Chain-of-thought prompting: ať AI uvažuje krok za krokem
Jednoduchá technika promptování, která zvedla přesnost AI z 18 % na 79 % u úloh vyžadujících uvažování — s prompty, co můžeš rovnou použít v práci.
Zeptal ses ChatGPT na něco, co chtělo trochu zamyšlení — třeba porovnat dvě varianty, rozebrat rozhodnutí nebo projít problém o víc krocích. AI ti okamžitě vyplivla sebejistou odpověď. Jediný háček: byla úplně mimo.
Stává se to častěji, než by sis řekl. AI asistenti jsou trénovaní tak, aby produkovali věrohodně znějící odpovědi, ne aby problémy doopravdy promýšleli. Když se zeptáš na něco složitějšího běžným způsobem, AI často část s přemýšlením přeskočí a rovnou skočí k závěru — někdy spektakulárně mimo, ale s naprostou jistotou v hlase.
Naštěstí je řešení jednoduché. V roce 2022 výzkumníci z Googlu zjistili, že stačí přidat k promptu jednu větu — „Pojďme na to krok za krokem" — a přesnost u matematických úloh vyskočila ze 17,7 % na 78,7 %. Ne, není to překlep. Jedna věta udělala AI čtyřikrát přesnější.
Tahle technika se jmenuje chain-of-thought prompting (česky bys řekl uvažování v řetězci myšlenek) a funguje proto, že AI přinutí ukázat postup místo toho, aby skákala rovnou k závěrům. Tady je návod, jak ji používat na reálné úkoly — ne jen na příklady z matiky.
Co je chain-of-thought prompting?
Chain-of-thought (zkráceně CoT) prompting je přesně to, co napovídá název: požádáš AI, ať ti rozepíše svoje uvažování krok za krokem, než ti dá finální odpověď. Místo „Jaká je odpověď?" se zeptáš „Proveď mě tím, jak uvažuješ, a pak mi dej odpověď."
Představ si to jako když po kolegovi chceš, ať ti ukáže postup. Když ti někdo dá doporučení bez vysvětlení, nepoznáš, jestli to opravdu promyslel, nebo si to jen vystřelil. Když ale projde s tebou svoje úvahy — „zvážil jsem X, vyloučil jsem Y kvůli Z, a tak mi vyšlo tohle" — najdeš v jeho logice slabá místa.
Stejný princip platí i u AI. Když ji donutíš vyjmenovat mezikroky, dějí se dvě věci:
AI sama u sebe odhalí chyby ještě v průběhu uvažování
Ty přesně vidíš, kde se to zadrhlo, pokud je odpověď špatně
Proč AI kroky přeskakuje (a plete se)
Jedna věc, kterou si většina lidí neuvědomuje: AI modely ve skutečnosti „nepřemýšlí" tak jako lidi. Hledají vzory v miliardách textových příkladů a předpovídají, jaká slova mají přijít dál. Když položíš přímou otázku, skočí na statisticky nejpravděpodobnější odpověď.
U jednoduchých dotazů to funguje. „Jaké je hlavní město Francie?" žádné uvažování nepotřebuje — tuhle otázku spárovanou s odpovědí AI viděla milionkrát.
Jenže jakmile jde o něco, co vyžaduje skutečnou logiku — porovnávání variant, vážení kompromisů, řešení problémů na víc kroků — vzorování přestává stíhat. AI vybere odpověď, která zní správně, ale nedělá si práci ověřit, že správně doopravdy je.
Chain-of-thought prompting tuhle zkratku přeruší. Tím, že po AI chceš, ať myslí nahlas, ji nutíš generovat mezikroky — a ty mezikroky pak omezují, jaká finální odpověď vůbec dává smysl. Je těžší dojít ke špatnému závěru, když musíš ukázat cestu, po které jsi tam dorazil.
Srovnání: AI skáče rovnou k odpovědi versus AI nejprve postupně uvažuje a pak odpovídá
Nejjednodušší způsob, jak chain-of-thought použít
Nejlehčí varianta nevyžaduje žádné nastavování. Stačí na konec promptu přidat jednu z těchhle frází:
„Pojďme na to krok za krokem."
„Proveď mě svým uvažováním."
„Než dáš finální odpověď, vysvětli mi, jak nad tím přemýšlíš."
„Rozeber to po krocích."
Výzkumníci zjistili, že nejlíp jim v testech fungovala fráze „Pojďme na to krok za krokem", i když navazující výzkum odhalil ještě silnější variantu: „Pojďme to projít krok za krokem, ať máme jistotu, že odpověď je správná."
Jak to vypadá v praxi? Řekněme, že se rozhoduješ, jestli vzít pracovní nabídku.
Bez chain-of-thought:
Mám přijmout pracovní nabídku, která mi zvedne plat o 20 %, ale znamená přestěhování do města, kde jsou náklady na život o 40 % vyšší?
AI ti nejspíš plácne rychlé „jo" nebo „ne" založené na povrchním vzorování.
S chain-of-thought:
Mám přijmout pracovní nabídku, která mi zvedne plat o 20 %, ale znamená přestěhování do města, kde jsou náklady na život o 40 % vyšší?
Projdi to krok za krokem — zvaž finanční dopady, kvalitu života a vliv na kariéru, a teprve pak dej závěr.
Teď AI rozebere každý faktor zvlášť, spočítá, jestli 20% navýšení platu pokryje 40% vyšší náklady, zváží, co tím získáš a co ztratíš, a dá ti zdůvodněné doporučení.
Few-shot CoT: ukaž AI, jak má přemýšlet
Přístup „Pojďme na to krok za krokem" se odborně označuje jako zero-shot CoT, protože AI nedáváš žádné příklady. Funguje skvěle v hodně situacích, ale u složitých nebo specializovaných úkolů dostaneš ještě lepší výsledky, když ji rovnou ukážeš, jakou strukturou uvažování chceš.
Tomu se říká few-shot CoT — přidáš jeden nebo dva vyřešené příklady, které AI ukážou, jak má podobné problémy procházet.
Tady máš šablonu pro analýzu obchodních rozhodnutí:
Potřebuji pomoct vyhodnotit varianty. Postupuj podle tohohle vzoru:
Příklad:
Otázka: Měli bychom přejít z měsíčního na roční předplatné?
Krok 1 — Identifikuj klíčové faktory: Předvídatelnost cash flow, riziko odchodu zákazníků, cenová psychologie.
Krok 2 — Rozeber každý faktor:
- Cash flow: Roční fakturace přináší peníze dopředu, takže lépe plánujeme
- Riziko odchodu: Zákazníci, kteří platí ročně, odcházejí výrazně méně
- Cena: Můžeme dát slevu za roční tarif, aniž bychom přišli o marži
Krok 3 — Zvaž kompromisy: Hlavní mínus je vyšší tření při registraci nových zákazníků.
Krok 4 — Závěr: Ano, ale nabídnout obě varianty s ročním tarifem se slevou 15 %.
A teď stejnou strukturou uvažování projdi moji otázku:
{{question}}
Příklad nemusí přesně sedět na tvoji otázku — stačí, když ukáže strukturu uvažování, kterou chceš. AI si vzor přizpůsobí na tvoji konkrétní situaci.
Kdy chain-of-thought opravdu pomůže (a kdy ne)
CoT prompting není kouzelná hůlka na každý dotaz. Výzkum z Whartonu zjistil, že u těžkých problémů přesnost zlepšuje, ale u jednoduchých může naopak uškodit, protože do nich vnáší zbytečnou složitost.
Použij chain-of-thought, když:
Porovnáváš více variant nebo vážíš kompromisy
Úkol vyžaduje uvažování o víc krocích nebo výpočty
Potřebuješ zjistit nebo diagnostikovat problém
Odpověď vyžaduje rozbor příčin a důsledků
Chceš pochopit, jak AI uvažuje, ne jen mít odpověď
Vynech chain-of-thought, když:
Ptáš se na prosté fakty nebo definice
Chceš kreativní výstup typu brainstorming nebo psaní
Potřebuješ shrnutí nebo překlad
Záleží víc na rychlosti než na přesnosti
Úkol nemá s logikou nic společného
Ještě jedna věc: CoT prompting funguje hůř s menšími AI modely. Původní výzkum Googlu ukázal, že smysluplné zlepšení se objeví až u modelů se 100+ miliardami parametrů. U dnešních spotřebitelských nástrojů jako ChatGPT-4, Claude nebo Gemini jsi v pohodě. Pokud ale jedeš na starších nebo menších modelech, výsledky se můžou lišit.
5 hotových CoT promptů pro praxi
Tady jsou prompty, které můžeš začít používat hned. Každý má strukturu chain-of-thought už zabudovanou.
1. Analýza rozhodnutí
Pomoz mi rozhodnout: {{decision_to_make}}
Projdi to krok za krokem:
1. Vypiš klíčové faktory, které bych měl zvážit
2. Rozeber, jak si každá varianta vede v jednotlivých faktorech
3. Pojmenuj hlavní rizika a kompromisy
4. Dej mi doporučení i se zdůvodněním
Buď konkrétní a vycházej z mojí situace, ne z obecných rad.
2. Srovnání pro a proti
Porovnej tyhle varianty: {{option_1}} vs {{option_2}}
Projdi to systematicky:
1. Nejdřív urči 5 kritérií, která u tohohle typu rozhodnutí nejvíc rozhodují
2. Vyhodnoť každou variantu podle každého kritéria
3. Označ případné dealbreakery nebo nutnosti
4. Zvaž celkové kompromisy
5. Dej mi jasné doporučení
Nevypisuj jen plusy a minusy — opravdu rozeber, které faktory váží víc a proč.
3. Analýza příčiny problému
Pomoz mi přijít na to, proč se tohle děje: {{problem_description}}
Postupuj podle tohohle uvažování:
1. Ujasni si, co se reálně děje versus co by se dít mělo
2. Vypiš všechny možné příčiny (i ty nepravděpodobné)
3. U každé příčiny zvaž, jaký důkaz by ji potvrdil nebo vyloučil
4. Na základě dostupných informací určí nejpravděpodobnější příčinu
5. Navrhni, jak to ověřit a co s tím dál
4. Plánování krok za krokem
Potřebuji {{goal}}.
Rozlož mi to do kroků:
1. Nejdřív urči, co se musí stát dřív než cokoliv jiného (předpoklady)
2. Pak namapuj hlavní fáze nebo milníky
3. U každé fáze vypiš konkrétní akce, které jsou potřeba
4. Označ závislosti (co musí proběhnout, než může začít něco dalšího)
5. Pojmenuj možné překážky a jak je řešit
Buď konkrétní — chci akční kroky, ne mlhavé rady.
5. Analýza složité otázky
{{complex_question}}
Než odpovíš, projdi to pořádně:
1. Rozeber, na co se otázka doopravdy ptá
2. Identifikuj předpoklady, které jsou v otázce skryté
3. Zvaž klíčové faktory, které ovlivňují odpověď
4. Projdi každý faktor v úvaze
5. Pak mi dej odpověď spolu s uvažováním, které ji podporuje
Pokud je v něčem skutečná nejistota, přiznej ji, místo abys hrál na jistotu.
Tyhle prompty jedou podle stejného vzorce: řekneš, co potřebuješ, a pak výslovně popíšeš proces uvažování, který od AI chceš. Struktura ji provede důkladnou analýzou místo toho, aby skočila rovnou k závěru.
Karta s šablonou promptu, ve které se proměnné přizpůsobují různým úkolům
Pokud zjistíš, že tyhle prompty používáš pořád dokola — jenom v nich měníš konkrétní rozhodnutí, problémy nebo otázky — nástroj jako PromptNest ti je nechá uložit i s {{proměnnými}} přichystanými na svém místě. Když nějaký potřebuješ, jen doplníš políčka a zkopíruješ hotový prompt.
Co dělat, když uvažování AI sjede ze správné cesty
Občas chain-of-thought prompting použiješ a AI ti hezky vypíše svoje kroky… ale stejně dojde ke špatnému závěru. Tady je, jak to ošetřit.
Uvažování vypadá v pořádku, ale závěr je špatný. AI mohla vyjít z chybného předpokladu. Zkus: „Z jakých předpokladů tu vycházíš? Vyjmenuj je výslovně." Často je chyba v nevyřčené premise, ne v samotné logice.
AI přeskočila důležité faktory. Reaguj: „Nezvážila jsi {{factor}}. Jak to změní tvoji analýzu?" AI nový vstup začlení a často svůj závěr přehodnotí.
Uvažování chodí v kruzích nebo je mlhavé. Vyžádej si konkrétnost: „V kroku 2 jsi napsala ‚to může být riskantní'. O jaká konkrétní rizika jde a jak bys je vyčíslila?" Tlak na detaily vytáhne na světlo, kde se to drhne.
Máš podezření, že je AI příliš sebejistá. Zkus: „Hraj ďáblova advokáta. Jaký je nejsilnější argument proti tomuhle závěru?" Často to odhalí slabiny, které AI poprvé přehlédla.
Smysl chain-of-thought promptingu není jen lepší odpověď — je to o tom udělat uvažování AI viditelné, ať můžeš chyby chytit a opravit. Ber první odpověď jako start, ne jako finální verdikt.
Začni používat chain-of-thought ještě dnes
Nemusíš se učit techniky nazpaměť ani dodržovat složité frameworky. Stačí si zapamatovat hlavní myšlenku: když chceš, aby AI doopravdy přemýšlela místo aby tipovala, řekni jí, ať ukáže postup.
Začni u jednoho úkolu, kde AI pravidelně používáš — něco, co zahrnuje analýzu, srovnání nebo hledání chyb. Přidej „Pojďme na to krok za krokem" a sleduj, jak se odpověď změní. Jakmile ten rozdíl jednou uvidíš, sám poznáš, kdy to nasadit.
Pokud si chceš postavit knihovnu vlastních promptů na uvažování jako těch výše, ulož si je klidně kamkoli — do poznámkového appu, do dokumentu, do toho, co používáš. Nebo když chceš něco šitého na míru, PromptNest je nativní Mac app ($19.99 jednorázově na Mac App Store, žádné předplatné, žádný účet, běží lokálně), který drží tvoje prompty pohromadě i s proměnnými. Tak nebo onak — důležité je mít svoje nejlepší prompty po ruce, když je potřebuješ, a ne pohřbené v historii starých chatů.
Rozdíl mezi AI, která ti pomáhá přemýšlet, a AI, která jen sebejistě melí, často spočívá v jedné větě: „Pojďme na to krok za krokem."
