Przejdź do treści
promptowy.com / AI-ordlista / Chain-of-thought (tankekedja)
Prompter

Chain-of-thought (tankekedja)

Chain-of-thought är en promptmetod där en AI visar sina mellanliggande tankesteg innan den presenterar det slutgiltiga svaret.

Chain-of-thought, ofta översatt till tankekedja på svenska, är en metod inom promptning som innebär att en AI-modell bryter ner ett problem och resonerar steg för steg innan den ger sitt slutgiltiga svar. I stället för att modellen omedelbart försöker gissa slutsatsen genererar den en serie mellanliggande logiska steg som leder fram till lösningen.

Tekniken har visat sig vara avgörande för att förbättra träffsäkerheten vid komplexa uppgifter. När språkmodeller tvingas formulera sina delslutsatser öppet minskar risken för förhastade felbedömningar, särskilt vid matematiska beräkningar, logiska gåtor och flerstegsanalyser.

Varför direkt svar ofta misslyckas

Språkmodeller fungerar i grunden genom att förutsäga nästa ord baserat på den text de hittills har sett. Om du ställer en komplicerad fråga och förväntar dig ett direkt svar måste modellen påbörja sin slutsats utan att först ha bearbetat delarna av problemet. Detta fungerar utmärkt för enkla faktakunskaper, men faller ofta platt när flera variabler samspelar.

Genom att använda en tankekedja skapar modellen sin egen interna kontext. Varje skrivet steg i resonemanget blir till ny text som matas tillbaka in i modellen, vilket ger den mer relevant underlag att bygga nästa slutsats på. Det motsvarar hur en människa tar fram papper och penna för att ställa upp en uträkning i stället för att direkt försöka räkna ut ett avancerat tal i huvudet.

Ett svenskt vardagsexempel: Offert hos snickeriet

Föreställ dig en snickare i Alingsås som ska räkna på materialåtgång och tidsåtgång för ett altanbygge. Projektet omfattar virke, skruv, markarbete, arbetskostnad och avdrag för ROT. Om snickaren ber en AI: Vad blir slutpriset inklusive moms och ROT-avdrag? är risken stor att modellen missar en delberäkning eller applicerar skattereglerna i fel ordning.

Med en tankekedja ställs frågan i stället så att modellen först tvingas gå igenom varje enskild post:

  • Steg 1: Beräkna den totala materialkostnaden baserat på virkesåtgång och fästelement.
  • Steg 2: Räkna ut den uppskattade arbetstiden och multiplicera med timtaxan.
  • Steg 3: Dra av den del av arbetskostnaden som täcks av ROT-avdraget.
  • Steg 4: Lägg ihop kvarvarande arbetskostnad och materialkostnad samt addera gällande moms.

Genom att följa denna struktur blir varje delmoment kontrollerbart. Snickaren kan enkelt se om modellen använde rätt timpris eller råkade räkna ROT på materialet, vilket gör resultatet både mer pålitligt och lättare att granska.

Hur du använder metoden i praktiken

Från början aktiverades denna teknik oftast genom enkla fraser i instruktionen, till exempel genom att avsluta en förfrågan med uppmaningen Tänk steg för steg innan du svarar. Denna enkla fras tvingar modellen att sakta ner och producera resonemang före slutsats.

I mer avancerade sammanhang kan du själv visa modellen hur du vill att den ska tänka genom att ge ett exempel på ett tidigare löst problem där varje tankesteg är tydligt utskrivet. Moderna resonemangsmodeller har numera denna process inbyggd direkt i sin arkitektur, vilket innebär att de genererar interna tankekedjor automatiskt innan texten visas för användaren.

Vanliga misstag och risker med tankekedjor

Ett vanligt misstag är att lita blint på en modell bara för att den presenterar en utförlig och välformulerad tankekedja. Det är viktigt att komma ihåg att även resonemanget är maskinskriven text. En modell kan resonera med ett tillsynes perfekt logiskt flyt men ändå bygga hela sitt resonemang på ett felaktigt grundantagande.

Kontrollera därför alltid premisserna i kedjan. Om det första steget innehåller ett faktafel spelar det ingen roll hur elegant de efterföljande stegen är: slutresultatet blir felaktigt ändå. Använd tankekedjan som ett verktyg för granskning, inte som en garanti för absolut sanning.

Vanliga frågor

Vad betyder Chain-of-thought inom AI?

Det är en teknik där en språkmodell instrueras eller tränas att förklara sitt resonemang steg för steg innan den presenterar sitt slutgiltiga svar.

Varför blir svaren bättre med en tankekedja?

När modellen formulerar delsteg skapar den ny text som fungerar som minnesstöd och logisk grund för nästa steg, vilket minskar risken för förhastade felberäkningar.

Hur triggar jag en tankekedja manuellt?

Det enklaste sättet är att lägga till instruktionen 'Tänk steg för steg' eller be modellen att först redovisa sina delberäkningar innan den ger slutsvaret.

Kan en tankekedja innehålla hallucinationer?

Ja, modellen kan resonera felaktigt eller hitta på fakta längs vägen, och ett logiskt uppbyggt resonemang kan fortfarande leda fram till ett felaktigt slutresultat.

← Alla termer i AI-ordlistan

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