Техника, где LLM строит целое дерево рассуждений, а не одну прямую цепочку. Смотри картинку выше: слева — привычный CoT, справа — ToT со множеством веток.
Почему это важно?
Когда задача сложная и требует поиска, одной тропинки мало. ToT даёт модели:
- Исследование: несколько параллельных путей → больше шансов найти правильное решение.
- Оценку: можно “проголосовать”, какая ветка логичнее.
- Гибкость: легко обрубить бесперспективные ветки и углубиться в перспективные.
Как работает ToT (упрощённо)
1. Стартуем с входа (Input)
2. Генерируем 3-5 «мыслей» = промежуточных шагов
3. Для каждой мысли снова рожаем варианты
4. Повторяем, пока не дойдём до глубины N
5. Сравниваем листовые узлы, берём самый адекватный
6. Выводим ответ
Плюсы
- Более точные решения на задачах с поиском (головоломки, планирование, код).
- Возможность визуализировать ход мысли — полезно для дебага.
Вот пример использования и ответ.
Запрос
Ты — эксперт-логист. Реши задачу
Используй Tree of Thoughts с k=3, max_depth=4
На каждом узле выводи краткую оценку
В финале дай оптимальный маршрут и поясни выбор
Задача: найти кратчайший путь между двумя городами.
ToT: модель сразу предлагает 3 маршрута, на втором уровне уточняет расстояния, на третьем сравнивает пробки и стоимость, в финале выдаёт оптимальный.
Ответ длинный и интересный, так что прикладываю ссылку на него, открывать с VPN
Тык