Оксана Полякова GPT-Мастер. От первого промпта до AI-бизнеса

Глава 15. Цепочка рассуждений (Chain-of-Thought): заставляем ИИ «думать» пошагово

Вы когда-нибудь замечали, что на простые вопросы ChatGPT отвечает блестяще, а как только задача становится сложной, многоступенчатой, требующей логики, — начинает сбоить, терять нить рассуждения или выдавать поверхностные ответы?

Это не случайность. Это фундаментальное ограничение того, как работает модель. Но у этого ограничения есть элегантный обходной путь, который называется Chain-of-Thought, или «цепочка рассуждений».

В этой главе я раскрою вам технику, которая заставляет нейросеть не просто «выдавать ответ», а прокладывать логический маршрут от условия к решению, шаг за шагом. И результаты, которые вы будете получать, превзойдут все ваши ожидания.

Почему модель «глупеет» на сложных задачах?

Чтобы понять магию Chain-of-Thought, нужно вспомнить, как работает генерация текста. Модель предсказывает следующее слово за предыдущим. Это похоже на движение по тонкому канату: один неверный шаг — и все рухнуло.

Когда задача простая, например «переведи это предложение на английский», модель справляется легко. Контекст понятен, путь короток.

Но когда задача сложная, например «проанализируй финансовый отчет и предложи стратегию сокращения расходов», модель должна удерживать в голове множество факторов, связей и ограничений. И здесь начинаются проблемы. Она может перескочить сразу к выводу, пропустив важные промежуточные шаги. Или запутаться в логике. Или просто выдать красивые, но пустые общие фразы.

Chain-of-Thought решает эту проблему самым естественным способом: она заставляет модель явно проговаривать каждый шаг своих рассуждений, прежде чем дать финальный ответ.

Что такое Chain-of-Thought на самом деле?

Chain-of-Thought — это техника промптинга, при которой вы просите модель не просто дать ответ, а сначала показать всю цепочку логических шагов, которые привели к этому ответу.

Это как если бы вы попросили математика не просто написать ответ к задаче, а показать всё решение: формулы, промежуточные вычисления, логические переходы. Даже если в решении будет ошибка, вы увидите, на каком шаге она произошла.

В мире нейросетей эта техника работает еще и потому, что, проговаривая рассуждения вслух, модель сама себя проверяет. Она как бы становится своим собственным критиком.

Как это выглядит на практике

Сравните два подхода к одной и той же задаче.

Обычный промпт:

«У меня бюджет на маркетинг 500 тысяч рублей в месяц. Стоимость привлечения одного клиента в контекстной рекламе — 2000 рублей, в таргете — 1500 рублей, в посевах у блогеров — 3000 рублей, но блогеры дают более лояльных клиентов с LTV на 30 процентов выше. Как мне распределить бюджет?»

Модель, скорее всего, выдаст общие рекомендации: «попробуйте распределить примерно поровну, но сделайте упор на таргет, потому что он дешевле». Это поверхностный ответ.

Промпт с Chain-of-Thought:

«У меня бюджет на маркетинг 500 тысяч рублей в месяц. Стоимость привлечения одного клиента в контекстной рекламе — 2000 рублей, в таргете — 1500 рублей, в посевах у блогеров — 3000 рублей, но блогеры дают более лояльных клиентов с LTV на 30 процентов выше.

Прежде чем дать рекомендацию по распределению бюджета, пожалуйста, проведи пошаговый анализ:

Шаг 1. Рассчитай, сколько клиентов я могу получить в каждом канале, если потрачу весь бюджет только на него.

Шаг 2. Скорректируй эти цифры с учетом того, что в реальности охваты не бесконечны и у каждого канала есть ограничения по объему.

Шаг 3. Переведи количество клиентов в ожидаемую выручку с учетом LTV (для блогеров — с коэффициентом 1.3).

Шаг 4. Учти, что диверсификация снижает риски, но распыление снижает эффективность.

Шаг 5. На основе этих расчетов предложи оптимальное распределение бюджета.

После каждого шага показывай свои вычисления и логические выводы. И только после завершения всех шагов дай финальную рекомендацию».

Видите разницу? В первом случае модель гадает. Во втором — она проводит настоящее исследование, шаг за шагом, и вы можете проверить каждый этап.

Два способа применения Chain-of-Thought

Способ 1. Явная инструкция

Вы прямо просите модель думать пошагово, как в примере выше. Это работает для любых задач, где важна логика: анализ, планирование, вычисления, стратегические решения.

Способ 2. Неявное приглашение

Иногда достаточно просто сказать: «Давай подумаем шаг за шагом» или «Прежде чем ответить, разбери задачу по частям». Исследования показывают, что даже такая простая фраза dramatically улучшает качество ответов на сложные задачи.

Почему это работает? Потому что фраза «давай подумаем шаг за шагом» переводит модель в особый режим генерации, где она не спешит к финалу, а выстраивает промежуточные конструкции.

Chain-of-Thought для разных типов задач

Для математики и логики

Это классическое применение. Модели-рассуждения (o3, GPT-5.2 Thinking) используют этот принцип внутри себя, но даже с обычными моделями явная просьба думать пошагово творит чудеса.

«Реши уравнение: 3x +7 = 22. Покажи каждый шаг решения».

Для анализа текста

«Проанализируй этот отрывок. Сначала определи основную мысль, потом найди аргументы, которыми автор ее подтверждает, затем оцени силу каждого аргумента, и только после этого дай общую оценку тексту».

Для принятия решений

«Перед тем как порекомендовать, какой ноутбук купить, давай пройдем по шагам: 1) определим критерии выбора (цена, производительность, вес, батарея), 2) оценим важность каждого критерия для моих задач, 3) сравним 3—4 модели по этим критериям, 4) сделаем вывод».

Для творческих задач

Даже в творчестве Chain-of-Thought работает. «Прежде чем писать сценарий, давай придумаем характеры героев, потом основную идею, потом структуру сюжета, и только затем напишем диалоги».

Техника «Рассуждение вслух» в диалоге

Chain-of-Thought особенно эффективна, когда вы ведете с моделью диалог, а не просто даете одноразовый запрос. Вы можете попросить модель проговаривать свои мысли по ходу обсуждения.

«Я хочу обсудить с тобой стратегию развития моего блога. Но перед каждым советом, пожалуйста, объясняй, почему ты предлагаешь именно это, какие у тебя основания, какие альтернативы ты рассматривал и почему отбросил их».

Это превращает модель из «черного ящика», выдающего готовые решения, в прозрачного консультанта, чью логику вы можете понять и оспорить.

Когда Chain-of-Thought не нужен

Как и любой мощный инструмент, цепочка рассуждений имеет свою зону применения и свои ограничения.

Не нужна:

— Для простых, рутинных задач (перевод, короткий ответ на простой вопрос)

— Для задач, где важна скорость, а не глубина

— Когда ответ и так очевиден

Нужна:

— Для сложных, многофакторных задач

— Для задач, где важна логическая непротиворечивость

— Когда вы хотите не просто получить ответ, но и понять логику модели

— Когда цена ошибки высока

Ошибки в применении Chain-of-Thought

Ошибка 1. Слишком длинная цепочка

Если вы попросите модель сделать 20 шагов для простой задачи, она может запутаться или выдать бессмыслицу. Количество шагов должно соответствовать сложности задачи.

Ошибка 2. Нечеткие шаги

«Подумай хорошо» — это не Chain-of-Thought. «Разбей задачу на логические этапы и опиши каждый» — это Chain-of-Thought.

Ошибка 3. Игнорирование контекста

Chain-of-Thought не отменяет необходимость хорошего контекста и четкой задачи. Это дополнительный слой, а не замена.

Продвинутый уровень: CoT с самопроверкой

Когда вы освоите базовую цепочку рассуждений, можно перейти к следующему уровню — добавить шаг самопроверки.

«Проведи анализ по шагам. После того как закончишь, критически оцени каждый шаг: нет ли там логических ошибок, не упустил ли ты что-то важное. Если найдешь ошибки, исправь их и перепиши финальный ответ».

Это заставляет модель выполнять двойную работу: сначала сгенерировать решение, потом проверить его. Часто во втором проходе она находит ошибки, которые допустила в первом.

Практический пример: сложный запрос с CoT

Давайте соберем полноценный промпт с использованием Chain-of-Thought для реальной бизнес-задачи.

«Я открываю небольшую кофейню в спальном районе. У меня есть 2 миллиона рублей стартового капитала. Помоги мне составить финансовый план на первый год.

Прежде чем давать цифры и рекомендации, проведи пошаговый анализ:

Шаг 1. Определи основные статьи расходов при открытии кофейни (аренда, ремонт, оборудование, закупка сырья, зарплата, маркетинг, непредвиденные расходы). Оцени примерную долю каждой статьи.

Шаг 2. Исходя из того, что кофейня в спальном районе, оцени средний чек и ожидаемое количество посетителей в день в первый месяц, через три месяца и через полгода. Объясни логику этих оценок.

Шаг 3. Рассчитай примерную выручку помесячно, используя оценки из шага 2.

Шаг 4. Рассчитай ежемесячные расходы (аренда, зарплата, сырье, коммунальные, налоги) с учетом того, что в первые месяцы они могут быть выше из-за отсутствия оптимизации.

Шаг 5. Составь прогноз движения денег (Cash Flow) на 12 месяцев, показывая, когда наступит точка безубыточности и хватит ли стартового капитала до выхода на самоокупаемость.

Шаг 6. На основе расчетов дай рекомендации: на чем можно сэкономить на старте, какие риски предусмотреть, какой запас прочности заложить.

Каждый шаг распиши подробно, с цифрами и пояснениями. Если для каких-то оценок не хватает данных, напиши предположения, на которых ты строишь расчеты».

С таким промптом вы получите не общие советы, а полноценное финансовое моделирование, каждый шаг которого вы можете проверить и оспорить.

Резюме для мастера

Chain-of-Thought — это, пожалуй, самый мощный инструмент в арсенале промпт-инженера. Он превращает нейросеть из «болтуна» в «аналитика», из «генератора текстов» в «решателя задач».

Главный секрет: заставляя модель проговаривать свои рассуждения, вы не просто получаете лучший ответ. Вы получаете ответ, в котором уверены, потому что видели, как он родился.

В следующей главе мы пойдем еще дальше и освоим технику «Reflection» — искусство заставлять модель критиковать собственные ответы и улучшать их итеративно. Это следующий уровень мастерства.

Глава 16. Техника «Reflection» (саморефлексия): как улучшать ответы итеративно

Представьте себе двух писателей. Первый написал роман, прочитал его, остался доволен и отнес в издательство. Второй написал роман, прочитал, нашел слабые места, переписал, снова прочитал, снова нашел, и так десять раз. Чей роман в итоге окажется в списке бестселлеров?

В человеческом творчестве итеративность — ключ к качеству. Мы редко делаем что-то идеально с первого раза. Мы делаем черновик, потом правим, потом показываем другим, получаем обратную связь, снова правим. Это естественный процесс.

Но с ChatGPT большинство пользователей ведут себя как первый писатель: получили ответ, если он «вроде нормальный», — приняли. Если нет — вздохнули и начали заново с новым промптом.

Техника Reflection предлагает третий путь: заставить модель саму оценить свой ответ, найти в нем слабые места и предложить улучшенную версию. И делать это столько раз, сколько нужно, в рамках одного диалога.

Что такое Reflection?

Reflection (саморефлексия) — это техника, при которой вы просите модель критически оценить свой собственный ответ, а затем на основе этой оценки создать улучшенную версию.

Это похоже на то, как если бы вы сказали своему ассистенту: «Вот что ты написал. А теперь представь, что ты самый строгий критик. Найди в этом тексте все недостатки. А потом, с учетом этой критики, перепиши текст так, чтобы этих недостатков не было».

В мире программирования это называют «рефакторингом». В мире писательства — «редактурой». В мире нейросетей — Reflection.

Почему это работает?

В модели одновременно существуют два режима: режим генерации и режим оценки. Когда модель пишет текст, она включена в творческий процесс и может не замечать ошибок. Но когда вы просите ее оценить уже написанное, она переключается в другой режим — более холодный, аналитический, критический.

В этом режиме она видит то, что пропустила в первом проходе: логические нестыковки, слабые аргументы, стилистические шероховатости, избыточность.

Кроме того, Reflection заставляет модель использовать больше вычислительных ресурсов на задачу. Вместо одного прохода она делает два, три, четыре. Каждый следующий проход уточняет и полирует результат.

Три уровня Reflection

Уровень 1. Простая самооценка

Вы просите модель оценить свой ответ по простой шкале.

«Ты написал текст. Оцени его по шкале от 1 до 10 по следующим критериям: логичность, убедительность, стиль, соответствие задаче. Если оценка ниже 8 по любому критерию, объясни почему».

Это дает вам быстрый сигнал о качестве и указывает на слабые места.

Уровень 2. Критический разбор

Вы просите модель выступить в роли строгого рецензента.

«А теперь представь, что ты не автор этого текста, а его самый строгий критик. Найди в нем минимум пять недостатков. Не щади автора. Ищи логические дыры, слабые аргументы, неудачные формулировки, места, где читатель может заскучать или не поверить».

Это заставляет модель посмотреть на текст свежим взглядом, отстраниться.

Уровень 3. Итеративное улучшение

После критики вы просите создать новую версию с учетом найденных недостатков.

«Отлично. Теперь, учитывая все найденные тобой недостатки, напиши новую версию текста. Сохрани все сильные стороны первого варианта, но исправь слабые места».

И затем вы можете повторить цикл: снова попросить оценить вторую версию, найти недостатки, создать третью.

Практический пример: как работает Reflection

Давайте посмотрим на реальном примере, как эта техника превращает посредственный ответ в отличный.

Шаг 1. Первичный запрос

«Напиши короткий текст для поста в соцсеть о том, почему полезно вести дневник благодарности».

Модель выдает что-то вроде:

«Ведение дневника благодарности помогает замечать хорошее в жизни, снижает уровень стресса и делает нас счастливее. Попробуйте каждый вечер записывать три вещи, за которые вы благодарны, и через месяц вы заметите перемены. #благодарность #осознанность #счастье»

Нормально, но шаблонно. Так пишут тысячи блогеров.

Шаг 2. Запрос на рефлексию

«А теперь выступи в роли строгого редактора блога в соцсеть. Оцени этот текст. Найди в нем как минимум три недостатка. Почему этот текст может не зацепить читателя?»

Модель анализирует и выдает:

«Недостатки:

— Текст слишком общий. Нет конкретики, нет личной истории или примера, с которым читатель мог бы себя ассоциировать.

— Нет вовлекающего начала. Первое предложение скучное, оно не заставляет читать дальше.

— Польза описана абстрактно («помогает замечать хорошее», «снижает стресс»). Нет конкретных, ощутимых выгод.

— Хештеги стандартные, под них огромная конкуренция, пост в них просто потеряется».

Шаг 3. Запрос на улучшение

«Отлично. Теперь, учитывая эту критику, напиши новую версию поста. Сделай ее более конкретной, вовлекающей, с личной историей».

Модель выдает:

«Вчера я поймал себя на мысли, что уже полгода пишу «дневник благодарности». Начинал как эксперимент, а теперь не могу остановиться.

Знаете этот момент, когда вечером прокручиваешь в голове день и вспоминаешь только плохое? Опоздал на встречу, поссорился с мужем, сгорел ужин. А хорошее как-то выветривается.

Дневник благодарности — это туз в рукаве против такого мышления. Каждый вечер я записываю три вещи, за которые реально благодарен. Иногда это глобальное: «что здоровы родители». Иногда смешное: «что в кофейне был свежий круассан».

И знаете, что изменилось? Я стал замечать эти хорошие моменты не только вечером, а прямо в течение дня. Потому что мозг знает: вечером придется отчитываться. Он сам ищет поводы для радости.

Попробуйте неделю. Всего семь дней. Вечером три строчки. А потом напишите мне в комментариях, заметили ли вы разницу. Спорим, удивитесь?

#дневникблагодарности #осознанность #привычки #счастьевмелочах #психология»

Чувствуете разницу? Первый вариант — информация. Второй — вовлечение, история, конкретика, призыв. И всё это благодаря одному циклу рефлексии.

Reflection в многошаговых задачах

Особенно мощно Reflection работает в сложных, многосоставных задачах. Например, при написании стратегических документов.

Цикл может выглядеть так:

— Модель пишет черновик стратегии.

— Вы просите ее найти слабые места: «Где здесь недостаточно данных? Какие риски не учтены? Какие аргументы слабые?»

— Модель выдает критику.

— Вы просите переписать с учетом критики.

— Теперь просите оценить вторую версию с точки зрения инвестора: «Что бы сказал инвестор, читая этот документ? В чем бы усомнился? Чего бы не хватило?»

— Модель выдает критику от лица инвестора.

— Вы просите переписать с учетом и этой критики.

После трех-четырех таких циклов документ становится практически неуязвимым для критики.

Техника «Множественные роли в рефлексии»

Можно усложнить Reflection, заставляя модель оценивать свой ответ с разных позиций.

«А теперь оцени этот же текст с трех разных точек зрения:

— Как строгий редактор, который ненавидит воду и общие фразы.

— Как представитель целевой аудитории (мама в декрете, которая читает посты урывками).

— Как маркетолог, который оценивает, продает этот текст или нет.

Дай отдельную критику с каждой позиции. А потом создай финальную версию, которая учтет все три взгляда».

Это дает объемную, многомерную оценку, которую невозможно получить одним взглядом.

Автоматическая итерация

Если вы хотите полностью автоматизировать процесс, можно попросить модель сделать несколько итераций самостоятельно, без ваших промежуточных запросов.

«Напиши текст для лендинга. Затем самостоятельно найди в нем три слабых места. Перепиши с учетом найденного. Повтори этот цикл три раза. В конце покажи мне финальную версию и кратко опиши, как менялся текст от итерации к итерации».

Это экономит ваше время и заставляет модель провести полноценную «работу над ошибками».

Когда Reflection необходим, а когда избыточен

Нужен:

— Для важных текстов, которые увидят многие люди

— Для стратегических документов, где цена ошибки высока

— Для творческих задач, где нужен не просто ответ, а шедевр

— Для сложных аналитических задач

Избыточен:

— Для бытовых, рутинных запросов

— Когда ответ нужен «прямо сейчас»

— Для простых фактических вопросов

Ошибки в применении Reflection

Ошибка 1. Бесконечный цикл

Можно уйти в бесконечное улучшение, когда каждая следующая итерация меняет текст незначительно. Обычно трех-четырех циклов достаточно. Дальше начинается «золотой песок» — улучшения на доли процента, не стоящие затраченного времени.

Ошибка 2. Потеря первоначальной задачи

В процессе многочисленных улучшений модель может уйти от исходной задачи, «заиграться» в стилистику и забыть о цели. Следите, чтобы финальная версия все еще отвечала на ваш первоначальный запрос.

Ошибка 3. Игнорирование критики

Иногда модель, получив критику, просто переписывает текст, не устраняя найденные недостатки. Если это происходит, будьте конкретнее: «Ты нашла недостаток X. В новой версии я не вижу, чтобы он был исправлен. Исправь именно его».

Продвинутый уровень: Reflection с внешними критериями

Когда вы освоите базовую рефлексию, можно добавлять внешние критерии оценки.

«Оцени этот текст, используя следующие критерии, которые важны для моей аудитории:

— Читабельность (простота и понятность)

— Эмоциональный отклик

— Наличие конкретных, осязаемых деталей

— Уникальность (отличие от типичных постов на эту тему)

По каждому критерию поставь оценку от 1 до 10 и объясни, почему такая оценка».

Это делает рефлексию не абстрактной, а привязанной к вашим конкретным целям.

Резюме для мастера

Reflection — это техника, которая превращает ChatGPT из одноразового генератора в многоразового редактора. Вместо того чтобы переписывать промпты и начинать заново, вы просто просите модель улучшить то, что уже есть.

Главный секрет: модель видит свои ошибки лучше, когда смотрит на них не как автор, а как критик. Дайте ей эту возможность, и качество результатов взлетит до небес.

В следующей главе мы перейдем к практическим аспектам управления форматом вывода — научимся заставлять модель выдавать ответы в строго заданном виде: таблицы, списки, JSON и другие структуры, которые можно сразу использовать в работе.

Глава 17. Управление форматом вывода: таблицы, списки, код, JSON

Представьте, что вы заказали в типографии визитки. Вы долго и тщательно выбирали дизайн, шрифт, цвет. А вам принесли готовый макет… на салфетке, от руки карандашом. Информация та же, но пользоваться невозможно.

Примерно так же чувствует себя человек, который получил от ChatGPT отличный анализ, но в виде сплошного текста, когда нужна была таблица. Или получил код, но без форматирования, так что его нельзя скопировать и запустить.

В этой главе мы научимся управлять формой, в которой модель выдает результат. Это не просто вопрос эстетики. Это вопрос эффективности: правильно отформатированный ответ можно сразу использовать, вставить в документ, загрузить в программу, отправить коллеге.

Почему формат важен?

Модель по умолчанию выдает текст в виде сплошного полотна. Это естественно для нее — она училась на текстах, а тексты обычно выглядят именно так. Но в реальной жизни нам нужны структурированные данные.

Правильный формат решает три задачи:

— Удобство восприятия. Таблицу прочитать легче, чем десять абзацев с цифрами.

— Возможность автоматической обработки. JSON или CSV можно сразу загрузить в программу.