Dari Penalaran Linier ke Penalaran Terstruktur: Evolusi Chain-of-Thought

Dari Penalaran Linier ke Penalaran Terstruktur

Apa itu Evolusi Penalaran?

Evolusi Chain-of-Thought (CoT)merepresentasikan perubahan mendasar dalam cara Model Bahasa Besar memproses tugas-tugas kompleks. Ini menandai transisi dari model yang memberikan "aliran kesadaran" tunggal dan terus-menerus menjadi navigasi arsitektur logika kompleks dengan banyak jalur.

Mengapa Harus Melampaui CoT Linier?

Dasar Linier (CoT Standar):Dalam CoT standar, model menghasilkan langkah-langkah antara secara berurutan. Meskipun sangat efektif untuk masalah kata sederhana, ia memiliki kelemahan kritis: tidak memiliki kemampuan untuk mundur atau mengeksplorasi solusi alternatif jika membuat kesalahan awal.

Perubahan Penalaran Modern (Paradigma "o1"):Model seperti OpenAI o1 dan DeepSeek-R1 memperpanjang panjang penalaran secara signifikan. Mereka melakukan "penyelarasan digit" dan verifikasi internal sebelum menyelesaikan hasil, membuktikan bahwa masalah kompleks membutuhkan perencanaan yang cermat daripada tebakan intuitif.

Bagaimana Penalaran Terstruktur Bekerja

Program of Thought (PoT):Memisahkan penalaran dari perhitungan. Alih-alih mencoba menyelesaikan matematika langsung dalam bentuk teks, model menghasilkan kode (misalnya Python) untuk menyelesaikan tugas logika/matematika. Sebagai contoh, untuk mencari akar-akar dari $x^2 + 2x + 1 = 0$, model menulis skrip alih-alih menebak aljabar.
Tree-of-Thoughts (ToT):Memungkinkan model bercabang ke dalam beberapa kandidat "pemikiran". Ia mengevaluasi cabang-cabang tersebut dan membuang jalur yang tidak berhasil, bertindak mirip algoritma pencarian klasik (misalnya A* atau Monte Carlo Tree Search).
Graph-of-Thoughts (GoT):Mewakili penalaran sebagai jaringan. Informasi dapat dikumpulkan dari beberapa node independen, memungkinkan ketergantungan non-linier di mana jalur pemikiran terpisah bergabung menjadi satu kesimpulan.

Wawasan Kunci

Mendekomposisi masalah kompleks menjadi "node pemikiran" modular memungkinkan model melampaui prediksi token berikutnya yang sederhana menuju perencanaan dan verifikasi yang disengaja.

TERMINALbash — 80x24

> Ready. Click "Run" to execute.

Question 1

Which reasoning structure is best suited for tasks requiring "look-ahead" planning and the ability to abandon dead-end ideas?

Linear Chain-of-Thought (CoT)

Tree-of-Thoughts (ToT)

Program of Thought (PoT)

Zero-Shot Prompting

Question 2

In the Program of Thought (PoT) framework, what performs the actual mathematical computation?

The LLM's internal weights

The Self-Attention mechanism

An external code interpreter or program execution

A dedicated math-only neural network

Challenge: Design a GoT Workflow

Apply Graph-of-Thoughts to a research summary task.

You are designing a Graph-of-Thought (GoT) workflow for an AI agent tasked with writing a comprehensive research summary.

Task 1

Create three independent thought nodes to analyze different aspects of the research paper.

Solution:
You would instantiate three parallel processes or prompts:
node_1 = analyze("Methodology")
node_2 = analyze("Results")
node_3 = analyze("Limitations")

Task 2

Create a final node that demonstrates the "Graph" nature by aggregating data from all three previous nodes.

Solution:
The final node takes the outputs of the previous independent nodes as its input, forming a graph structure rather than a simple tree or line.
synthesis_node = aggregate([node_1, node_2, node_3])
final_summary = generate_summary(synthesis_node)