Модель предсказывает текст по частям. Если попросить сразу назвать ответ, она выдаст первое статистически правдоподобное — и на задаче в несколько шагов часто промахнётся. Если попросить рассуждать вслух, промежуточные шаги становятся частью текста и опорой для следующих. Это и есть Chain of Thought, цепочка мыслей.

Как это выглядит на практике

Обычный запрос: «В магазине было 120 коробок, продали треть, потом привезли ещё 45. Сколько стало?»

С цепочкой мыслей: «Реши задачу пошагово. Сначала выпиши известные величины, затем выполни действия по одному, показывая расчёт, и только в конце дай итог отдельной строкой».

На простом примере разницы может не быть. Она проявляется там, где шагов пять и больше, есть условия и исключения, или задача требует сверки нескольких фактов между собой.

Формулировки, которые работают

• «Рассуждай пошагово, показывая промежуточные выводы».
• «Сначала разбери условие, затем предложи план решения, потом выполни его».
• «Перед ответом перечисли, какие данные нужны и каких не хватает».
• «Проверь свой ответ обратным ходом и скажи, сходится ли».

Последняя — самая недооценённая. Самопроверка ловит часть ошибок, которые модель допустила по невнимательности к условию.

Разбиение на явные этапы

Для сложных задач надёжнее не просить «думать», а задать структуру:

Проанализируй договор в три этапа. Этап 1: выпиши все обязательства сторон списком. Этап 2: отметь пункты с нечёткими формулировками. Этап 3: сформулируй риски для заказчика. Не переходи к следующему этапу, пока не закончил предыдущий.

Такой промт даёт воспроизводимый результат: структура ответа задана вами, а не выбрана моделью случайно.

Когда цепочка мыслей вредит

Если формат ответа важен, разделяйте: «Рассуждай в блоке РАЗБОР, затем выдай итог в блоке ОТВЕТ строго в формате JSON без комментариев».

Рассуждающие модели: когда просить не нужно

Отдельный класс моделей — DeepSeek-R1 и подобные — обучен рассуждать по умолчанию: они строят цепочку внутри себя, а вам показывают выжимку. Просить их «думать пошагово» бессмысленно, они и так это делают.

Важное следствие: скрытые рассуждения расходуют тот же лимит токенов, что и видимый ответ. Если поставить маленький лимит, модель может израсходовать его на размышления и оборвать ответ на полуслове. Для рассуждающих моделей лимит нужно закладывать с запасом.

Как измерить эффект

Возьмите десять задач, где раньше получали ошибки. Прогоните дважды: обычным запросом и с явной цепочкой мыслей. Считайте не «стало красивее», а долю правильных ответов. На логике и расчётах прирост обычно заметный, на пересказе и стилистике — почти нулевой. Это нормально: техника лечит конкретную болезнь, а не все сразу.