Chain-of-thought prompting: κάνε το AI να σκέφτεται βήμα-βήμα
Η απλή τεχνική prompting που εκτόξευσε την ακρίβεια του AI από 18% σε 79% σε εργασίες λογικής — με έτοιμα παραδείγματα για την καθημερινή δουλειά.
Έκανες στο ChatGPT μια ερώτηση που χρειαζόταν λίγη σκέψη — ίσως μια σύγκριση δύο επιλογών, την ανάλυση μιας απόφασης ή ένα πρόβλημα με αρκετά βήματα. Το AI απάντησε στη στιγμή με σιγουριά. Μόνο που η απάντηση ήταν τελείως λάθος.
Συμβαίνει πιο συχνά απ' όσο νομίζεις. Οι AI βοηθοί έχουν εκπαιδευτεί να παράγουν απαντήσεις που ακούγονται σωστές, όχι να σκέφτονται πραγματικά πάνω στο πρόβλημα. Όταν τους κάνεις μια σύνθετη ερώτηση με τον συνηθισμένο τρόπο, παρακάμπτουν το κομμάτι του συλλογισμού και πάνε κατευθείαν στην απάντηση — με αποτέλεσμα να πέφτουν θεαματικά έξω, ενώ μιλούν με απόλυτη βεβαιότητα.
Η τεχνική λέγεται chain-of-thought prompting (αλυσίδα σκέψης) και δουλεύει επειδή αναγκάζει το AI να δείξει τον συλλογισμό του αντί να βγάλει βιαστικά συμπέρασμα. Δες πώς να τη χρησιμοποιήσεις σε πραγματικές εργασίες — όχι μόνο σε μαθηματικά.
Τι είναι το chain-of-thought prompting
Το chain-of-thought (CoT) prompting είναι ακριβώς αυτό που λέει η ονομασία του: ζητάς από το AI να εξηγήσει τη συλλογιστική του βήμα-βήμα πριν δώσει τελική απάντηση. Αντί για «Ποια είναι η απάντηση;», ρωτάς «Πες μου πώς το σκέφτεσαι και μετά δώσε μου την απάντηση».
Σκέψου το όπως όταν ζητάς από έναν συνάδελφο να σου εξηγήσει πώς κατέληξε σε μια πρόταση. Αν σου δώσει μια σύσταση χωρίς εξήγηση, δεν μπορείς να καταλάβεις αν την έχει δουλέψει στο μυαλό του ή αν απλώς μάντεψε. Αν όμως σου περιγράψει τη λογική του — «Σκέφτηκα το X, απέκλεισα το Y λόγω του Z, και έτσι κατέληξα εδώ» — μπορείς να εντοπίσεις τυχόν κενά.
Το ίδιο ισχύει και για το AI. Όταν το αναγκάζεις να διατυπώσει τα ενδιάμεσα βήματα, συμβαίνουν δύο πράγματα:
Το AI πιάνει τα ίδια του τα λάθη μέσα στη συλλογιστική
Εσύ βλέπεις πού ακριβώς πήγε στραβά η λογική, αν η απάντηση είναι λανθασμένη
Γιατί το AI παρακάμπτει βήματα (και πέφτει έξω)
Να κάτι που οι περισσότεροι δεν συνειδητοποιούν: τα μοντέλα AI δεν «σκέφτονται» στ' αλήθεια όπως ο άνθρωπος. Κάνουν αντιστοίχιση μοτίβων πάνω σε δισεκατομμύρια κείμενα για να προβλέψουν ποιες λέξεις πρέπει να ακολουθήσουν. Όταν τους κάνεις ευθεία ερώτηση, διαλέγουν την πιο πιθανή στατιστικά απάντηση.
Σε απλές ερωτήσεις, αυτό λειτουργεί μια χαρά. Το «Ποια είναι η πρωτεύουσα της Γαλλίας;» δεν θέλει σκέψη — το AI έχει δει αυτό το ζευγάρι ερώτηση-απάντηση εκατομμύρια φορές.
Σε οτιδήποτε όμως απαιτεί πραγματική λογική — σύγκριση επιλογών, ζύγισμα tradeoffs, λύση πολυβηματικών προβλημάτων — η αντιστοίχιση μοτίβων καταρρέει. Το AI διαλέγει μια απάντηση που ακούγεται σωστή, χωρίς να μπει στον κόπο να επαληθεύσει αν είναι σωστή.
Το chain-of-thought prompting διακόπτει αυτή τη συντόμευση. Ζητώντας από το AI να σκεφτεί φωναχτά, το αναγκάζεις να παράγει τα ενδιάμεσα βήματα — και αυτά τα βήματα περιορίζουν τις πιθανές τελικές απαντήσεις. Είναι πιο δύσκολο να καταλήξεις σε λάθος συμπέρασμα όταν πρέπει να δείξεις τον δρόμο που σε οδήγησε εκεί.
Σύγκριση μεταξύ AI που πετάει βιαστική απάντηση και AI που εξηγεί τη συλλογιστική του βήμα-βήμα πριν απαντήσει
Ο πιο απλός τρόπος για να χρησιμοποιήσεις το chain-of-thought
Η ευκολότερη εκδοχή θέλει μηδέν προετοιμασία. Πρόσθεσε απλώς στο τέλος του prompt μία από αυτές τις φράσεις:
«Ας σκεφτούμε βήμα-βήμα.»
«Πες μου τη συλλογιστική σου.»
«Εξήγησε πώς το σκέφτεσαι πριν δώσεις τελική απάντηση.»
«Ανέλυσέ το βήμα-βήμα.»
Οι ερευνητές διαπίστωσαν ότι το «Ας σκεφτούμε βήμα-βήμα» πέτυχε καλύτερα στα τεστ τους, αν και μεταγενέστερη έρευνα ανακάλυψε ακόμα πιο αποτελεσματική φράση: «Ας το δουλέψουμε βήμα-βήμα ώστε να βεβαιωθούμε ότι έχουμε τη σωστή απάντηση.»
Δες πώς φαίνεται αυτό στην πράξη. Έστω ότι σκέφτεσαι αν θα δεχτείς μια προσφορά εργασίας.
Χωρίς chain-of-thought:
Να δεχτώ μια προσφορά εργασίας με 20% παραπάνω μισθό, που όμως απαιτεί μετακόμιση σε πόλη με 40% υψηλότερο κόστος ζωής;
Το AI πιθανότατα θα σου δώσει ένα γρήγορο «ναι» ή «όχι» βασισμένο σε επιφανειακή αντιστοίχιση μοτίβων.
Με chain-of-thought:
Να δεχτώ μια προσφορά εργασίας με 20% παραπάνω μισθό, που όμως απαιτεί μετακόμιση σε πόλη με 40% υψηλότερο κόστος ζωής;
Ας το σκεφτούμε βήμα-βήμα, λαμβάνοντας υπόψη τις οικονομικές επιπτώσεις, την ποιότητα ζωής και τον αντίκτυπο στην καριέρα, πριν καταλήξουμε σε συμπέρασμα.
Τώρα το AI θα αναλύσει κάθε παράγοντα, θα κάνει τους υπολογισμούς για το αν το +20% μισθού καλύπτει το +40% κόστος, θα ζυγίσει τι κερδίζεις και τι χάνεις και θα σου δώσει αιτιολογημένη πρόταση.
Few-shot CoT: δείξε στο AI πώς να σκεφτεί
Η μέθοδος «Ας σκεφτούμε βήμα-βήμα» λέγεται zero-shot CoT επειδή δεν δίνεις κανένα παράδειγμα. Λειτουργεί καλά σε πολλές περιπτώσεις, αλλά για σύνθετες ή εξειδικευμένες εργασίες, μπορείς να πάρεις ακόμη καλύτερα αποτελέσματα δείχνοντας το μοτίβο συλλογισμού που θέλεις.
Αυτό λέγεται few-shot CoT — βάζεις μέσα ένα ή δύο λυμένα παραδείγματα που δείχνουν στο AI πώς ακριβώς θες να σκέφτεται σε παρόμοια προβλήματα.
Να ένα template για ανάλυση επιχειρηματικών αποφάσεων:
Θέλω βοήθεια για να αξιολογήσω επιλογές. Σκέψου την κάθε μία ως εξής:
Παράδειγμα:
Ερώτηση: Να αλλάξουμε από μηνιαία σε ετήσια χρέωση;
Βήμα 1 — Εντόπισε τους βασικούς παράγοντες: προβλεψιμότητα ταμειακών ροών, κίνδυνος αποχωρήσεων (churn), ψυχολογία τιμολόγησης.
Βήμα 2 — Ανάλυσε κάθε παράγοντα:
- Ταμειακές ροές: Η ετήσια χρέωση δίνει έσοδα μπροστά και βελτιώνει την προβλεψιμότητα
- Κίνδυνος αποχωρήσεων: Όσοι πληρώνουν ετήσια έχουν χαμηλότερο churn
- Τιμολόγηση: Μπορούμε να δώσουμε έκπτωση σε ετήσιο πλάνο χωρίς να χάσουμε χρήματα
Βήμα 3 — Ζύγισε τα tradeoffs: Το βασικό μειονέκτημα είναι η μεγαλύτερη αντίσταση στις νέες εγγραφές.
Βήμα 4 — Συμπέρασμα: Ναι, αλλά πρόσφερε και τις δύο επιλογές με 15% έκπτωση στην ετήσια.
Τώρα εφάρμοσε την ίδια λογική στη δική μου ερώτηση:
{{question}}
Το παράδειγμα δεν χρειάζεται να ταιριάζει ακριβώς στην ερώτησή σου — αρκεί να δείχνει τη δομή συλλογισμού που θες. Το AI θα προσαρμόσει το μοτίβο στη δική σου περίπτωση.
Πότε βοηθάει πραγματικά το chain-of-thought (και πότε όχι)
Το CoT prompting δεν είναι μαγική λύση για κάθε αλληλεπίδραση με AI. Έρευνα της Wharton έδειξε ότι, ενώ βελτιώνει την απόδοση σε δύσκολα προβλήματα, μπορεί να ρίξει την ακρίβεια σε εύκολα, εισάγοντας περιττή πολυπλοκότητα.
Χρησιμοποίησε chain-of-thought όταν:
Συγκρίνεις πολλές επιλογές ή ζυγίζεις tradeoffs
Η εργασία απαιτεί πολυβηματικό συλλογισμό ή υπολογισμούς
Πρέπει να εντοπίσεις την αιτία ενός προβλήματος
Η απάντηση χρειάζεται ανάλυση αιτίου-αιτιατού
Θες να καταλάβεις τη συλλογιστική του AI, όχι μόνο την απάντηση
Παράλειψέ το όταν:
Ζητάς απλά γεγονότα ή ορισμούς
Θες δημιουργικό αποτέλεσμα, π.χ. brainstorming ή κείμενο
Χρειάζεσαι περίληψη ή μετάφραση
Η ταχύτητα μετράει περισσότερο από την ακρίβεια
Η εργασία δεν έχει λογικό συλλογισμό
Άξιο σημείωσης: το CoT είναι λιγότερο αποτελεσματικό σε μικρότερα μοντέλα AI. Η αρχική έρευνα της Google διαπίστωσε ότι αξιοσημείωτη βελτίωση εμφανίζεται μόνο σε μοντέλα με 100+ δισ. παραμέτρους. Με τα σημερινά καταναλωτικά εργαλεία όπως ChatGPT-4, Claude και Gemini, είσαι μέσα στο σωστό εύρος. Αν όμως χρησιμοποιείς παλαιότερα ή μικρότερα μοντέλα, τα αποτελέσματα μπορεί να διαφέρουν.
5 έτοιμα CoT prompts για πραγματική δουλειά
Να μερικά prompts που μπορείς να χρησιμοποιήσεις από σήμερα. Καθένα έχει ενσωματωμένη τη δομή chain-of-thought.
1. Ανάλυση απόφασης
Βοήθησέ με να αποφασίσω: {{decision_to_make}}
Ανέλυσέ το βήμα-βήμα:
1. Καταλόγισε τους βασικούς παράγοντες που πρέπει να λάβω υπόψη
2. Ανάλυσε πώς αποδίδει κάθε επιλογή σε αυτούς τους παράγοντες
3. Εντόπισε τους βασικούς κινδύνους και τα tradeoffs
4. Δώσε μου τη σύσταση σου με αιτιολόγηση
Να είσαι συγκεκριμένος και να βασιστείς στη δική μου περίπτωση, όχι σε γενικές συμβουλές.
2. Σύγκριση πλεονεκτημάτων και μειονεκτημάτων
Σύγκρινε αυτές τις επιλογές: {{option_1}} vs {{option_2}}
Σκέψου το οργανωμένα:
1. Αρχικά, εντόπισε 5 κριτήρια που μετράνε περισσότερο για αυτού του τύπου την απόφαση
2. Αξιολόγησε κάθε επιλογή ως προς κάθε κριτήριο
3. Σημείωσε τυχόν dealbreakers ή απαραίτητα στοιχεία
4. Ζύγισε τα συνολικά tradeoffs
5. Δώσε μου ξεκάθαρη σύσταση
Μην απαριθμήσεις απλώς υπέρ και κατά — εξήγησε ποιοι παράγοντες μετράνε περισσότερο και γιατί.
3. Ανάλυση βαθύτερης αιτίας
Βοήθησέ με να καταλάβω γιατί συμβαίνει αυτό: {{problem_description}}
Ακολούθησε αυτή τη λογική:
1. Ξεκαθάρισε τι συμβαίνει στ' αλήθεια vs τι θα έπρεπε να συμβαίνει
2. Καταλόγισε όλες τις πιθανές αιτίες (ακόμα και τις απίθανες)
3. Για κάθε αιτία, σκέψου ποια στοιχεία θα την επιβεβαίωναν ή θα την απέκλειαν
4. Με βάση τα διαθέσιμα δεδομένα, εντόπισε την πιθανότερη βαθύτερη αιτία
5. Πρότεινε πώς να την επαληθεύσω και τι να κάνω γι' αυτή
4. Σχεδιασμός βήμα-βήμα
Θέλω να {{goal}}.
Ανέλυσέ το σε βήματα:
1. Πρώτα, εντόπισε τι πρέπει να γίνει πριν από οτιδήποτε άλλο (προαπαιτούμενα)
2. Μετά, χάρτι τις βασικές φάσεις ή τα ορόσημα
3. Για κάθε φάση, παράθεσε τις συγκεκριμένες ενέργειες
4. Επισήμανε τις εξαρτήσεις (τι πρέπει να γίνει πριν ξεκινήσει κάτι άλλο)
5. Σημείωσε πιθανά εμπόδια και πώς να τα αντιμετωπίσω
Να είσαι συγκεκριμένος — δώσε μου πρακτικά βήματα, όχι αόριστες συμβουλές.
5. Ανάλυση σύνθετης ερώτησης
{{complex_question}}
Πριν απαντήσεις, ας το δουλέψουμε προσεκτικά:
1. Ανέλυσε τι ρωτάει πραγματικά αυτή η ερώτηση
2. Εντόπισε τις υποθέσεις που εμπεριέχει
3. Σκέψου τους βασικούς παράγοντες που επηρεάζουν την απάντηση
4. Σκέψου κάθε παράγοντα
5. Μετά, δώσε μου την απάντησή σου με τη συλλογιστική που τη στηρίζει
Αν υπάρχει αβεβαιότητα, παραδέξου τη αντί να προσποιηθείς ότι είσαι σίγουρος.
Όλα τα prompts ακολουθούν το ίδιο μοτίβο: λες τι θες και μετά περιγράφεις ρητά τη συλλογιστική που θες να ακολουθήσει το AI. Η δομή το οδηγεί σε ολοκληρωμένη ανάλυση, αντί να το αφήνει να κάνει βιαστικά συμπεράσματα.
Κάρτα με template prompt και placeholders μεταβλητών που προσαρμόζονται σε διαφορετικές εργασίες
Αν αρχίσεις να ξαναχρησιμοποιείς αυτά τα prompts — βάζοντας κάθε φορά διαφορετικές αποφάσεις, προβλήματα ή ερωτήσεις — ένα εργαλείο όπως το PromptNest σου επιτρέπει να τα αποθηκεύεις με τα {{variables}} ήδη στη θέση τους. Όταν θες κάποιο, συμπληρώνεις τα κενά και αντιγράφεις το πλήρες prompt.
Όταν η συλλογιστική πάει στραβά: επίλυση προβλημάτων
Μερικές φορές χρησιμοποιείς chain-of-thought και το AI δείχνει τα βήματά του… αλλά καταλήγει πάλι σε λάθος συμπέρασμα. Δες πώς να το χειριστείς.
Η συλλογιστική φαίνεται καλή, αλλά το συμπέρασμα είναι λάθος. Το AI ίσως ξεκίνησε από εσφαλμένη υπόθεση. Ρώτα: «Ποιες υποθέσεις κάνεις εδώ; Παράθεσέ τες ρητά.» Συχνά το λάθος βρίσκεται σε μια άρρητη παραδοχή, όχι στη λογική.
Το AI παρέλειψε σημαντικούς παράγοντες. Απάντησε: «Δεν λάβατε υπόψη το {{factor}}. Πώς αλλάζει αυτό την ανάλυσή σας;» Το AI θα ενσωματώσει τη νέα πληροφορία και συχνά θα αναθεωρήσει το συμπέρασμά του.
Η συλλογιστική είναι κυκλική ή αόριστη. Ζήτα μεγαλύτερη ακρίβεια: «Στο βήμα 2 είπες ‘αυτό μπορεί να είναι ριψοκίνδυνο’. Σε ποιους συγκεκριμένους κινδύνους αναφέρεσαι και πώς θα τους ποσοτικοποιούσες;» Όταν απαιτείς συγκεκριμένα στοιχεία, αποκαλύπτεται η θολή σκέψη.
Υποψιάζεσαι ότι το AI είναι υπερβολικά σίγουρο. Δοκίμασε: «Παίξε τον ρόλο του devil's advocate. Ποιο είναι το ισχυρότερο επιχείρημα ενάντια σ' αυτό το συμπέρασμα;» Έτσι συχνά βγαίνουν στην επιφάνεια αδυναμίες που το AI είχε προσπεράσει.
Το νόημα του chain-of-thought prompting δεν είναι μόνο να παίρνεις καλύτερες απαντήσεις — είναι να βλέπεις τη συλλογιστική του AI ώστε να μπορείς να εντοπίζεις και να διορθώνεις τα λάθη. Αντιμετώπισε την πρώτη απάντηση ως αφετηρία, όχι ως τελική απάντηση.
Ξεκίνα να χρησιμοποιείς chain-of-thought από σήμερα
Δεν χρειάζεται να αποστηθίσεις τεχνικές ή να ακολουθήσεις πολύπλοκα frameworks. Θυμήσου την κεντρική ιδέα: όταν θες το AI να σκεφτεί στ' αλήθεια αντί να μαντέψει, ζήτα του να δείξει τη δουλειά του.
Ξεκίνα με μία εργασία που κάνεις τακτικά με AI — κάτι που έχει ανάλυση, σύγκριση ή επίλυση προβλήματος. Πρόσθεσε «Ας το σκεφτούμε βήμα-βήμα» και δες πώς αλλάζει η απάντηση. Μόλις δεις τη διαφορά, θα αρχίσεις να αναγνωρίζεις πότε αξίζει.
Αν θες να φτιάξεις μια βιβλιοθήκη με prompts συλλογισμού όπως αυτά παραπάνω, μπορείς να τα αποθηκεύσεις οπουδήποτε — σε μια εφαρμογή σημειώσεων, σε ένα έγγραφο, ό,τι ήδη χρησιμοποιείς. Αν προτιμάς όμως κάτι φτιαγμένο για τον σκοπό αυτό, το PromptNest είναι μια native εφαρμογή Mac ($19.99 εφάπαξ στο Mac App Store, χωρίς συνδρομή, χωρίς λογαριασμό, τρέχει τοπικά) που κρατάει τα prompts σου οργανωμένα με ενσωματωμένες μεταβλητές. Όπως κι αν επιλέξεις, το ζητούμενο είναι ένα: να έχεις τα καλύτερά σου prompts πρόχειρα όταν τα χρειάζεσαι — όχι θαμμένα σε παλιές συνομιλίες.
Η διαφορά ανάμεσα σε ένα AI που σε βοηθά να σκέφτεσαι και σε ένα AI που απλώς ακούγεται σίγουρο, συχνά είναι έξι λέξεις: «Ας το σκεφτούμε βήμα-βήμα.»
