Chain-of-Thought - myślenie krok po kroku

Czym jest Chain-of-Thought

Chain-of-Thought (CoT) to technika promptowania, która zachęca Claude do rozłożenia problemu na kroki, zanim poda odpowiedź. Zamiast „strzelać” odpowiedzią, Claude najpierw myśli - i dzięki temu odpowiada dokładniej.

Zastrzeżenie na 2026: stara zasada z interaktywnego tutorialu Anthropic (pisanego dla modeli Claude 3) brzmiała „bez wypisania procesu myślenia żadne myślenie się nie odbywa”. To nadal prawda, gdy myślenie modelu jest wyłączone - i tylko wtedy.

Aktualne modele działają inaczej. Opus 5.5 i Fable 5.1 myślą wewnętrznie zawsze i nie da się tego wyłączyć. Sonnet 5.5 oraz legacy Opus 5 i Sonnet 5 myślą domyślnie, zanim zobaczysz pierwszą literę odpowiedzi (szczegóły w następnej lekcji). CoT w prompcie nie „włącza” więc trybu myślenia, bo ten już działa. Krótka prośba („przemyśl to dokładnie przed odpowiedzią”) może jednak skłonić model do głębszego myślenia w danej turze. Dziś CoT służy głównie do narzucenia struktury analizy. Chcesz zobaczyć, jak model doszedł do wyniku? Otwórz podsumowanie myślenia nad odpowiedzią albo poproś o krótkie uzasadnienie.

Uwaga na odmowy (stan na 1 października 2026): prompt, który każe wypisać rozumowanie w odpowiedzi, może zostać odrzucony. Dotyczy to Opusa 5.5, Sonneta 5.5, Fable 5.1 oraz legacy Opusa 5 i Fable 5. Chodzi o sekcję <thinking>, pole „reasoning” albo polecenie „pokaż cały tok rozumowania”. Anthropic nazywa tę kategorię odmów reasoning_extraction (wydobywanie rozumowania). W API taka odmowa przed pierwszym tokenem jest płatna od 24 września 2026. Dokumentacja opisuje to zjawisko dla API, a dla czatu Anthropic tego nie precyzuje. Bezpieczniej w obu miejscach korzystać z wbudowanego myślenia, jego podsumowania i prośby o krótkie uzasadnienie odpowiedzi.

3 podejścia do CoT

1. Basic - „Pomyśl krok po kroku”

Najprostsze podejście. Dodajesz jedno zdanie:

Rozwiąż ten problem krok po kroku.

Firma miała 120 klientów w Q1. W Q2 pozyskała 45 nowych,
ale straciła 18. W Q3 pozyskała 30% więcej niż w Q2.
Ilu klientów ma na koniec Q3?

Na modelach z wbudowanym myśleniem (Opus 5.5, Sonnet 5.5, Fable 5.1) wystarczy prośba, która nie każe wypisywać toku. Na przykład: „Przemyśl to dokładnie, zanim odpowiesz”. Według dokumentacji Anthropic taka prośba zachęca model do myślenia w danej turze. Rozumowanie zostaje w bloku myślenia, a w odpowiedzi dostajesz wynik.

2. Guided - Podajesz konkretne kroki

Mówisz Claude, JAKIE kroki ma wykonać:

Przejdź przez te kroki:
1. Zidentyfikuj kluczowe zmienne
2. Określ relacje między nimi
3. Oblicz wynik dla Q2
4. Oblicz wynik dla Q3
5. Zweryfikuj odpowiedź

Guided CoT jest lepszy dla specyficznych, powtarzalnych zadań.

Przypis: strona Anthropic „Prompting best practices” radzi wybierać ogólne instrukcje zamiast rozpisanych kroków. Polecenie w rodzaju „przemyśl to dokładnie” często daje lepszy wynik niż ręczny plan krok po kroku. Według Anthropic rozumowanie Claude nierzadko wykracza poza to, co zaplanowałby człowiek. Rada dotyczy wszystkich obecnych modeli. Ta sama strona zaleca numerowane kroki tam, gdzie liczy się kolejność albo kompletność etapów. Guided CoT zostaw więc do powtarzalnych pipeline'ów (stałych, wieloetapowych procesów), gdzie przewidywalność wygrywa z finezją.

3. Structured - XML tags

Oddzielasz końcowy wynik od reszty odpowiedzi:

Przeanalizuj poniższy problem. Końcową odpowiedź podaj w <answer>.
Pod nią w 2-3 zdaniach wyjaśnij, na czym ją opierasz.

<problem>
[Tu wklejasz problem]
</problem>

Najlepsze, gdy potrzebujesz czystego wyniku do dalszej obróbki, np. w automatyzacji: odpowiedź wyciągniesz z tagu <answer>. Tok rozumowania zostaje we wbudowanym myśleniu modelu.

Klasyczna wersja tej techniki kazała pokazać tok rozumowania w sekcji <thinking> przed odpowiedzią. Dziś zostaw ją modelom z wyłączonym myśleniem, np. Haiku 4.5 albo Opusowi 4.8 w API bez parametru thinking. Na Opusie 5.5, Sonnecie 5.5, Fable 5.1, Opusie 5 i Fable 5 taka sekcja to według dokumentacji Anthropic typowy powód odmowy reasoning_extraction.

Zero-shot vs Few-shot CoT

Zero-shot CoT - dodajesz „Pomyśl krok po kroku” BEZ żadnych przykładów. Działa zaskakująco dobrze dla wielu zadań.

Few-shot CoT - podajesz PRZYKŁADY rozwiązanych zadań, a potem prosisz o to samo. Dokumentacja Anthropic zaleca format: problem, metoda, oczekiwana odpowiedź:

<examples>
<example>
Pytanie: Ile to 15% z 240?
Metoda: zamień procent na ułamek dziesiętny (0,15) i pomnóż przez 240.
Odpowiedź: 36
</example>
</examples>

Pytanie: Ile to 23% z 580?

Claude przeniesie metodę z przykładu do swojego wbudowanego myślenia i poda odpowiedź w tym samym formacie. Nie wpisuj do przykładów sekcji <thinking>. Taka sekcja uczy model wypisywania rozumowania w odpowiedzi, a na Opusie 5.5, Sonnecie 5.5, Fable 5.1 oraz legacy Opusie 5 i Fable 5 grozi to odmową.

Kiedy CoT pomaga

Pomaga	Przeszkadza / zbędny
Złożone problemy matematyczne	Proste pytania faktograficzne
Analiza wieloczynnikowa	Proste formatowanie tekstu
Pisanie długich dokumentów	Krótkie odpowiedzi (tak/nie)
Debugging kodu	Proste tłumaczenia
Decyzje z wieloma zmiennymi	Zwykła konwersacja
Wnioskowanie przyczynowo-skutkowe	Zadania, gdzie liczy się szybkość

Częsty błąd: Używanie CoT do każdego pytania. CoT dodaje tokeny do odpowiedzi = wyższy koszt + wolniejsza odpowiedź. Stosuj go tam, gdzie faktycznie poprawia jakość.

CoT vs wbudowane rozumowanie (adaptive thinking)

To dwie różne rzeczy, które się uzupełniają:

Aspekt	Chain-of-Thought	Adaptive thinking
Co to jest	Technika promptowania	Wbudowana zdolność modelu
Kto kontroluje	Ty (przez prompt)	Claude sam; Ty regulujesz głębokość poziomem effort
Gdzie myślenie	W treści odpowiedzi (ma sens na modelach z wyłączonym myśleniem)	Wewnętrznie (blok „thinking”); w aplikacji widzisz jego podsumowanie nad odpowiedzią
Koszt	Tokeny myślenia = część odpowiedzi	Tokeny myślenia rozliczane jak output, skalowane do trudności zadania
Kiedy lepsze	Gdy chcesz narzucić strukturę analizy albo model nie myśli sam (np. Haiku 4.5)	Przy każdym trudnym zadaniu na aktualnych modelach

CoT = podpowiadasz Claude, jak rozłożyć problem na kroki. Adaptive thinking = Claude sam myśli głęboko, zanim odpowie.

Mogą się uzupełniać. Do wbudowanego rozumowania dodaj prośbę o samokontrolę: „Zanim skończysz, sprawdź odpowiedź pod kątem [kryteria]”. Według dokumentacji Anthropic to skutecznie wyłapuje błędy, zwłaszcza w kodzie i matematyce. Wyjątek: legacy Opus 5 sam dobrze weryfikuje swoją pracę, a dodatkowe polecenie weryfikacji może powodować nadmierne sprawdzanie (więcej tokenów i czasu). Dla Opusa 5.5 Anthropic takiej uwagi nie podaje. Radę przypisaną jednemu modelowi dokumentacja każe przetestować, zanim przeniesiesz ją na inny.

Ćwiczenie praktyczne: Porównaj odpowiedzi Claude na złożone pytanie w trzech wariantach:

Bez CoT: „Firma XYZ rozważa wejście na rynek niemiecki. Czy to dobry pomysł?”

Z CoT: „Firma XYZ rozważa wejście na rynek niemiecki. Przeanalizuj to krok po kroku: (1) zidentyfikuj kluczowe szanse, (2) wymień ryzyka, (3) oceń zasoby potrzebne do ekspansji, (4) porównaj z alternatywnymi rynkami, (5) podaj rekomendację z uzasadnieniem”.

Z prośbą o przemyślenie: „Firma XYZ rozważa wejście na rynek niemiecki. Przemyśl to dokładnie, zanim odpowiesz. Podaj rekomendację i uzasadnij ją w 2-3 zdaniach”.

Porównaj głębokość i jakość trzech odpowiedzi. Zajrzyj też do podsumowania myślenia nad każdą z nich.

Więcej o zastosowaniach Chain-of-Thought w marketingu przeczytasz w artykule Chain-of-Thought prompting dla marketerów.

Co dalej

W następnej lekcji poznasz adaptive thinking - wbudowane rozumowanie modeli Claude - oraz poziomy effort, którymi regulujesz jego głębokość.