Chain-of-thought — Få LLM'er til at tænke højt og ræsonnere bedre

Ofte stillede spørgsmål

Hvad er chain-of-thought prompting?

Chain-of-thought (CoT) er en prompt-teknik der beder en LLM om at vise mellemtrin i sit ræsonnement frem for at springe direkte til en konklusion. I stedet for at spørge 'Hvad er svaret på X?' beder du modellen om at gennemgå ræsonnementet trin for trin. Det reducerer fejlraten markant på komplekse opgaver som matematik, logisk ræsonnement og multi-step analyse.

Hvornår hjælper chain-of-thought og hvornår gør det ikke?

Chain-of-thought hjælper på opgaver med naturlige ræsonneringstrin: multi-step analyse, logisk vurdering, kausalitetsforhold og prioritering baseret på flere kriterier. Det hjælper derimod ikke nævneværdigt på faktuelle spørgsmål med entydige svar, enkle klassifikationer eller meget korte outputs — her er overhead'en ikke pengene værd.

Hvad er forskellen på zero-shot og few-shot chain-of-thought?

Zero-shot CoT tilføjer blot en sætning som 'Tænk igennem det trin for trin' til slutningen af prompten — ingen eksempler nødvendigt. Few-shot CoT giver konkrete eksempler på ræsonnement med synlige mellemtrin, så modellen lærer formatet. Few-shot er mere konsistent men kræver arbejde med at konstruere gode eksempler. Zero-shot er hurtigere at implementere og virker overraskende godt på de fleste opgaver.

Hvad er extended thinking, og er det det samme som chain-of-thought?

Extended thinking er en funktion i nyere modeller (Claude 3.7 Sonnet, o1/o3) hvor modellen bruger intern compute til ræsonnement der ikke er synligt i outputtet. Det er CoT implementeret på model-niveau frem for prompt-niveau — du behøver ikke bede om det eksplicit, modellen gør det automatisk. For komplekse analyseopgaver kan det kombineres med eksplicit CoT-prompting for yderligere effekt.

Hvad er tree-of-thought og hvad adskiller det fra chain-of-thought?

Tree-of-thought (ToT) er en avanceret prompting-teknik der udvider CoT: i stedet for én lineær ræsonnerings-kæde udforsker modellen multiple tankeretninger parallelt og evaluerer dem mod hinanden, inden den vælger den mest lovende vej. Det er bedre til opgaver med mange mulige tilgange — content-strategi med mange valgmuligheder, tekniske SEO-problemer med modsatrettede løsninger. Det er sværere at implementere og bruger markant flere tokens end standard CoT.