Przejdź do treści
promptowy.com / AI-begrippenlijst / Chain-of-thought prompting
Prompts

Chain-of-thought prompting

Chain-of-thought prompting is een techniek waarbij een AI-model eerst stap voor stap redeneert voordat het tot een definitief antwoord komt.

Chain-of-thought prompting is een prompttechniek waarbij een AI-model wordt aangemoedigd om een probleem eerst via tussenstappen te ontleden voordat het een eindconclusie trekt. In plaats van direct naar een antwoord te raden, schrijft het model zijn redenering als een keten van logische stappen uit. Dit leidt tot aantoonbaar betere resultaten bij complexe vraagstukken, wiskundige berekeningen en meertraps logica.

Taalmodellen voorspellen tekst woord voor woord op basis van statistische patronen. Wanneer je direct vraagt naar de uitkomst van een ingewikkeld probleem, moet het model het antwoord in één keer raden zonder tussentijdse verwerking. Door een denkketen af te dwingen, fungeert elke gegenereerde tussenstap als nieuwe context voor de volgende stap, precies zoals een mens een berekening op een kladblaadje uitwerkt.

Hoe de denkketen werkt achter de schermen

Bij een standaardprompt geef je een vraag en verwacht je meteen de oplossing. Bij chain-of-thought (vaak afgekort als CoT) dwing je een pauze in het proces af. Het model breekt de centrale vraag op in overzichtelijke deelproblemen:

  • Deelvragen formuleren: Het model herkent welke variabelen los van elkaar berekend moeten worden.
  • Tussenresultaten vastleggen: De uitkomst van stap een wordt direct gebruikt als bouwsteen voor stap twee.
  • Zelfcontrole tijdens het schrijven: Doordat de redenering op het scherm verschijnt, vermindert de kans dat het model relevante details uit de oorspronkelijke vraag over het hoofd ziet.
  • Synthese: Pas na het doorlopen van alle stappen volgt het definitieve antwoord.

Een herkenbaar praktijkvoorbeeld

Stel dat een fietsenverhuurder op Texel wil berekenen hoeveel elektrische fietsen er beschikbaar zijn voor de middagverhuur. De situatie is als volgt: er staan in de ochtend 45 e-bikes klaar. Om tien uur vertrekt een groep van 12 fietsers. Om elf uur brengt een gezin 3 fietsen vervroegd terug, maar blijken 2 andere e-bikes een lekke band te hebben waardoor ze naar de werkplaats moeten. Om halftwaalf reserveert een hotel telefonisch nog eens 8 fietsen voor een late tocht.

Zonder denkstappen kan een eenvoudig model gemakkelijk een getal missen en direct roepen dat er 24 fietsen over zijn. Met chain-of-thought prompting ziet de uitvoer er als volgt uit:

  1. Beginstand om negen uur: 45 e-bikes.
  2. Vertrek van de ochtendgroep: 45 min 12 is 33 e-bikes.
  3. Vervroegd teruggebrachte fietsen: 33 plus 3 is 36 e-bikes.
  4. Defecte fietsen naar de werkplaats: 36 min 2 is 34 e-bikes.
  5. Telefonische reservering: 34 min 8 is 26 e-bikes.
  6. Conclusie: Er zijn vanmiddag nog exact 26 e-bikes beschikbaar voor de verhuur.

Hoe je deze techniek zelf toepast

In de begindagen van prompt engineering was het vaak al voldoende om een simpele instructie toe te voegen aan je vraag, zoals: Denk stap voor stap na en laat je berekening zien. Deze zin zorgde ervoor dat het model automatisch zijn redenering uitschreef.

Tegenwoordig kun je nog gerichter sturen. Je kunt het model bijvoorbeeld vragen om expliciet te benoemen welke aannames het doet, welke formules het gebruikt en waarom het bepaalde informatie uitsluit. Bovendien hebben moderne, gespecialiseerde redeneermodellen deze aanpak al diep in hun architectuur verwerkt: ze tonen soms zelfs een apart inklapbaar denkscherm waarin je de interne gedachtegang kunt nalezen voordat de definitieve tekst verschijnt.

De valkuil: welbespraakt maar fout

Een belangrijke misvatting is dat een uitgeschreven redenering altijd waar is. Een taalmodel heeft geen echt bewustzijn of feitelijk begrip van de wereld; het model genereert taal die logisch klinkt. Als het model in stap twee een foutieve aanname doet of een simpele optelfout maakt, zal het in stap drie en vier met vol vertrouwen doorredeneren op basis van die fout.

Het resultaat is een overtuigend, prachtig geformuleerd betoog dat van begin tot eind logisch oogt, maar onderaan toch een volstrekt verkeerde conclusie trekt. Gebruik chain-of-thought prompting daarom vooral om de gedachtegang van de AI transparant te maken, zodat je als gebruiker direct kunt zien waar een eventuele denkfout is ontstaan.

Veelgestelde vragen

Wat is het verschil tussen een standaardprompt en chain-of-thought?

Bij een standaardprompt geeft de AI direct een eindantwoord, wat bij lastige logica vaak tot fouten leidt. Bij chain-of-thought schrijft het model eerst alle tussenstappen uit voor het antwoord volgt.

Waarom levert stap voor stap denken betere resultaten op?

Omdat taalmodellen woord voor woord werken. Tussenstappen die het model uitschrijft, dienen direct als nieuwe context en denkruimte om de volgende stap correct uit te rekenen.

Werkt chain-of-thought prompting voor alle soorten vragen?

Nee, voor creatieve teksten, vertalingen of simpele feitenkennis heeft het weinig meerwaarde. Het blinkt vooral uit bij wiskunde, logische puzzels, planningen en juridische of technische analyses.

Moet ik altijd zelf typen dat het model stap voor stap moet denken?

Niet altijd. Bij standaard taalmodellen helpt die instructie enorm, maar nieuwere generaties redeneermodellen doen dit proces tegenwoordig al automatisch onder de motorkap.

← Alle termen in de AI-begrippenlijst

🛒 Sklep Kinetyka CapCut Pro 460 zł/rok Lovable Pro 450 zł/rok Replit Core 119 zł/rok Zobacz wszystko →
× ‹ powiększenie ›