этот паттерн (разделение рассуждений и ответа) активно используется в Claude, где он встроен в возможности модели через функцию Extended Thinking.

CoT — не серебряная пуля. У метода есть ограничения, которые важно понимать. Ложная уверенность: модель может построить убедительную, но неверную цепочку рассуждений. Пошаговое изложение создаёт иллюзию тщательности, даже если исходные посылки ошибочны. Затраты токенов: CoT-ответы значительно длиннее, что увеличивает стоимость при использовании API. Propagation of errors: ошибка на раннем шаге «заражает» все последующие шаги.

Поэтому CoT лучше использовать как дополнение к собственной проверке, а не как замену. Пошаговые рассуждения модели помогают вам увидеть её логику и заметить ошибку — но только если вы действительно читаете эти рассуждения, а не просто копируете финальный ответ.

Используйте CoT для математики, логики, анализа, планирования и отладки — задач, требующих последовательных рассуждений. Не используйте для простых вопросов, креативных задач и распознавания паттернов. Начните с zero-shot (добавьте «думай пошагово»). Если результат недостаточно хорош — переходите к few-shot (покажите пример рассуждения). Для критически важных задач используйте self-consistency (несколько решений + голосование). Всегда проверяйте промежуточные шаги, не доверяйте только финальному ответу.

Критическое открытие 2026 года: Chain-of-Thought (CoT) промпты дают минимальный или даже отрицательный эффект для моделей со встроенным рассуждением (reasoning models). Claude Opus 4.8 с режимом /think, GPT-5.5 Reasoning и Gemini 3.1 Thinking уже рассуждают внутри перед ответом. Добавление 'Think step by step' в промпт для таких моделей лишь удваивает токены без улучшения качества. Уточнение про few-shot CoT: для reasoning-моделей (Claude Opus 4.8, GPT-5.5 Reasoning) few-shot примеры CoT не улучшают качество рассуждения -- они только помогают выровнять формат ответа. Если вам нужен конкретный формат вывода, few-shot CoT полезен. Если хотите улучшить качество рассуждения -- достаточно чёткого описания задачи.

Tree of Thought (ToT) - более эффективная техника для сложных задач: агент генерирует несколько альтернативных путей рассуждения, оценивает каждый и выбирает лучший. Chain-of-Verification (CoVe) добавляет шаг самопроверки: после ответа модель проверяет каждое утверждение отдельным запросом. Process Reward Models (PRM) оценивают качество каждого шага, а не только итогового ответа.

Практический совет: используйте явный CoT ('думай пошагово') только с базовыми моделями без встроенного рассуждения (GPT-4o mini, Claude Haiku). Для флагманских reasoning-моделей достаточно чёткого описания задачи - они сами выберут глубину рассуждения.

С появлением моделей с внутренним рассуждением (o4-mini, Claude Fable 5/Opus 4.8, GPT-5.5 Reasoning, Gemini 3.1 Pro) ситуация изменилась. Эти модели уже выполняют CoT внутренне -- явная просьба 'думай пошагово' для них менее важна. Исследование Wharton Business School (2025) показало, что CoT-инструкции могут вносить непоследовательность в рассуждения некоторых reasoning-моделей. Практическое правило: для стандартных моделей CoT по-прежнему эффективен; для o3/Opus 4.7 в thinking-режиме -- применяйте по мере необходимости.

Tree-of-Thoughts (ToT): вместо одной цепочки рассуждений модель параллельно исследует несколько ветвей рассуждений и выбирает лучшую. Промпт: 'Рассмотри эту задачу с трёх разных углов. Для каждого подхода запиши рассуждение и вывод. Затем оцени, какой подход лучший, и обоснуй выбор.' Self-Consistency: запустите один и тот же запрос несколько раз, возьмите наиболее частый ответ -- повышает надёжность при математических задачах.

Atom of Thought. Atom of Thought -- гибридная техника: разбейте задачу на атомарные подзадачи, решите каждую отдельно (возможно разными моделями), затем соберите финальный ответ. Показывает лучшие результаты на задачах, где разные части требуют разных экспертиз.

Trace-of-Thought (ToT) для небольших моделей. В 2026 году появилась техника Trace-of-Thought (ToT) - не путать с Tree-of-Thoughts. Это упрощённый вариант цепочки рассуждений, специально разработанный для небольших локальных моделей (7B-13B параметров). Вместо полноценных шагов модель генерирует краткие «следы» рассуждения: ключевые промежуточные выводы без развёрнутых объяснений. Это снижает нагрузку на контекстное окно и существенно повышает точность на устройствах с ограниченными ресурсами.

Faithfulness Index (FI) - оценка качества рассуждений. Faithfulness Index - инструмент для измерения честности цепочек рассуждений модели. Он проверяет, насколько финальный ответ модели действительно следует из промежуточных шагов рассуждения, а не является независимой генерацией. Высокий FI указывает на то, что CoT-рассуждение реально влияет на ответ; низкий FI означает, что шаги рассуждения носят декоративный характер. Используйте FI при оценке качества промптов для критичных задач.

Gemini 3.1 Pro как нативная reasoning-модель (июнь 2026). Google представила Gemini 3.1 Pro с нативными возможностями рассуждения. В отличие от моделей, где CoT нужно активировать явными инструкциями, Gemini 3.1 Pro выполняет многошаговое рассуждение автоматически для сложных задач. Модель особенно сильна в математике, программировании и многоступенчатом анализе. Для задач, где важна прозрачность рассуждений, это сильная альтернатива ручному CoT-промптингу.

Важное предупреждение: для моделей с встроенным reasoning (o4-mini, Claude Fable 5 и аналогов) явные инструкции chain-of-thought в промпте могут снижать качество ответов. Эти модели уже содержат внутренний процесс рассуждений, и добавление внешних CoT-инструкций создаёт конфликт между внутренним и явным мышлением.

Практическое правило: для обычных LLM (GPT-4o, Claude 3.5, Gemini Pro) CoT-промптинг значительно улучшает результаты. Для reasoning-моделей (GPT-5.5 Reasoning, o4-mini, Claude Fable 5) - используйте краткие, прямые промпты без явных инструкций 'думай шаг за шагом'. Модель сама выполнит внутренний CoT-процесс.

Если вы работаете с reasoning-моделью и хотите контролировать процесс рассуждений, используйте параметр `thinking_budget` (Anthropic) или `reasoning_effort` (OpenAI) вместо промпт-инструкций. Это даёт модели больше вычислительного ресурса без вмешательства в структуру рассуждений.

Для нативных reasoning-моделей (GPT-5, Claude Fable 5, Gemini 3.5 Deep Think) явный CoT-промптинг избыточен. Эти модели выполняют внутренний процесс рассуждений автоматически. Вместо инструкций 'думай пошагово' используйте параметры управления глубиной рассуждений: reasoning_effort (OpenAI: значения 'low', 'medium', 'high') и thinking_budget (Anthropic: число токенов для рассуждений, например 10000). Эти параметры дают модели вычислительный ресурс для более тщательного анализа без вмешательства в структуру рассуждений. Пример для Anthropic API: {"thinking": {"type": "enabled", "budget_tokens": 10000}}. Для OpenAI: {"reasoning_effort": "high"}. Явные CoT-инструкции в промпте могут снижать качество у reasoning-моделей, создавая конфликт между внутренним и явным процессом рассуждений.

Контрастивный CoT (Contrastive Chain-of-Thought) -- техника, при которой в промпте демонстрируются две цепочки рассуждений одновременно: правильная и неправильная. Это помогает модели чётче понять, какой тип ошибок следует избегать. Исследования 2026 года показывают улучшение точности на 15 процентных пунктов на задачах рассуждения.

Пример промпта с контрастивным CoT: «Реши задачу. Вот ПРАВИЛЬНОЕ решение: [решение с пояснением]. Вот НЕПРАВИЛЬНОЕ решение с типичной ошибкой: [решение с ошибкой]. Теперь реши мою задачу: [задача]». Демонстрируя контрпример, вы сужаете пространство допустимых ответов и снижаете вероятность воспроизведения частых логических ошибок.

Роль пользователя при работе с CoT меняется. Современные frontier-модели (Claude, GPT-4o, Gemini) применяют развёрнутое рассуждение автоматически для сложных задач. Явная инструкция «думай пошагово» всё ещё работает, но для базовых случаев она уже не обязательна. Вместо этого сосредоточьтесь на качестве постановки задачи и точном описании ожидаемого формата вывода.

Этот материал подготовлен командой AI-агентов AravanaAI и проверен главным редактором.