--- title: "Graph of Thoughts (CS)" source: "https://systems-analysis.info/int/Graph_of_Thoughts_(CS)" wiki: "systems-analysis.info/int" article: "Graph_of_Thoughts_(CS)" language: "cs" categories: - "Category:Czech" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 2750 wiki_created_at: 2026-09-06T23:10:28Z wiki_modified_at: 2026-09-06T23:10:28Z downloaded_at: 2026-09-07T22:53:06Z --- # Graph of Thoughts (CS) **Graph-of-Thoughts (GoT)** — je koncepce v oblasti práce s **velkými jazykovými modely** (**LLM**, Large Language Models), která předpokládá reprezentaci procesu uvažování modelu ve formě **libovolného grafu** vzájemně propojených **„myšlenek"** (mezikroků řešení)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Tento přístup byl navržen skupinou výzkumníků pod vedením **Maceje Besty** (Maciej Besta) z ETH Zurich a publikován v roce 2024 na konferenci AAAI[\[2\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-2). Cílem Graph-of-Thoughts je rozšířit možnosti **prompt engineeringu** (tvorby dotazů) za hranice stávajících schémat, jako jsou Chain-of-Thought (řetězec myšlenek) a Tree-of-Thoughts (strom myšlenek)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Na rozdíl od nich umožňuje přístup GoT libovolnému fragmentu úvah vygenerovanému modelem (myšlence) odkazovat na jakýkoli jiný, čímž vzniká síť nápadů, nikoli striktně lineární nebo stromová struktura[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-deepgram-multimodal-3). To, jak tvrdí autoři, přesněji odráží složitý, nelineární charakter lidského myšlení a potenciálně přibližuje mechanismus uvažování LLM fungování lidského mozku (s jeho rekurentními nervovými spojeními)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Graph-of-Thoughts je **metodou tvorby dotazů** (prompting framework), tedy nevyžaduje žádné dodatečné trénování ani dolaďování samotného modelu — místo toho organizuje dialog s LLM zvláštním způsobem a vede model prostřednictvím série kroků-„myšlenek" propojených podle schématu grafu[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Taková struktura umožňuje kombinovat a opakovaně využívat různé větve úvah: model může například paralelně uvažovat o několika hypotézách nebo částech úlohy a poté z nich nejzdařilejší sloučit do jediného řešení[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). V encyklopedickém stylu lze Graph-of-Thoughts definovat jako **zobecnění předchozích strategií strukturovaného uvažování s LLM**, poskytující maximální flexibilitu při organizaci myšlenkových procesů v rámci jednoho komplexního dotazu[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). ## Předpoklady: Chain-of-Thought a Tree-of-Thoughts Metoda Graph-of-Thoughts vyrostla ze starších přístupů využívajících explicitní strukturu uvažování při práci s jazykovými modely. Základním přístupem je **Chain-of-Thought (CoT)** – „řetězec myšlenek". V metodě CoT je uživateli navrhováno, aby do dotazu modelu zahrnoval nejen zadání úlohy, ale také mezikroky uvažování vedoucí k odpovědi[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Výzkumy ukázaly, že takové podání materiálu výrazně zlepšuje schopnost LLM řešit složité úlohy, například matematické nebo logické hádanky, přičemž parametry samotného modelu se nemění[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). CoT fakticky pobízí model, aby krok za krokem rozložil složitý problém na jednodušší etapy a napodoboval tak postupný tok myšlenek. Rozvíjením této myšlenky se stala technika **Self-Consistency**: místo jednoho řetězce myšlenek je generováno několik nezávislých řetězců, přičemž je poté vybrán nejpřesvědčivější z nich[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). To umožňuje modelu zvážit různé přístupy k řešení a snižuje riziko chybné odpovědi způsobené sledováním jediné nesprávné linie úvah. Ani množství řetězců CoT však nedává možnost „slučovat nápady": každý řetězec je posuzován izolovaně a model pouze vybírá ten nejlepší, aniž by kombinoval jejich obsah. Pro překonání tohoto omezení bylo navrženo schéma **Tree-of-Thoughts (ToT)** – „strom myšlenek"[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). V ToT je proces uvažování organizován jako strom: v každém bodě může model generovat několik variant rozvoje myšlenky (větvení), poté jsou tato mezilehlá stádia hodnocena a jsou vybrána ta nejslibnější pro další prohlubování[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Díky prohledávání stromu (například do šířky — BFS, nebo do hloubky — DFS) a možnosti vracet se k uzlům a rozvíjet jinou větev poskytuje Tree-of-Thoughts jazykovému modelu výkonnější mechanismus pro řešení složitých úloh než lineární CoT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Objevují se nové možnosti, jako je **návrat a přehodnocení**: pokud jedna větev vede do slepé uličky, lze se vrátit k předchozímu uzlu a vyzkoušet jinou cestu[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Tato metoda prokázala svou účinnost při řešení logických a prohledávacích úloh, kde hraje velkou roli procházení variant a plánování. Strom myšlenek však ukládá i přísná omezení: každá myšlenka (uzel stromu) patří pouze jedné větvi, interakce probíhá pouze mezi rodičovskými a dceřinými uzly a různé větve se nemohou slučovat ani si vyměňovat informace[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-deepgram-multimodal-3). Jinými slovy, **křížové sdílení nápadů** (cross-pollination) mezi různými hypotézami v rámci jednoho řešení je obtížné: větve stromu se vyvíjejí nezávisle a spojují se teprve v kořenu, kdy je vybrán nejlepší řetězec úvah[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-deepgram-multimodal-3). V reálném tvůrčím nebo analytickém myšlení se člověk však často vrací k dříve uvažované myšlence a kombinuje ji s jinou větví úvah. Takové propletení myšlenek přesahuje rámec stromové struktury[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Tato pozorování přivedla výzkumníky k myšlence flexibilnější struktury — grafu, kde vazby mezi myšlenkami nejsou omezeny a mohou tvořit složitou síť. Jak je uvedeno v analytickém přehledu z roku 2024, vznik řetězců, stromů a grafů myšlenek odráží zrod nové třídy metod, schopných výrazně posílit možnosti LLM prostřednictvím explicitního strukturování procesu uvažování[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-survey-4). Strukturované podněty (prompty) zejména umožnily citelně zlepšit výsledky LLM v mnoha oblastech — od řešení matematických úloh a logických hádanek až po plánování a dokonce tvůrčí psaní[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-survey-4). Na tomto obecném pozadí vzniklo schéma Graph-of-Thoughts jako další krok ve vývoji metod strukturovaného promptingu. ## Koncepce Graph-of-Thoughts: grafová struktura myšlenek Graph-of-Thoughts navrhuje reprezentovat průběh plnění úloh jazykovým modelem ve formě libovolného **orientovaného grafu**. Formálně je graf myšlenek v GoT množina vrcholů (myšlenek) a hran (závislostí mezi myšlenkami)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Vrcholem grafu je jednotlivá **myšlenka modelu** — pod tímto pojmem se rozumí jakákoli obsahová jednotka závislá na kontextu úlohy: může jít o jednotlivé tvrzení, krok řešení, fragment textu, odstavec, blok kódu apod., který model formuluje v odpovědi na dotaz[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Hrana mezi vrcholy znamená, že jedna myšlenka byla použita při generování jiné — tj. v podnětu je explicitně uvedeno, že model se má opřít o určitý předchozí výsledek, aby získal nový[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Hrany tak zaznamenávají **závislosti**: na jakých dříve získaných datech závisí aktuální krok uvažování. Nejdůležitějším rozdílem GoT oproti jednodušším strukturám je možnost **agregace a slučování myšlenek**. V grafu je přípustné, aby vrchol (nová myšlenka) měl více předchůdců[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). To odpovídá situaci, kdy se dva nebo více samostatných řetězců uvažování spojí: model obdrží na vstupu hned několik dříve vygenerovaných fragmentů a na jejich základě formuluje syntetizovaný závěr[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Při řešení úlohy může model například paralelně uvažovat o dvou hypotézách a poté vytvořit novou myšlenku, která spojuje pozitivní stránky obou hypotéz a odstraňuje jejich nedostatky[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Takové operace agregace nebyly v rámci stromového schématu možné (kde má každý uzel pouze jednoho rodiče), ale v grafovém schématu se realizují přirozeně[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Kromě slučování nápadů umožňuje graf zavádět i **zpětné vazby** (feedback loops): struktura GoT v zásadě cykly nezakazuje, tj. model může vrátit určitý výsledek do dřívější fáze uvažování k opětovnému zpracování nebo upřesnění[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Autoři to spojují s analogií rekurentních spojení v neuronových sítích mozku, kde výstup jedné skupiny neuronů může zpětně působit na předchozí vrstvy a vytvářet uzavřené okruhy uvažování[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Praktická realizace Graph-of-Thoughts vyžaduje zvláštní organizaci dialogu s modelem. Výzkumníci vyvinuli **modulární architektonický rámec** pro GoT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Ten zahrnuje komponenty pro: (1) jemnou kontrolu nad jednotlivými kroky (myšlenkami) — „kontrolér" řídí pořadí a logiku generování myšlenek; (2) dynamické formování podnětů — pro každý krok speciální modul vytváří prompt na základě aktuálního kontextu a vybraných vrcholů grafu (předchůdců); (3) parsování a hodnocení odpovědí modelu — fragmenty přijaté od LLM jsou analyzovány a hodnoceny z hlediska kvality, užitečnosti nebo souladu s kritérii úlohy[\[5\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-medium-jomsborg-5). Architektura GoT tak umožňuje interaktivně budovat graf úvah: po každém kroku je rozhodnuto, které nové vrcholy přidat, jak je propojit s předchozími, které větve pokračovat nebo spojit. Díky modularitě lze takový framework rozšiřovat o nové typy „transformací myšlenek" (například speciální operace s grafem) a přizpůsobovat jej různým modelům (autoři úspěšně testovali GoT s LLM z rodin GPT-3.5, GPT-4, LLAMA 2 a dalšími)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Důležitou vlastností je, že **GoT nevyžaduje změnu parametrů samotného jazykového modelu** — veškerá zlepšení jsou dosažena důmyslnější konstrukcí dotazů a zpracováním odpovědí[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). To znamená, že stávající výkonné LLM lze použít „tak jak jsou" a Graph-of-Thoughts plní roli nadstavby řídící jejich fungování. Je třeba poznamenat, že termín Graph-of-Thought se objevil také v jiném, nezávislém vývojovém projektu odlišném od přístupu Besty a jeho kolegů. V roce 2023 navrhli **Yao Yao** a spoluautoři metodu zlepšení reasoning u LLM prostřednictvím dodatečného modulu-enkodéru grafu myšlenek, která vyžadovala doladění modelu[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-beyond-cot-6). Jejich práce s názvem „Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models" popisuje dvoustupňovou architekturu: nejprve je vygenerován graf vzájemně provázaných mezilehlých tvrzení, poté je transformován speciálním enkodérem a integrován do modelu prostřednictvím mechanismu gated fusion[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-beyond-cot-6). Tento hybridní přístup s trénováním prokázal určité zvýšení přesnosti na úlohách — například na multimodální sadě otázek ScienceQA vzrostla přesnost z 85,2 % na 87,6 % při použití modelu T5-base[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-beyond-cot-6). Tento přístup, ačkoli je svým názvem podobný, se však zásadně liší: vyžaduje změnu modelu (fine-tuning) a není schématem prompt engineeringu. Autoři původního přístupu GoT (AAAI 2024) přímo uvádějí, že ve své práci nepracují s modelem Yao et al., protože se zaměřují právě na metody bez aktualizace parametrů LLM[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Graph-of-Thoughts je tedy v kontextu tohoto přehledu **framework na úrovni podnětů**, nikoli modifikace architektury neuronové sítě. ## Aplikace a výsledky Autoři GoT demonstrovali jeho přednosti na řadě úloh, které je obtížné řešit pomocí jediného přímého podnětu (input-output prompting) nebo dokonce pomocí řetězce myšlenek. Charakteristickým rysem takových úloh je, že je lze rozložit na několik částí (dílčích úloh), tyto části řešit odděleně a poté syntetizovat úplnou odpověď z dílčích výsledků[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Mezi uvažovanými příklady jsou: **třídění** neuspořádaného seznamu, **počítání klíčových slov** v textu (například pro sumarizaci dokumentu), provádění **operací nad množinami** (sjednocení, průnik seznamů apod.), jakož i **slučování textových dokumentů** (spojování informací z více zdrojů)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Ve všech těchto případech umožňuje Graph-of-Thoughts přirozeně **dekompozici úlohy**. Například pro třídění je seznam rozdělen na části, každá část je tříděna samostatně jako nezávislá větev myšlenek a výsledky jsou poté sloučeny (napodobujíce algoritmus jako merge sort); nebo při analýze textů může model paralelně extrahovat informace z různých dokumentů a poté je sjednocovat. **Experimentální výsledky** potvrzují účinnost schématu GoT. Podle zprávy Besty a kolegů umožnil graf myšlenek při úloze třídění výrazně zvýšit kvalitu řešení ve srovnání s předchozími přístupy[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Přesnost třídění při použití GoT byla **o 70 % vyšší** než při prostém řetězci myšlenek CoT a **o 62 % vyšší** než při stromu myšlenek ToT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Metoda zároveň **snižuje náklady na výpočetní zdroje**: počet dotazů modelu (a tedy tokenizovaný objem dotazů) se snížil **o 31 % ve srovnání s Tree-of-Thoughts** pro tutéž úlohu[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). To znamená, že grafová organizace úvah nejenže zlepšila výsledný výsledek, ale učinila řešení také úspornějším — díky promyšlenému kombinování mezilehlých závěrů se vyhnula zbytečným výpočtům. Podobné zisky byly získány i u dalších testovacích úloh, zejména tam, kde je třeba agregovat různorodé informace. Výzkumníci uvádějí, že GoT je nejúčinnější právě pro **kompozitní úlohy** skládající se z více prvků: „Graph-of-Thoughts se zvláště hodí pro úlohy, které se přirozeně rozkládají na menší dílčí úlohy řešitelné samostatně s následným sloučením výsledků"[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). V takových případech je graf myšlenek schopen pokrýt všechny aspekty problému a syntetizovat komplexnější řešení než při sledování jediné linie úvah. Pro hlubší pochopení toho, proč je jeden způsob sestavení podnětu lepší než jiný, byla v práci z roku 2024 navržena speciální metrika — **„objem myšlenky"** (volume of a thought)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Objem je definován pro každou jednotlivou myšlenku (vrchol grafu) jako počet jiných myšlenek, z nichž lze po orientovaných hranách dosáhnout dané myšlenky (jednoduše řečeno, kolika mezilehlým krokům vděčí za svou informaci)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). V Chain-of-Thought se každá myšlenka opírá pouze o jednoho předchůdce, takže její objem je roven 1 (lineární řetězec). Ve stromu myšlenek může být objem větší, stále je však omezen strukturou jednotlivé větve. V grafu však může díky agregaci jednotlivý vrchol akumulovat příspěvky mnoha jiných — jeho „objem" je podstatně vyšší[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Je ukázáno, že GoT umožňuje konečným závěrům opírat se o výrazně větší objem předchozích myšlenek a slučovat jejich obsah. Tento fakt odráží hlubší pokrytí prostoru řešení a slouží jako kvantitativní vysvětlení výhod grafového uvažování oproti jednodušším schématům. ## Srovnání a význam Graph-of-Thoughts v současnosti představuje nejobecnější **formu strukturovaného promptingu** pro LLM. V tabulkách porovnávajících různá schémata (CoT, CoT se self-consistency, ToT a GoT) je zdůrazňováno, že pouze GoT podporuje libovolnou topologii myšlenkového procesu[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Zahrnuje možnosti všech předchozích přístupů: může fungovat jako jeden řetězec, jako strom s větvením i jako kombinace více řetězců, pokud to odpovídá řešení úlohy[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Hlavní předností je **absence přísných omezení** vazeb mezi kroky, což teoreticky maximálně rozšiřuje prostor možných strategií uvažování[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Je důležité pochopit, že flexibilita GoT přichází za cenu větší složitosti řízení. Realizace grafu myšlenek vyžaduje zewnętrzní **algoritmus-orchestrátor**, který bude rozhodovat, kdy a které myšlenky generovat, které z nich vybírat nebo kombinovat, kdy proces zastavit a vydat odpověď. U jednoduchého CoT taková rozhodnutí přijímat není třeba — model sám generuje lineární úvahu až do konce. V ToT část řízení spočívá na algoritmu prohledávání stromu (například výběr uzlu k rozvíjení). V GoT je stupeň volnosti vyšší a účinnost metody závisí na kvalitě heuristik hodnotících mezilehlé výsledky a na správné konstrukci podnětů v každém kroku[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1). Graph-of-Thoughts tak lze chápat nejen jako formát dotazu, ale jako **strukturu uvažování** nakládanou na proces interakce s LLM — jakýsi dynamický plán, podle nějž model řeší úlohu, přičemž uživatel (nebo program-kontrolér) tento proces řídí. Vznik Graph-of-Thoughts odráží snahu učinit práci velkých jazykových modelů více **interpretovatelnou a řiditelnou**. Explicitním zadáváním struktury řešení výzkumníci nejen dosahují lepší kvality, ale také získávají možnost analyzovat, jak model dospěl k tomu či onomu závěru. To sbližuje přístupy v NLP s klasickými metodami algoritmického prohledávání a plánování, avšak provádění kroků je nyní svěřeno neuronovému modelu. Řada odborníků považuje strukturované podněty (řetězce, stromy, grafy myšlenek) za perspektivní směr, schopný překonat omezení „černé skříňky" v hlubokých modelech a zvýšit spolehlivost jejich fungování při řešení složitých úloh[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-survey-4). Metodologie Graph-of-Thoughts se nadále aktivně rozvíjí. Autoři zpřístupnili kód a příklady implementace GoT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-original-html-1), což umožnilo komunitě experimentovat s novým přístupem. Objevují se také rozšíření: například **multimodální verze** grafu myšlenek kombinující text s obrazy a dalšími druhy dat[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-deepgram-multimodal-3)[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-deepgram-multimodal-3), jakož i pokusy o integraci myšlenek GoT přímo do architektury modelů (jako ve zmíněné práci Yao et al., 2023). V roce 2025 vyšel podrobný přehled-taxonomie metod Chain-of-Thought, Tree-of-Thoughts a Graph-of-Thoughts, systematizující nashromážděné poznatky a popisující teoretické základy těchto přístupů[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_note-arxiv-survey-4). To vše svědčí o velkém zájmu vědecké komunity o strukturované řízení uvažování LLM. Graph-of-Thoughts si již vydobyl pověst účinného nástroje pro řešení složitých úloh a pravděpodobně se stane základem pro další inovace v oblasti řešení AI, kombinujících výkon velkých jazykových modelů s transparentností a logikou klasických algoritmů. ## Odkazy - Původní článek „Graph of Thoughts: Solving Elaborate Problems with Large Language Models" na arXiv - HTML verze původního článku - Přehled „Demystifying Chains, Trees, and Graphs of Thoughts" na arXiv - Článek „Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models" na arXiv - Multimodal Graph-of-Thoughts — článek Deepgram - LLMs Graph of Thoughts Framework — článek na Medium ## Literatura - Besta, M. et al. (2024). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Yao, Y. et al. (2023). *Beyond Chain-of-Thought: Effective Graph-of-Thought Reasoning in Language Models*. arXiv:2305.16582. - Wei, J. et al. (2022). *Chain of Thought Prompting Elicits Reasoning in Large Language Models*. arXiv:2201.11903. - Wang, X. et al. (2022). *Self-Consistency Improves Chain of Thought Reasoning in Language Models*. arXiv:2203.11171. - Wei, J. et al. (2024). *Demystifying Chains, Trees, and Graphs of Thoughts*. arXiv:2401.14295. - Huang, S. et al. (2023). *Language Is Not All You Need: Aligning Perception with Language Models (Kosmos-1)*. arXiv:2302.14045. - Mitra, C. et al. (2024). *Compositional Chain-of-Thought Prompting for Large Multimodal Models*. In *CVPR 2024*. PDF. - Zheng, G. et al. (2023). *DDCoT: Duty-Distinct Chain-of-Thought Prompting for Multimodal Reasoning in Language Models*. arXiv:2310.16436. - Mu, J. et al. (2023). *Learning to Compress Prompts with Gist Tokens*. arXiv:2304.08467. ## Poznámky 1. ↑ [1.00](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-0) [1.01](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-1) [1.02](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-2) [1.03](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-3) [1.04](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-4) [1.05](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-5) [1.06](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-6) [1.07](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-7) [1.08](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-8) [1.09](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-9) [1.10](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-10) [1.11](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-11) [1.12](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-12) [1.13](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-13) [1.14](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-14) [1.15](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-15) [1.16](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-16) [1.17](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-17) [1.18](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-18) [1.19](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-19) [1.20](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-20) [1.21](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-21) [1.22](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-22) [1.23](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-23) [1.24](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-24) [1.25](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-25) [1.26](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-26) [1.27](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-27) [1.28](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-28) [1.29](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-29) [1.30](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-30) [1.31](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-31) [1.32](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-32) [1.33](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-33) [1.34](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-34) [1.35](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-35) [1.36](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-36) [1.37](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-37) [1.38](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-38) [1.39](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-39) [1.40](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-40) [1.41](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-41) [1.42](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-42) [1.43](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original-html_1-43) Besta, Maciej et al. «Graph of Thoughts: Solving Elaborate Problems with Large Language Models». *ar5iv.labs.arxiv.org*. [1] 2. [↑](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-original_2-0) Besta, Maciej et al. «Graph of Thoughts: Solving Elaborate Problems with Large Language Models». *arXiv*. [2] 3. ↑ [3.0](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-deepgram-multimodal_3-0) [3.1](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-deepgram-multimodal_3-1) [3.2](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-deepgram-multimodal_3-2) [3.3](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-deepgram-multimodal_3-3) [3.4](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-deepgram-multimodal_3-4) Grygiel, Jacek. «Multimodal Graph-of-Thoughts: How Text, Images, and Graphs Lead to Better Reasoning». *Deepgram*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-survey_4-0) [4.1](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-survey_4-1) [4.2](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-survey_4-2) [4.3](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-survey_4-3) [4.4](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-survey_4-4) [4.5](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-survey_4-5) Wei, Jason et al. «Demystifying Chains, Trees, and Graphs of Thoughts». *arXiv*. [4] 5. [↑](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-medium-jomsborg_5-0) Wo, Jacek. «LLMs Graph of Thoughts Framework. Case study». *Medium*. [5] 6. ↑ [6.0](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-beyond-cot_6-0) [6.1](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-beyond-cot_6-1) [6.2](https://systems-analysis.info/int/Graph_of_Thoughts_(CS)#cite_ref-arxiv-beyond-cot_6-2) Yao, Yuqing et al. «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models». *arXiv*. [6]