--- title: "Graph of Thoughts (PL)" source: "https://systems-analysis.info/int/Graph_of_Thoughts_(PL)" wiki: "systems-analysis.info/int" article: "Graph_of_Thoughts_(PL)" language: "pl" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Polish" - "Category:Prompt engineering" revision_id: 2763 wiki_created_at: 2026-09-06T23:10:39Z wiki_modified_at: 2026-09-06T23:10:39Z downloaded_at: 2026-09-07T22:53:12Z --- # Graph of Thoughts (PL) **Graph-of-Thoughts (GoT)** — to koncepcja z dziedziny pracy z **dużymi modelami językowymi** (**LLM**, Large Language Models), zakładająca przedstawienie procesu rozumowania modelu w postaci **dowolnego grafu** wzajemnie powiązanych **„myśli"** (pośrednich kroków rozwiązania)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Podejście to zostało zaproponowane przez grupę badaczy pod kierownictwem **Maciej Besty** (Maciej Besta) z ETH Zurich i opublikowane w 2024 roku na konferencji AAAI[\[2\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-2). Celem Graph-of-Thoughts jest rozszerzenie możliwości **prompt engineering** (inżynierii zapytań) poza granice istniejących schematów, takich jak Chain-of-Thought (łańcuch myśli) i Tree-of-Thoughts (drzewo myśli)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). W odróżnieniu od nich, podejście GoT pozwala dowolnemu wygenerowanemu przez model fragmentowi rozumowania (myśli) odwoływać się do dowolnego innego, tworząc sieć idei, a nie ściśle liniową lub drzewiastą strukturę[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-deepgram-multimodal-3). Jak twierdzą autorzy, lepiej to odzwierciedla złożony, nieliniowy charakter ludzkiego myślenia i potencjalnie zbliża mechanizm rozumowania LLM do działania ludzkiego mózgu (z jego rekurentnymi połączeniami neuronowymi)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Graph-of-Thoughts jest **metodą formułowania zapytań** (prompting framework), co oznacza, że nie wymaga dodatkowego uczenia ani dostrajania samego modelu — zamiast tego organizuje dialog z LLM w szczególny sposób, prowadząc model przez serię kroków-„myśli" połączonych według schematu grafu[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Taka struktura pozwala łączyć i ponownie wykorzystywać różne gałęzie rozumowania: na przykład model może równolegle rozpatrywać kilka hipotez lub części zadania, a następnie łączyć najbardziej udane z nich w jedno rozwiązanie[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). W ujęciu encyklopedycznym Graph-of-Thoughts można zdefiniować jako **uogólnienie wcześniejszych strategii strukturalnego rozumowania z LLM**, zapewniające maksymalną elastyczność w organizacji procesów myślowych w ramach jednego złożonego zapytania[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). ## Przesłanki: Chain-of-Thought i Tree-of-Thoughts Metoda Graph-of-Thoughts wyrosła z wcześniejszych podejść wykorzystujących jawną strukturę rozumowania podczas pracy z modelami językowymi. Podstawowym podejściem jest **Chain-of-Thought (CoT)** – „łańcuch myśli". W metodzie CoT użytkownik proszony jest o umieszczanie w zapytaniu do modelu nie tylko treści zadania, ale i pośrednich kroków rozumowania prowadzących do odpowiedzi[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Badania wykazały, że takie podejście znacząco poprawia zdolność LLM do rozwiązywania trudnych zadań, na przykład matematycznych lub logicznych, przy czym bez zmiany parametrów samego modelu[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). W istocie CoT skłania model do stopniowego rozkładania złożonego problemu na prostsze etapy, naśladując sekwencyjny tok myślenia. Rozwinięciem tej idei stała się technika **Self-Consistency**: zamiast jednego łańcucha myśli generuje się kilka niezależnych łańcuchów, po czym wybiera się najbardziej przekonujący[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Pozwala to modelowi rozważyć różne podejścia do rozwiązania i zmniejsza ryzyko uzyskania błędnej odpowiedzi w wyniku podążania jedną nieprawidłową linią rozumowania. Niemniej jednak nawet wiele łańcuchów CoT nie daje możliwości „łączenia idei": każdy łańcuch jest rozpatrywany w izolacji, a model jedynie wybiera najlepszy, nie łącząc ich treści. Aby przezwyciężyć to ograniczenie, zaproponowano schemat **Tree-of-Thoughts (ToT)** – „drzewo myśli"[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). W ToT proces rozumowania zorganizowany jest jako drzewo: w każdym punkcie model może generować kilka wariantów rozwinięcia myśli (rozgałęzień), po czym następuje ocena tych pośrednich stanów i wybór najbardziej obiecujących do dalszego pogłębiania[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Korzystając z przeszukiwania drzewa (na przykład wszerz — BFS, lub w głąb – DFS) i możliwości cofania się do węzłów i rozwijania innej gałęzi, Tree-of-Thoughts daje modelowi językowemu bardziej wydajny mechanizm rozwiązywania trudnych zadań niż liniowy CoT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Pojawiają się nowe możliwości, takie jak **cofanie się i rewizja**: jeśli jedna gałąź prowadzi do ślepego zaułka, można wrócić do poprzedniego węzła i spróbować innej ścieżki[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Metoda ta dowiodła swojej skuteczności w rozwiązywaniu zadań logicznych i przeszukiwania przestrzeni rozwiązań, gdzie przegląd wariantów i planowanie odgrywają dużą rolę. Jednakże drzewo myśli narzuca też poważne ograniczenia: każda myśl (węzeł drzewa) należy tylko do jednej gałęzi, interakcje zachodzą jedynie między węzłami nadrzędnymi i podrzędnymi, a różne gałęzie nie mogą się łączyć ani wymieniać informacji[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-deepgram-multimodal-3). Innymi słowy, **krzyżowa wymiana idei** (cross-pollination) między różnymi hipotezami w ramach jednego rozwiązania jest utrudniona: gałęzie drzewa rozwijają się niezależnie i łączą się jedynie w korzeniu, gdy wybierany jest najlepszy łańcuch rozumowania[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-deepgram-multimodal-3). W rzeczywistym twórczym lub analitycznym myśleniu człowiek nierzadko wraca do wcześniej rozważanej idei i łączy ją z inną gałęzią rozumowania. Takie przeplatanie się myśli wykracza poza strukturę drzewa[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Obserwacje te doprowadziły badaczy do pomysłu bardziej elastycznej struktury – grafu, w którym połączenia między myślami nie są ograniczone i mogą tworzyć złożoną sieć. Jak odnotowano w przeglądzie analitycznym z 2024 roku, pojawienie się łańcuchów, drzew i grafów myśli odzwierciedla narodziny nowej klasy metod zdolnych znacząco wzmocnić możliwości LLM poprzez jawne strukturyzowanie procesu rozumowania[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-survey-4). W szczególności ustrukturyzowane podpowiedzi pozwoliły wyraźnie poprawić wyniki LLM w wielu dziedzinach — od rozwiązywania zadań matematycznych i łamigłówek logicznych po planowanie, a nawet pisanie twórcze[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-survey-4). Na tym tle ogólnym właśnie wyłonił się schemat Graph-of-Thoughts jako następny krok w rozwoju metod strukturalnego prompting. ## Koncepcja Graph-of-Thoughts: grafowa struktura myśli Graph-of-Thoughts proponuje przedstawienie toku wykonywania zadań przez model językowy w postaci dowolnego **skierowanego grafu**. Formalnie, graf myśli w GoT to zbiór wierzchołków (myśli) i krawędzi (zależności między myślami)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Wierzchołkiem grafu jest pojedyncza **myśl modelu** – pod tym terminem rozumie się dowolną merytoryczną jednostkę zależną od kontekstu zadania: może to być pojedyncze twierdzenie, krok rozwiązania, fragment tekstu, akapit, blok kodu itp., wygenerowany przez model w odpowiedzi na zapytanie[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Krawędź między wierzchołkami oznacza, że jedna myśl została wykorzystana przy generowaniu innej — tj. w podpowiedzi jawnie wskazano, że model powinien oprzeć się na określonym wcześniejszym wyniku, aby uzyskać nowy[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Krawędzie rejestrują zatem **zależności**: od jakich wcześniej uzyskanych danych zależy bieżący krok rozumowania. Najważniejszą różnicą GoT względem prostszych struktur jest możliwość **agregacji i łączenia myśli**. W grafie dopuszcza się, że wierzchołek (nowa myśl) może mieć kilku poprzedników[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Odpowiada to sytuacji, gdy dwa lub więcej oddzielnych łańcuchów rozumowania łączy się: model otrzymuje jako wejście kilka wcześniej wygenerowanych fragmentów i na ich podstawie formułuje syntetyczny wniosek[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Na przykład rozwiązując zadanie, model może równolegle rozważyć dwie hipotezy, a następnie stworzyć nową myśl, która łączy zalety obu hipotez i eliminuje ich wady[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Takie operacje agregacji były niemożliwe w ramach schematu drzewiastego (gdzie każdy węzeł ma tylko jednego rodzica), lecz naturalnie realizują się w grafowym[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Oprócz łączenia idei, graf pozwala wprowadzać również **sprzężenia zwrotne** (feedback loops): co do zasady struktura GoT nie wyklucza cykli, tzn. model może zwrócić pewien wynik do wcześniejszego etapu rozumowania w celu ponownego przetworzenia lub doprecyzowania[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Autorzy wiążą to z analogią do rekurencyjnych połączeń w sieciach neuronowych mózgu, gdzie wyjście jednej grupy neuronów może oddziaływać zwrotnie na poprzednie warstwy, tworząc zamknięte pętle rozważań[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Praktyczna realizacja Graph-of-Thoughts wymaga szczególnej organizacji dialogu z modelem. Badacze opracowali **modularną ramę architektoniczną** dla GoT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Wyróżnia ona komponenty do: (1) precyzyjnej kontroli nad poszczególnymi krokami (myślami) — „kontroler" zarządza kolejnością i logiką generowania myśli; (2) dynamicznego formowania podpowiedzi – dla każdego kroku specjalny moduł tworzy prompt na podstawie bieżącego kontekstu i wybranych wierzchołków grafu (poprzedników); (3) parsowania i oceny odpowiedzi modelu — fragmenty otrzymane od LLM są analizowane i oceniane pod kątem jakości, użyteczności lub zgodności z kryteriami zadania[\[5\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-medium-jomsborg-5). Architektura GoT pozwala zatem w trybie interaktywnym budować graf rozumowania: po każdym kroku podejmowana jest decyzja, jakie nowe wierzchołki dodać, jak połączyć je z poprzednimi, które gałęzie kontynuować lub scalić. Dzięki modularności taki framework można rozszerzać o nowe typy „transformacji myśli" (na przykład specjalne operacje na grafie) i dostosowywać do różnych modeli (autorzy z powodzeniem testowali GoT z LLM z rodzin GPT-3.5, GPT-4, LLAMA 2 i innych)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Ważną właściwością jest to, że **GoT nie wymaga zmiany parametrów samego modelu językowego** — wszystkie udoskonalenia osiągane są dzięki bardziej przemyślanemu konstruowaniu zapytań i przetwarzaniu odpowiedzi[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Oznacza to, że istniejące potężne LLM mogą być używane „takimi jakimi są", a Graph-of-Thoughts pełni rolę nadbudowy zarządzającej ich pracą. Należy zaznaczyć, że termin Graph-of-Thought pojawił się również w innym, niezależnym opracowaniu, odmiennym od podejścia Besty i współpracowników. W 2023 roku **Yao Yao** i współautorzy zaproponowali metodykę usprawnienia reasoning w LLM za pomocą dodatkowego modułu-enkodera grafu myśli, co wymagało doszkolenia modelu[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-beyond-cot-6). Ich praca zatytułowana „Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models" opisuje dwuetapową architekturę: najpierw generowany jest graf wzajemnie powiązanych pośrednich twierdzeń, następnie jest on przekształcany przez specjalny enkoder i integrowany z modelem za pomocą mechanizmu gated fusion[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-beyond-cot-6). Takie hybrydowe podejście z uczeniem wykazało pewną poprawę dokładności w zadaniach — na przykład na multimodalnym zestawie pytań ScienceQA dokładność wzrosła z 85,2% do 87,6% przy użyciu modelu T5-base[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-beyond-cot-6). Jednak podejście to, mimo podobnej nazwy, zasadniczo się różni: wymaga modyfikacji modelu (fine-tuning) i nie jest schematem prompt engineering. Autorzy oryginalnego podejścia GoT (AAAI 2024) wprost wskazują, że nie rozpatrują w swojej pracy tego modelu Yao i in., ponieważ koncentrują się właśnie na metodach bez aktualizacji parametrów LLM[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Tym samym Graph-of-Thoughts w kontekście niniejszego przeglądu jest właśnie **frameworkiem na poziomie podpowiedzi**, a nie modyfikacją architektury sieci neuronowej. ## Zastosowanie i wyniki Autorzy GoT zademonstrowali jego zalety na szeregu zadań, które trudno rozwiązać za pomocą jednego bezpośredniego zapytania (input-output prompting) lub nawet łańcucha myśli. Charakterystyczną cechą takich zadań jest możliwość ich rozkładu na kilka części (podzadań), oddzielnego rozwiązania tych części, a następnie syntezy pełnej odpowiedzi z cząstkowych wyników[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Wśród rozpatrywanych przykładów znalazły się: **sortowanie** nieuporządkowanej listy, **zliczanie słów kluczowych** w tekście (np. na potrzeby streszczania dokumentu), wykonywanie **operacji na zbiorach** (suma, iloczyn list itp.), a także **scalanie dokumentów tekstowych** (łączenie informacji z kilku źródeł)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). We wszystkich tych przypadkach Graph-of-Thoughts pozwala w naturalny sposób **dekomponować zadanie**. Na przykład przy sortowaniu lista dzielona jest na części, każda część sortowana jest oddzielnie jako niezależna gałąź myśli, po czym wyniki są łączone (imitując algorytm podobny do merge sort); albo przy analizie tekstów model może równolegle wydobywać informacje z różnych dokumentów, a następnie je scalać. **Wyniki eksperymentów** potwierdzają skuteczność schematu GoT. Zgodnie z raportem Besty i współpracowników, w zadaniu sortowania graf myśli pozwolił istotnie poprawić jakość rozwiązania w porównaniu z wcześniejszymi podejściami[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Dokładność sortowania przy użyciu GoT okazała się **o 70% wyższa** niż przy prostym łańcuchu myśli CoT i **o 62% wyższa** niż przy drzewie myśli ToT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Jednocześnie metoda **zmniejsza zużycie zasobów obliczeniowych**: liczba odwołań do modelu (a co za tym idzie tokenizowana objętość zapytań) zmniejszyła się **o 31% w porównaniu z Tree-of-Thoughts** dla tego samego zadania[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Oznacza to, że grafowa organizacja rozumowania nie tylko poprawiła końcowy wynik, ale i uczyniła rozwiązanie bardziej ekonomicznym, unikając zbędnych obliczeń dzięki sprawnemu łączeniu pośrednich wniosków. Podobne korzyści uzyskano również w innych zadaniach testowych, szczególnie tam, gdzie wymagana jest agregacja różnorodnych informacji. Badacze zaznaczają, że GoT jest najbardziej efektywny właśnie dla **zadań złożonych**, składających się z kilku elementów: „Graph-of-Thoughts szczególnie dobrze nadaje się do zadań, które w naturalny sposób dają się rozłożyć na mniejsze podzadania, rozwiązywane oddzielnie z następującym po tym scaleniem wyników"[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). W takich przypadkach graf myśli jest w stanie objąć wszystkie aspekty problemu i zsyntetyzować rozwiązanie o bardziej kompletnym charakterze niż przy podążaniu jedną linią rozumowania. Dla głębszego zrozumienia, dlaczego jeden sposób budowania podpowiedzi jest lepszy od innego, w pracy z 2024 roku zaproponowano specjalną metrykę – **„objętość myśli"** (volume of a thought)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Objętość zdefiniowana jest dla każdej pojedynczej myśli (wierzchołka grafu) jako liczba innych myśli, z których można po skierowanych krawędziach dotrzeć do danej (mówiąc prościej, ilu pośrednim krokom zawdzięcza ona swoją informację)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). W Chain-of-Thought każda myśl opiera się jedynie na jednym poprzedniku, zatem jej objętość wynosi 1 (łańcuch liniowy). W drzewie myśli objętość może być większa, ale nadal ograniczona strukturą pojedynczej gałęzi. W grafie zaś, dzięki agregacji, pojedynczy wierzchołek może akumulować wkład wielu innych — jego „objętość" jest istotnie wyższa[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Wykazano, że GoT pozwala końcowym wnioskom opierać się na znacznie większej objętości poprzedzających myśli, łącząc ich treść. Fakt ten odzwierciedla głębsze pokrycie przestrzeni rozwiązań i stanowi ilościowe wyjaśnienie przewagi grafowego rozumowania nad prostszymi schematami. ## Porównanie i znaczenie Graph-of-Thoughts reprezentuje dziś najbardziej **uogólnioną formę strukturalnego prompting-u** dla LLM. W tabelach porównawczych różnych schematów (CoT, CoT z samospójnością, ToT i GoT) podkreśla się, że jedynie GoT obsługuje dowolną topologię procesu myślowego[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Obejmuje możliwości wszystkich poprzednich podejść: może działać zarówno jako jeden łańcuch, jak i jako drzewo z rozgałęzieniami, jak i jako kombinacja wielu łańcuchów, jeśli odpowiada to rozwiązaniu zadania[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Najważniejsze jest to, że **nie ma sztywnych ograniczeń** w połączeniach między krokami, co teoretycznie czyni przestrzeń możliwych strategii rozumowania maksymalnie szeroką[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Ważne jest zrozumienie, że elastyczność GoT ma swoją cenę w postaci większej złożoności sterowania. Realizacja grafu myśli wymaga zewnętrznego **algorytmu-orkiestratora**, który będzie decydował, kiedy i jakie myśli generować, które z nich wybierać lub łączyć, kiedy zatrzymać proces i zwrócić odpowiedź. W prostym CoT takich decyzji nie trzeba podejmować — model sam generuje liniowe rozumowanie do końca. W ToT część sterowania spoczywa na algorytmie przeszukiwania drzewa (na przykład wybór węzła do rozwinięcia). W GoT zaś stopień swobody jest wyższy, a skuteczność metody zależy od jakości heurystyk oceniających wyniki pośrednie oraz od właściwego konstruowania podpowiedzi na każdym kroku[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1). Tym samym Graph-of-Thoughts można postrzegać nie tylko jako format zapytania, lecz jako **strukturę rozumowania** nakładaną na proces interakcji z LLM — swoisty dynamiczny plan, według którego model rozwiązuje zadanie, a użytkownik (lub program-kontroler) kieruje tym procesem. Pojawienie się Graph-of-Thoughts odzwierciedla dążenie do uczynienia pracy dużych modeli językowych bardziej **interpretowalną i sterowalną**. Jawnie definiując strukturę rozwiązania, badacze nie tylko osiągają lepszą jakość, ale i zyskują możliwość analizowania, w jaki sposób model doszedł do tego lub innego wniosku. Zbliża to podejścia w NLP z klasycznymi metodami algorytmicznego przeszukiwania i planowania, jednak wykonanie kroków zostaje teraz powierzone neuronowemu modelowi. Szereg ekspertów postrzega ustrukturyzowane podpowiedzi (łańcuchy, drzewa, grafy myśli) jako obiecujący kierunek, zdolny przezwyciężyć ograniczenia „czarnej skrzynki" w głębokich modelach i zwiększyć niezawodność ich działania w trudnych zadaniach[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-survey-4). Metodologia Graph-of-Thoughts nadal aktywnie się rozwija. Kod i przykłady implementacji GoT autorzy udostępnili publicznie[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-original-html-1), co pozwoliło społeczności eksperymentować z nowym podejściem. Pojawiają się też rozszerzenia: na przykład **multimodalne wersje** grafu myśli łączące tekst z obrazami i innymi rodzajami danych[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-deepgram-multimodal-3)[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-deepgram-multimodal-3), a także próby bezpośredniej integracji idei GoT z architekturą modeli (jak we wspomnianej pracy Yao et al., 2023). W 2025 roku ukazał się szczegółowy przegląd-taksonomia metod Chain-of-Thought, Tree-of-Thoughts i Graph-of-Thoughts, systematyzujący zgromadzoną wiedzę i opisujący teoretyczne podstawy tych podejść[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_note-arxiv-survey-4). Wszystko to świadczy o dużym zainteresowaniu środowiska naukowego strukturalnym zarządzaniem myśleniem LLM. Graph-of-Thoughts zdążył już udowodnić swoją skuteczność jako narzędzie do rozwiązywania złożonych zadań i prawdopodobnie stanie się podstawą dla dalszych innowacji w dziedzinie rozwiązań AI łączących moc dużych modeli językowych z przejrzystością i logiką klasycznych algorytmów. ## Odnośniki - Oryginalna artykuł „Graph of Thoughts: Solving Elaborate Problems with Large Language Models" na arXiv - Wersja HTML oryginalnego artykułu - Przegląd „Demystifying Chains, Trees, and Graphs of Thoughts" na arXiv - Artykuł „Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models" na arXiv - Multimodal Graph-of-Thoughts — artykuł Deepgram - LLMs Graph of Thoughts Framework — artykuł 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. ## Przypisy 1. ↑ [1.00](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-0) [1.01](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-1) [1.02](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-2) [1.03](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-3) [1.04](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-4) [1.05](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-5) [1.06](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-6) [1.07](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-7) [1.08](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-8) [1.09](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-9) [1.10](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-10) [1.11](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-11) [1.12](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-12) [1.13](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-13) [1.14](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-14) [1.15](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-15) [1.16](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-16) [1.17](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-17) [1.18](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-18) [1.19](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-19) [1.20](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-20) [1.21](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-21) [1.22](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-22) [1.23](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-23) [1.24](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-24) [1.25](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-25) [1.26](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-26) [1.27](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-27) [1.28](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-28) [1.29](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-29) [1.30](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-30) [1.31](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-31) [1.32](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-32) [1.33](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-33) [1.34](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-34) [1.35](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-35) [1.36](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-36) [1.37](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-37) [1.38](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-38) [1.39](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-39) [1.40](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-40) [1.41](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-41) [1.42](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-original-html_1-42) [1.43](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#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_(PL)#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_(PL)#cite_ref-deepgram-multimodal_3-0) [3.1](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-deepgram-multimodal_3-1) [3.2](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-deepgram-multimodal_3-2) [3.3](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-deepgram-multimodal_3-3) [3.4](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#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_(PL)#cite_ref-arxiv-survey_4-0) [4.1](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-survey_4-1) [4.2](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-survey_4-2) [4.3](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-survey_4-3) [4.4](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-survey_4-4) [4.5](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#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_(PL)#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_(PL)#cite_ref-arxiv-beyond-cot_6-0) [6.1](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#cite_ref-arxiv-beyond-cot_6-1) [6.2](https://systems-analysis.info/int/Graph_of_Thoughts_(PL)#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]