--- title: "Graph of Thoughts (HU)" source: "https://systems-analysis.info/int/Graph_of_Thoughts_(HU)" wiki: "systems-analysis.info/int" article: "Graph_of_Thoughts_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 2758 wiki_created_at: 2026-09-06T23:10:35Z wiki_modified_at: 2026-09-06T23:10:35Z downloaded_at: 2026-09-07T22:53:10Z --- # Graph of Thoughts (HU) **Graph-of-Thoughts (GoT)** — ez egy fogalom a **nagy nyelvi modellekkel** (**LLM**, Large Language Models) való munkavégzés területén, amely a modell következtetési folyamatát az egymással összefüggő **„gondolatok"** (közbenső megoldási lépések) **tetszőleges gráfjaként** ábrázolja[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ezt a megközelítést **Maciej Besta** és kutatótársai javasolták az ETH Zurich intézményéből, és 2024-ben publikálták az AAAI konferencián[\[2\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-2). A Graph-of-Thoughts célja, hogy a **prompt engineering** (lekérdezéstervezés) lehetőségeit kiterjeszsze a meglévő sémákon túlra, mint például a Chain-of-Thought (gondolatok lánca) és a Tree-of-Thoughts (gondolatok fája)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ezektől eltérően a GoT megközelítés lehetővé teszi, hogy a modell által generált bármely következtetési egység (gondolat) bármely másikra hivatkozzon, ezáltal ötletek hálózatát alkotva, nem pedig szigorúan lineáris vagy fa szerkezetű struktúrát[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-deepgram-multimodal-3). Ez — az alkotók állítása szerint — pontosabban tükrözi az emberi gondolkodás összetett, nemlineáris jellegét, és potenciálisan közelíti az LLM következtetési mechanizmusát az emberi agy működéséhez (annak rekurrens neurális kapcsolataival)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A Graph-of-Thoughts egy **lekérdezésformálási módszer** (prompting framework), azaz nem igényli magának a modellnek a további tanítását vagy finomhangolását — ehelyett különleges módon szervezi az LLM-mel való párbeszédet, a modellt egy gráfsémával összekötött gondolat-lépések sorozatán vezetve végig[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ez a struktúra lehetővé teszi a különböző következtetési ágak kombinálását és újrafelhasználását: például a modell párhuzamosan vizsgálhat több hipotézist vagy a feladat több részét, majd a legsikeresebbekből egységes megoldást alkothat[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Enciklopédikus stílusban a Graph-of-Thoughts úgy határozható meg, mint **az LLM-ekkel végzett strukturált következtetési stratégiák korábbi megközelítéseinek általánosítása**, amely maximális rugalmasságot biztosít a gondolkodási folyamatok szervezéséhez egyetlen összetett lekérdezésen belül[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). ## Előzmények: Chain-of-Thought és Tree-of-Thoughts A Graph-of-Thoughts módszer korábbi megközelítésekből nőtt ki, amelyek explicit következtetési struktúrát alkalmaznak a nyelvi modellekkel való munkavégzés során. Az alap megközelítés a **Chain-of-Thought (CoT)** – „gondolatok lánca". A CoT módszerben a felhasználót arra ösztönzik, hogy a modellhez intézett lekérdezésbe ne csak a feladat feltételét, hanem a válaszhoz vezető közbenső következtetési lépéseket is foglalja bele[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A kutatások kimutatták, hogy az anyag ilyen bemutatása jelentősen javítja az LLM-ek képességét összetett feladatok — például matematikai vagy logikai rejtvények — megoldásában, méghozzá magának a modellnek a paramétereit módosítása nélkül[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Lényegében a CoT arra készteti a modellt, hogy az összetett problémát lépésről lépésre egyszerűbb szakaszokra bontsa fel, utánozva a gondolatok egymást követő menetét. Ennek az elgondolásnak a továbbfejlesztése a **Self-Consistency** technika: egyetlen gondolatlánc helyett több független láncot generálnak, majd kiválasztják a legmeggyőzőbbet[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ez lehetővé teszi a modell számára, hogy különböző megoldási megközelítéseket vizsgáljon, és csökkenti annak kockázatát, hogy egyetlen hibás következtetési vonal mentén haladva téves választ kapjunk. Ugyanakkor még a CoT-láncok sokasága sem teszi lehetővé az „ötletek összevonását": minden lánc elszigetelten vizsgálódik, és a modell csupán a legjobbat választja ki, anélkül hogy azok tartalmát kombinálná. Ennek a korlátnak a leküzdésére javasolták a **Tree-of-Thoughts (ToT)** – „gondolatok fája" sémát[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A ToT-ban a következtetési folyamat faként szerveződik: minden egyes pontban a modell a gondolat több fejlesztési variánsát (elágazást) hozhatja létre, majd ezeket a közbenső állapotokat értékelik, és kiválasztják a legígéretesebbeket a további elmélyítéshez[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Fakeresés alkalmazásával (például szélességi — BFS, vagy mélységi — DFS) és azzal a lehetőséggel, hogy vissza lehet lépni egy csomóponthoz és egy másik ágat fejleszteni, a Tree-of-Thoughts erősebb megoldási mechanizmust biztosít a nyelvi modellnek összetett feladatokhoz, mint a lineáris CoT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Új lehetőségek nyílnak meg, mint például a **visszalépés és felülvizsgálat**: ha egy ág zsákutcába vezet, vissza lehet térni az előző csomóponthoz, és más utat kipróbálni[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ez a módszertan bizonyítottan hatékony logikai és keresési feladatokban, ahol a variánsok áttekintése és a tervezés nagy szerepet játszik. A gondolatfa azonban szigorú korlátokat is szab: minden gondolat (a fa csomópontja) csupán egyetlen ághoz tartozik, az interakció csak szülő- és gyermekcsomópontok között zajlik, a különböző ágak pedig nem olvadhatnak össze, és nem cserélhetnek információt[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-deepgram-multimodal-3). Más szóval az **ötletek keresztbe-beporzása** (cross-pollination) a különböző hipotézisek között egyetlen megoldáson belül nehézkes: a fa ágai függetlenül fejlődnek, és csak a gyökérben egyesülnek, amikor kiválasztják a legjobb következtetési láncot[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-deepgram-multimodal-3). A valódi kreatív vagy analitikus gondolkodásban azonban az ember nemritkán visszatér egy korábban megvizsgált ötlethez, és azt kombinálja egy másik következtetési ággal. Az ilyen gondolat-összefonódás túllép a fastruktúra keretein[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ezek a megfigyelések vezették a kutatókat egy rugalmasabb struktúra — a gráf — gondolatához, ahol a gondolatok közötti kapcsolatok nem korlátozottak, és összetett hálózatot alkothatnak. Ahogyan egy 2024-es elemző összefoglalóban megjegyezték, a gondolatok láncainak, fáinak és gráfjainak megjelenése egy új módszerosztály kialakulását tükrözi, amely az LLM-ek képességeit a következtetési folyamat explicit strukturálásával jelentősen megerősítheti[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-survey-4). Különösen a strukturált promptok lehetővé tették az LLM-ek eredményeinek észrevehető javítását számos területen — a matematikai feladatok megoldásától és logikai rejtvényektől a tervezésig és akár a kreatív írásig[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-survey-4). Ezen az általános háttéren jelent meg a Graph-of-Thoughts séma mint a strukturált prompting módszerek fejlődésének következő lépése. ## A Graph-of-Thoughts fogalma: a gondolatok gráfszerkezete A Graph-of-Thoughts azt javasolja, hogy a nyelvi modell feladatvégzési folyamatát tetszőleges **irányított gráfként** ábrázoljuk. Formálisan a GoT-ban a gondolatok gráfja csúcsok (gondolatok) és élek (gondolatok közötti függőségek) halmaza[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A gráf csúcsát a modell egy **gondolata** képviseli — ezen a kifejezésen a feladat kontextusától függő bármely tartalmi egységet értjük: ez lehet egy önálló állítás, megoldási lépés, szövegrészlet, bekezdés, kódblokk stb., amelyet a modell egy lekérdezésre válaszul generál[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A csúcsok közötti él azt jelenti, hogy az egyik gondolatot felhasználták a másik előállításakor — azaz a promptban expliciten jelzik, hogy a modellnek egy meghatározott korábbi eredményre kell támaszkodnia egy új létrehozásához[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Az élek tehát **függőségeket** rögzítenek: a következtetés aktuális lépése melyik korábban kapott adatoktól függ. A GoT legfontosabb különbsége az egyszerűbb struktúrákhoz képest a **gondolatok aggregálásának és összevonásának** lehetősége. A gráfban megengedett, hogy egy csúcsnak (új gondolatnak) több előzménye legyen[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ez megfelel annak a helyzetnek, amikor két vagy több különálló következtetési lánc egyesül: a modell egyszerre több korábban generált részletet kap bemenetként, és ezek alapján szintetizált következtetést alkot[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Például egy feladat megoldásakor a modell párhuzamosan vizsgálhat két hipotézist, majd létrehozhat egy új gondolatot, amely mindkét hipotézis pozitív oldalait ötvözi és kiküszöböli hiányosságaikat[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Az ilyen aggregálási műveletek lehetetlenek voltak a faszerkezetű sémában (ahol minden csomópontnak csak egy szülője van), de természetes módon megvalósíthatók a gráfosban[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Az ötletek összevonásán túl a gráf lehetővé teszi **visszacsatolási hurkok** (feedback loops) bevezetését is: alapvetően a GoT struktúra nem tiltja a ciklusokat, azaz a modell visszaküldhet bizonyos eredményt egy korábbi következtetési szakaszba újrafeldolgozásra vagy pontosításra[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Az alkotók ezt az agy neurális hálózataiban lévő rekurrens kapcsolatokhoz hasonlítják, ahol az egyik neuroncsoporttól érkező kimenet visszahathat a korábbi rétegekre, zárt gondolkodási köröket alkotva[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A Graph-of-Thoughts gyakorlati megvalósítása a modellel való párbeszéd különleges megszervezését igényli. A kutatók kidolgoztak egy **moduláris architekturális keretet** a GoT számára[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ez tartalmaz komponenseket: (1) az egyes lépések (gondolatok) finom vezérléséhez — a „kontroller" irányítja a gondolatok generálásának sorrendjét és logikáját; (2) a promptok dinamikus kialakításához — minden lépéshez egy speciális modul prompt-ot alkot az aktuális kontextus és a kiválasztott gráfcsúcsok (előzmények) alapján; (3) a modell válaszainak elemzéséhez és értékeléséhez — az LLM-től kapott részleteket minőség, hasznosság vagy a feladat kritériumainak való megfelelés szempontjából elemzik és értékelik[\[5\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-medium-jomsborg-5). A GoT architektúra így interaktív módban teszi lehetővé a következtetési gráf felépítését: minden lépés után döntés születik arról, hogy milyen új csúcsokat kell hozzáadni, hogyan kell azokat az előzőekhez kapcsolni, melyik ágakat kell folytatni vagy összevonni. A modularitásnak köszönhetően ez a keretrendszer bővíthető új „gondolat-transzformációk" típusaival (például speciális gráfműveletekkel), és adaptálható különböző modellekhez (az alkotók sikeresen tesztelték a GoT-ot GPT-3.5, GPT-4, LLAMA 2 és más LLM-családokon)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Fontos tulajdonság, hogy a **GoT nem igényli magának a nyelvi modellnek a paramétermódosítását** — minden fejlesztést a lekérdezések intelligensebb felépítésével és a válaszok feldolgozásával érnek el[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ez azt jelenti, hogy a meglévő erős LLM-ek „ahogy vannak" felhasználhatók, és a Graph-of-Thoughts egy felépítményként irányítja azok működését. Megjegyzendő, hogy a Graph-of-Thought kifejezés egy másik, független fejlesztésben is megjelent, amely eltér Besta és munkatársai megközelítésétől. 2023-ban **Yao Yao** és szerzőtársai egy módszert javasoltak az LLM-ek következtetésének javítására egy kiegészítő gondolatgráf-enkóder modul segítségével, amely a modell finomhangolását igényelte[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-beyond-cot-6). „Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models" című munkájuk kétlépéses architektúrát ír le: először az egymással összefüggő közbenső állítások gráfját generálják, majd azt egy speciális enkóder alakítja át és integrálja a modellbe gated fusion mechanizmus révén[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-beyond-cot-6). Ez a tanítással járó hibrid megközelítés bizonyos pontossági növekedést mutatott a feladatokon, például a multimodális ScienceQA kérdéskészleten a pontosság 85,2%-ról 87,6%-ra nőtt a T5-base modell alkalmazásakor[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-beyond-cot-6). Ez a megközelítés azonban, bár nevében hasonló, lényegileg különbözik: a modell módosítását (fine-tuning) igényli, és nem prompt engineering séma. Az eredeti GoT megközelítés alkotói (AAAI 2024) egyértelműen jelzik, hogy munkájukban nem foglalkoznak Yao és mtsai. modelljével, mivel kizárólag az LLM paraméterek frissítése nélküli módszerekre összpontosítanak[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Így a Graph-of-Thoughts a jelen áttekintés kontextusában kifejezetten egy **prompt szintű keretrendszer**, nem pedig a neurális hálózat architektúrájának módosítása. ## Alkalmazás és eredmények A GoT alkotói bemutatták előnyeit számos olyan feladaton, amelyeket nehéz megoldani egyetlen közvetlen prompttal (input-output prompting) vagy akár gondolatok láncával. Az ilyen feladatok jellemző tulajdonsága, hogy felbonthatók több részre (részfeladatokra), ezek a részek külön megoldhatók, majd a részeredményekből szintetizálható a teljes válasz[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A vizsgált példák között szerepel: rendezetlen lista **rendezése**, szövegben lévő **kulcsszavak megszámlálása** (például dokumentum összefoglalásához), **halmazműveletek** végrehajtása (listák egyesítése, metszete stb.), valamint **szöveges dokumentumok összevonása** (több forrásból származó információk egyesítése)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Mindezekben az esetekben a Graph-of-Thoughts lehetővé teszi a feladat természetes **dekompozícióját**. Például rendezésnél a lista részekre bontható, minden részt külön rendeznek önálló gondolati ágként, majd az eredményeket összevonják (a merge sort algoritmushoz hasonlóan); vagy szövegek elemzésekor a modell párhuzamosan nyerhet ki információt különböző dokumentumokból, majd azt egységes egésszé vonhatja össze. **Kísérleti eredmények** igazolják a GoT séma hatékonyságát. Besta és munkatársai jelentése szerint a gondolatok gráfja a rendezési feladatban lényegesen javította a megoldás minőségét a korábbi megközelítésekhez képest[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A GoT alkalmazásával elért rendezési pontosság **70%-kal magasabb** volt, mint az egyszerű CoT gondolatlánccal, és **62%-kal magasabb**, mint a ToT gondolatfával[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Eközben a módszer **csökkenti a számítási erőforrások felhasználását**: a modellhez intézett kérések száma (és ennek megfelelően a tokenizált lekérdezési mennyiség) **31%-kal csökkent a Tree-of-Thoughtshoz képest** ugyanazon feladatban[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ez azt jelenti, hogy a következtetések gráfos szervezése nemcsak a végeredményt javította, hanem a megoldást gazdaságosabbá is tette, a közbenső következtetések intelligens kombinálásával elkerülve a redundáns számításokat. Hasonló nyereségeket értek el más tesztfeladatokon is, különösen ott, ahol heterogén információk aggregálása szükséges. A kutatók megjegyzik, hogy a GoT leghatékonyabb pontosan a **több elemből álló összetett feladatoknál**: „A Graph-of-Thoughts különösen alkalmas azokra a feladatokra, amelyek természetes módon kisebb részfeladatokra bonthatók, külön megoldhatók, majd az eredmények összevonhatók"[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Ilyen esetekben a gondolatok gráfja képes a probléma minden aspektusát átfogni, és teljesebb jellegű megoldást szintetizálni, mint egyetlen következtetési vonal követésekor. Az egy prompt-felépítési módszer miért jobb a másiknál kérdés mélyebb megértéséhez a 2024-es munkában egy speciális mérőszámot javasoltak – a **„gondolat terjedelme"** (volume of a thought)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A terjedelem minden egyes gondolat (a gráf csúcspontja) esetében úgy van meghatározva, mint azon más gondolatok száma, amelyekből irányított éleken keresztül el lehet jutni az adott gondolathoz (egyszerűbben szólva: hány közbenső lépésnek köszönheti az információját)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A Chain-of-Thoughtban minden gondolat csupán egy előzményre támaszkodik, ezért terjedelme egyenlő 1-gyel (lineáris lánc). A gondolatfában a terjedelem nagyobb lehet, de még mindig korlátozott az egyes ágak struktúrájával. A gráfban viszont az aggregálásnak köszönhetően egy csúcs egyszerre sok más hozzájárulását halmozhatja fel — „terjedelme" lényegesen nagyobb[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Kimutatták, hogy a GoT lehetővé teszi a végső következtetések számára, hogy lényegesen nagyobb korábbi gondolat-terjedelemre támaszkodva, azok tartalmát összevonva keletkezzenek. Ez a tény a megoldási tér mélyebb lefedettségét tükrözi, és mennyiségi magyarázatot ad a gráfos következtetés előnyeire az egyszerűbb sémákkal szemben. ## Összehasonlítás és jelentőség A Graph-of-Thoughts ma az LLM-ek számára a strukturált prompting **leggeneralizáltabb formáját** képviseli. A különböző sémák (CoT, önkonzisztenciával kiegészített CoT, ToT és GoT) összehasonlító táblázataiban hangsúlyozzák, hogy csak a GoT támogatja a gondolkodási folyamat tetszőleges topológiáját[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Magában foglalja az összes korábbi megközelítés képességeit: működhet egyetlen láncként, elágazásokkal rendelkező faként, és több lánc kombinációjaként is, ha ez megfelel a feladat megoldásának[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). A lényeg az, hogy **nincsenek szigorú korlátok** a lépések közötti kapcsolatokra, ami elméletileg a lehetséges következtetési stratégiák terét maximálisan szélessé teszi[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Fontos megérteni, hogy a GoT rugalmassága a vezérlés nagyobb összetettsége árán jár. A gondolatok gráfjának megvalósítása egy külső **orkesztrálási algoritmust** igényel, amely dönt arról, mikor és milyen gondolatokat generáljon, melyeket válasszon ki vagy kombinálja, mikor állítsa le a folyamatot és adjon választ. Az egyszerű CoT-ban ilyen döntéseket nem kell hozni — a modell maga generálja a lineáris következtetést végig. A ToT-ban az irányítás egy részét a fakeresési algoritmus veszi át (például a kibontandó csomópont kiválasztása). A GoT-ban a szabadsági fok magasabb, és a módszer hatékonysága a közbenső eredményeket értékelő heurisztikák minőségétől és a minden lépésnél helyes prompt-konstrukciótól függ[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1). Így a Graph-of-Thoughts nemcsak lekérdezési formatként, hanem az LLM-mel való interakció folyamatára ráhelyezett **következtetési struktúraként** is tekinthető — egyfajta dinamikus tervként, amelynek mentén a modell megoldja a feladatot, és amelyet a felhasználó (vagy a kontroller program) irányít. A Graph-of-Thoughts megjelenése azt a törekvést tükrözi, hogy a nagy nyelvi modellek munkája **értelmezhetőbbé és irányíthatóbbá** váljon. A megoldás struktúrájának explicit megadásával a kutatók nemcsak jobb minőséget érnek el, hanem lehetőséget kapnak arra is, hogy elemezzék, hogyan jutott a modell egy adott következtetéshez. Ez közelíti az NLP megközelítéseit az algoritmikus keresés és tervezés klasszikus módszereihez, de most a lépések végrehajtása neurális hálózati modellre hárul. Számos szakértő tekinti a strukturált promptokat (gondolatok láncait, fáit, gráfjait) ígéretes iránynak, amely képes leküzdeni a mély modellek „fekete doboz" korlátait, és növelni megbízhatóságukat összetett feladatoknál[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-survey-4). A Graph-of-Thoughts módszertan aktívan fejlődik tovább. A GoT megvalósításához szükséges kódot és példákat az alkotók nyilvánosan elérhetővé tették[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-original-html-1), ami lehetővé tette a közösség számára, hogy kísérletezzen az új megközelítéssel. Kiterjesztések is megjelennek: például a gondolatok gráfjának **multimodális változatai**, amelyek a szöveget képekkel és más adattípusokkal kombinálják[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-deepgram-multimodal-3)[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-deepgram-multimodal-3), valamint kísérletek arra, hogy a GoT ötleteit közvetlenül a modellek architektúrájába integráljuk (mint az említett Yao et al., 2023-as munkában). 2025-ben megjelent a Chain-of-Thought, Tree-of-Thoughts és Graph-of-Thoughts módszerek részletes taxonómiai áttekintése, amely rendszerezi a felhalmozott tudást és leírja az ilyen megközelítések elméleti alapjait[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_note-arxiv-survey-4). Mindez a tudományos közösség nagy érdeklődéséről tanúskodik az LLM gondolkodásának strukturált irányítása iránt. A Graph-of-Thoughts már bebizonyította, hogy hatékony eszköz összetett feladatok megoldásában, és valószínűleg alapját képezi majd a továbbiakban az MI-megoldások innovációinak, amelyek a nagy nyelvi modellek erejét a klasszikus algoritmusok átláthatóságával és logikájával ötvözik. ## Hivatkozások - Az eredeti „Graph of Thoughts: Solving Elaborate Problems with Large Language Models" cikk az arXiv-on - Az eredeti cikk HTML verziója - A „Demystifying Chains, Trees, and Graphs of Thoughts" áttekintés az arXiv-on - A „Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models" cikk az arXiv-on - Multimodal Graph-of-Thoughts — Deepgram-cikk - LLMs Graph of Thoughts Framework — cikk a Mediumon ## Irodalom - 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. ## Jegyzetek 1. ↑ [1.00](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-0) [1.01](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-1) [1.02](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-2) [1.03](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-3) [1.04](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-4) [1.05](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-5) [1.06](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-6) [1.07](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-7) [1.08](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-8) [1.09](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-9) [1.10](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-10) [1.11](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-11) [1.12](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-12) [1.13](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-13) [1.14](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-14) [1.15](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-15) [1.16](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-16) [1.17](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-17) [1.18](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-18) [1.19](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-19) [1.20](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-20) [1.21](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-21) [1.22](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-22) [1.23](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-23) [1.24](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-24) [1.25](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-25) [1.26](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-26) [1.27](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-27) [1.28](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-28) [1.29](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-29) [1.30](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-30) [1.31](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-31) [1.32](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-32) [1.33](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-33) [1.34](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-34) [1.35](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-35) [1.36](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-36) [1.37](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-37) [1.38](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-38) [1.39](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-39) [1.40](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-40) [1.41](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-41) [1.42](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-original-html_1-42) [1.43](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#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_(HU)#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_(HU)#cite_ref-deepgram-multimodal_3-0) [3.1](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-deepgram-multimodal_3-1) [3.2](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-deepgram-multimodal_3-2) [3.3](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-deepgram-multimodal_3-3) [3.4](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#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_(HU)#cite_ref-arxiv-survey_4-0) [4.1](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-survey_4-1) [4.2](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-survey_4-2) [4.3](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-survey_4-3) [4.4](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-survey_4-4) [4.5](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#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_(HU)#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_(HU)#cite_ref-arxiv-beyond-cot_6-0) [6.1](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#cite_ref-arxiv-beyond-cot_6-1) [6.2](https://systems-analysis.info/int/Graph_of_Thoughts_(HU)#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]