--- title: "Graph of Thoughts (TH)" source: "https://systems-analysis.info/int/Graph_of_Thoughts_(TH)" wiki: "systems-analysis.info/int" article: "Graph_of_Thoughts_(TH)" language: "th" categories: - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" - "Category:Thai" revision_id: 2767 wiki_created_at: 2026-09-06T23:10:43Z wiki_modified_at: 2026-09-06T23:10:43Z downloaded_at: 2026-09-07T22:53:14Z --- # Graph of Thoughts (TH) **Graph-of-Thoughts (GoT)** — คือแนวคิดในด้านการทำงานกับ**โมเดลภาษาขนาดใหญ่** (**LLM**, Large Language Models) ที่เสนอให้แสดงกระบวนการให้เหตุผลของโมเดลในรูปแบบ**กราฟอิสระ**ของ**«ความคิด»**ที่เชื่อมโยงกัน (ขั้นตอนกลางของการแก้ปัญหา)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) แนวทางนี้ได้รับการเสนอโดยกลุ่มนักวิจัยภายใต้การนำของ**Maciej Besta** จาก ETH Zurich และได้รับการตีพิมพ์ในปี 2024 ในการประชุม AAAI[\[2\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-2) เป้าหมายของ Graph-of-Thoughts คือการขยายความสามารถของ**prompt engineering** (การพัฒนาคำสั่ง) ให้เกินกว่าโครงร่างที่มีอยู่ เช่น Chain-of-Thought (ห่วงโซ่ความคิด) และ Tree-of-Thoughts (ต้นไม้ความคิด)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) แตกต่างจากแนวทางเหล่านั้น แนวทาง GoT ยอมให้ชิ้นส่วนการให้เหตุผลใด ๆ ที่โมเดลสร้างขึ้น (ความคิด) อ้างอิงถึงชิ้นส่วนอื่น ๆ ก่อให้เกิดเครือข่ายของแนวคิด แทนที่จะเป็นโครงสร้างเส้นตรงหรือแบบต้นไม้อย่างเคร่งครัด[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-deepgram-multimodal-3) สิ่งนี้ตามที่ผู้เขียนอ้างนั้นสะท้อนลักษณะที่ซับซ้อนและไม่เป็นเส้นตรงของการคิดของมนุษย์ได้แม่นยำกว่า และอาจทำให้กลไกการให้เหตุผลของ LLM เข้าใกล้การทำงานของสมองมนุษย์มากขึ้น (ด้วยการเชื่อมต่อของเซลล์ประสาทแบบ recurrent)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) Graph-of-Thoughts เป็น**วิธีการสร้างคำสั่ง** (prompting framework) กล่าวคือไม่ต้องการการฝึกเพิ่มเติมหรือการปรับแต่งโมเดลเอง แต่จัดการสนทนากับ LLM ในลักษณะพิเศษ นำโมเดลผ่านชุดขั้นตอน-«ความคิด» ที่เชื่อมโยงตามโครงร่างกราฟ[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) โครงสร้างดังกล่าวช่วยให้สามารถรวมและนำสาขาการให้เหตุผลต่าง ๆ กลับมาใช้ใหม่ได้: ตัวอย่างเช่น โมเดลสามารถพิจารณาสมมติฐานหรือส่วนต่าง ๆ ของปัญหาแบบขนานกัน แล้วรวมสิ่งที่ดีที่สุดเข้าด้วยกันเป็นคำตอบเดียว[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ในเชิงสารานุกรม Graph-of-Thoughts สามารถนิยามได้ว่าเป็น**การวางนัยทั่วไปของกลยุทธ์การให้เหตุผลแบบมีโครงสร้างก่อนหน้าด้วย LLM** ซึ่งให้ความยืดหยุ่นสูงสุดในการจัดระเบียบกระบวนการคิดภายในคำสั่งเดียวที่ซับซ้อน[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ## Предпосылки: Chain-of-Thought и Tree-of-Thoughts - ที่มา: Chain-of-Thought และ Tree-of-Thoughts วิธี Graph-of-Thoughts เติบโตมาจากแนวทางก่อนหน้าที่ใช้โครงสร้างการให้เหตุผลที่ชัดเจนในการทำงานกับโมเดลภาษา แนวทางพื้นฐานคือ**Chain-of-Thought (CoT)** – «ห่วงโซ่ความคิด» ในวิธี CoT ผู้ใช้จะได้รับการแนะนำให้รวมไม่เพียงแต่เงื่อนไขของปัญหาเท่านั้น แต่ยังรวมขั้นตอนการให้เหตุผลกลางที่นำไปสู่คำตอบในคำสั่งที่ส่งไปยังโมเดลด้วย[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) การวิจัยแสดงให้เห็นว่าการนำเสนอเนื้อหาในลักษณะนี้ช่วยปรับปรุงความสามารถของ LLM ในการแก้ปัญหาที่ซับซ้อนได้อย่างมีนัยสำคัญ เช่น ปัญหาทางคณิตศาสตร์หรือตรรกศาสตร์ โดยไม่ต้องเปลี่ยนแปลงพารามิเตอร์ของโมเดลเอง[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ในทางปฏิบัติ CoT กระตุ้นให้โมเดลแยกย่อยปัญหาที่ซับซ้อนทีละขั้นตอนเป็นขั้นตอนที่ง่ายกว่า เลียนแบบลำดับขั้นตอนการคิด พัฒนาการของแนวคิดนี้คือเทคนิค**Self-Consistency**: แทนที่จะเป็นห่วงโซ่ความคิดเดียว จะมีการสร้างห่วงโซ่อิสระหลายชุด แล้วเลือกอันที่น่าเชื่อถือที่สุด[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ทำให้โมเดลสามารถพิจารณาแนวทางต่าง ๆ ในการแก้ปัญหาและลดความเสี่ยงที่จะได้คำตอบที่ผิดพลาดเนื่องจากการตามเส้นทางการให้เหตุผลที่ผิดพลาดเพียงเส้นทางเดียว อย่างไรก็ตาม แม้แต่ห่วงโซ่ CoT จำนวนมากก็ไม่ได้ให้ความสามารถในการ «รวมแนวคิด»: แต่ละห่วงโซ่จะถูกพิจารณาแยกกัน และโมเดลเพียงแค่เลือกอันที่ดีที่สุดโดยไม่ได้รวมเนื้อหาของห่วงโซ่เหล่านั้น เพื่อเอาชนะข้อจำกัดนี้ จึงได้มีการเสนอโครงร่าง**Tree-of-Thoughts (ToT)** – «ต้นไม้ความคิด»[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ใน ToT กระบวนการให้เหตุผลจัดเป็นต้นไม้: ในแต่ละจุดโมเดลสามารถสร้างตัวเลือกการพัฒนาความคิดหลายแบบ (การแตกสาขา) หลังจากนั้นจะมีการประเมินสถานะกลางเหล่านี้และเลือกสิ่งที่มีแนวโน้มดีที่สุดเพื่อดำเนินการต่อในเชิงลึก[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) โดยใช้การค้นหาแบบต้นไม้ (เช่น แบบกว้าง — BFS หรือแบบลึก — DFS) และความสามารถในการย้อนกลับไปยังโหนดและพัฒนาสาขาอื่น Tree-of-Thoughts มอบกลไกที่ทรงพลังกว่าในการแก้ปัญหาที่ซับซ้อนให้กับโมเดลภาษากว่า CoT เชิงเส้น[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ความสามารถใหม่ปรากฏขึ้น เช่น**การย้อนกลับและทบทวน**: หากสาขาหนึ่งนำไปสู่ทางตัน ก็สามารถกลับไปยังโหนดก่อนหน้าและลองเส้นทางอื่น[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) วิธีนี้พิสูจน์ประสิทธิภาพในการแก้ปัญหาตรรกะและการค้นหา ซึ่งการลองผิดลองถูกและการวางแผนมีบทบาทสำคัญ อย่างไรก็ตาม ต้นไม้ความคิดยังกำหนดข้อจำกัดที่เข้มงวด: ความคิดแต่ละอย่าง (โหนดของต้นไม้) อยู่เพียงในสาขาเดียว การโต้ตอบเกิดขึ้นเฉพาะระหว่างโหนดพ่อแม่และลูก และสาขาต่าง ๆ ไม่สามารถรวมกันหรือแลกเปลี่ยนข้อมูลได้[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-deepgram-multimodal-3) กล่าวอีกนัยหนึ่ง**การแลกเปลี่ยนแนวคิดข้ามสาขา** (cross-pollination) ระหว่างสมมติฐานต่าง ๆ ภายในการแก้ปัญหาเดียวนั้นทำได้ยาก: สาขาของต้นไม้พัฒนาอย่างอิสระและรวมกันเฉพาะที่รากเมื่อเลือกห่วงโซ่การให้เหตุผลที่ดีที่สุด[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-deepgram-multimodal-3) ในการคิดเชิงสร้างสรรค์หรือเชิงวิเคราะห์ที่แท้จริง มนุษย์มักกลับมาพิจารณาแนวคิดที่เคยพิจารณาไปแล้วและรวมกับสาขาการให้เหตุผลอื่น การผสมผสานความคิดเช่นนี้เกินกว่าโครงสร้างต้นไม้[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) การสังเกตเหล่านี้นำนักวิจัยไปสู่แนวคิดเกี่ยวกับโครงสร้างที่ยืดหยุ่นกว่า — กราฟ ซึ่งการเชื่อมต่อระหว่างความคิดไม่ถูกจำกัดและสามารถก่อเป็นเครือข่ายที่ซับซ้อน ตามที่ระบุในการทบทวนวิเคราะห์ปี 2024 การปรากฏของห่วงโซ่ ต้นไม้ และกราฟของความคิดสะท้อนถึงการเกิดขึ้นของวิธีการประเภทใหม่ที่สามารถเพิ่มความสามารถของ LLM ได้อย่างมีนัยสำคัญผ่านการจัดโครงสร้างกระบวนการให้เหตุผลอย่างชัดเจน[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-survey-4) โดยเฉพาะอย่างยิ่ง การใช้คำสั่งแบบมีโครงสร้างช่วยปรับปรุงผลลัพธ์ของ LLM อย่างเห็นได้ชัดในหลายด้าน — ตั้งแต่การแก้ปัญหาทางคณิตศาสตร์และตรรกศาสตร์ไปจนถึงการวางแผนและแม้แต่การเขียนเชิงสร้างสรรค์[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-survey-4) บนพื้นหลังทั่วไปนี้ โครงร่าง Graph-of-Thoughts จึงเกิดขึ้นเป็นขั้นตอนต่อไปในการพัฒนาวิธีการ prompting แบบมีโครงสร้าง ## Концепция Graph-of-Thoughts: графовая структура мыслей - แนวคิด Graph-of-Thoughts: โครงสร้างกราฟของความคิด Graph-of-Thoughts เสนอให้แสดงขั้นตอนการดำเนินงานของโมเดลภาษาในรูปแบบ**กราฟมีทิศทางอิสระ** ในเชิงรูปแบบ กราฟความคิดใน GoT คือชุดของจุดยอด (ความคิด) และเส้นเชื่อม (การพึ่งพาระหว่างความคิด)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) จุดยอดของกราฟคือ**ความคิดของโมเดล**แต่ละอย่าง — คำนี้หมายถึงหน่วยเนื้อหาใด ๆ ที่ขึ้นอยู่กับบริบทของงาน: อาจเป็นคำกล่าวเดี่ยว ขั้นตอนการแก้ปัญหา ส่วนของข้อความ ย่อหน้า บล็อกโค้ด และอื่น ๆ ที่โมเดลสร้างขึ้นเพื่อตอบสนองต่อคำสั่ง[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) เส้นเชื่อมระหว่างจุดยอดหมายความว่าความคิดหนึ่งถูกใช้ในการสร้างความคิดอื่น — กล่าวคือในคำสั่งจะระบุอย่างชัดเจนว่าโมเดลควรอ้างอิงผลลัพธ์ก่อนหน้าที่ระบุเพื่อให้ได้ผลลัพธ์ใหม่[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ดังนั้นเส้นเชื่อมจึงบันทึก**การพึ่งพา**: ขั้นตอนปัจจุบันของการให้เหตุผลขึ้นอยู่กับข้อมูลใดที่ได้รับมาก่อนหน้านี้ ความแตกต่างที่สำคัญที่สุดของ GoT จากโครงสร้างที่เรียบง่ายกว่าคือความสามารถในการ**รวมและผสานความคิด** ในกราฟนั้นยอมให้จุดยอด (ความคิดใหม่) มีบรรพบุรุษหลายตัว[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ซึ่งสอดคล้องกับสถานการณ์ที่ห่วงโซ่การให้เหตุผลสองสายขึ้นไปรวมกัน: โมเดลรับชิ้นส่วนที่สร้างไว้ก่อนหน้าหลายชิ้นเป็นอินพุตพร้อมกันและสร้างข้อสรุปที่สังเคราะห์จากชิ้นส่วนเหล่านั้น[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ตัวอย่างเช่น เมื่อแก้ปัญหา โมเดลสามารถพิจารณาสมมติฐานสองข้อแบบขนานกัน แล้วสร้างความคิดใหม่ที่รวมข้อดีของสมมติฐานทั้งสองและขจัดข้อเสียของสมมติฐานเหล่านั้น[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) การดำเนินการรวมดังกล่าวเป็นไปไม่ได้ภายในโครงร่างแบบต้นไม้ (ซึ่งแต่ละโหนดมีพ่อแม่เพียงคนเดียว) แต่สามารถทำได้อย่างเป็นธรรมชาติในโครงร่างกราฟ[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) นอกจากการผสานแนวคิดแล้ว กราฟยังช่วยให้นำ**ข้อเสนอแนะย้อนกลับ** (feedback loops) มาใช้ได้: โดยหลักการแล้ว โครงสร้างของ GoT ไม่ได้ห้ามวงจร กล่าวคือโมเดลสามารถส่งคืนผลลัพธ์บางอย่างไปยังขั้นตอนก่อนหน้าของการให้เหตุผลเพื่อการประมวลผลซ้ำหรือปรับแต่ง[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ผู้เขียนเชื่อมโยงสิ่งนี้กับการเปรียบเทียบกับการเชื่อมต่อแบบ recurrent ในเครือข่ายประสาทของสมอง ซึ่งผลลัพธ์จากกลุ่มเซลล์ประสาทหนึ่งสามารถส่งผลกลับไปยังชั้นก่อนหน้า ก่อตัวเป็นวงจรความคิดปิด[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ในทางปฏิบัติ การดำเนินการ Graph-of-Thoughts ต้องการการจัดระเบียบสนทนากับโมเดลในลักษณะพิเศษ นักวิจัยได้พัฒนา**กรอบสถาปัตยกรรมแบบโมดูลาร์**สำหรับ GoT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ซึ่งประกอบด้วยส่วนประกอบสำหรับ: (1) การควบคุมอย่างละเอียดเหนือขั้นตอนแต่ละอย่าง (ความคิด) — «ตัวควบคุม» จัดการลำดับและตรรกะของการสร้างความคิด; (2) การสร้าง prompt แบบไดนามิก — สำหรับแต่ละขั้นตอน โมดูลพิเศษสร้าง prompt จากบริบทปัจจุบันและจุดยอดของกราฟที่เลือก (บรรพบุรุษ); (3) การแยกวิเคราะห์และประเมินการตอบสนองของโมเดล — ชิ้นส่วนที่ได้รับจาก LLM จะถูกวิเคราะห์และประเมินในด้านคุณภาพ ประโยชน์ หรือการปฏิบัติตามเกณฑ์ของงาน[\[5\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-medium-jomsborg-5) สถาปัตยกรรมของ GoT จึงช่วยให้สร้างกราฟการให้เหตุผลในโหมดโต้ตอบได้: หลังจากแต่ละขั้นตอน จะมีการตัดสินใจว่าจะเพิ่มจุดยอดใหม่ใด จะเชื่อมกับจุดยอดก่อนหน้าอย่างไร สาขาใดจะดำเนินต่อหรือเชื่อมต่อกัน ด้วยความเป็นโมดูลาร์ กรอบดังกล่าวสามารถขยายด้วยประเภท «การแปลงความคิด» ใหม่ (เช่น การดำเนินการพิเศษกับกราฟ) และปรับให้เข้ากับโมเดลต่าง ๆ (ผู้เขียนทดสอบ GoT กับ LLM ในตระกูล GPT-3.5, GPT-4, LLAMA 2 และอื่น ๆ ได้สำเร็จ)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) คุณสมบัติสำคัญคือ**GoT ไม่ต้องการการเปลี่ยนแปลงพารามิเตอร์ของโมเดลภาษาเอง** — การปรับปรุงทั้งหมดเกิดขึ้นผ่านการสร้างคำสั่งที่ชาญฉลาดกว่าและการประมวลผลการตอบสนอง[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ซึ่งหมายความว่า LLM ที่มีประสิทธิภาพสูงที่มีอยู่แล้วสามารถใช้ «ตามที่เป็น» และ Graph-of-Thoughts ทำหน้าที่เป็นชั้นที่ควบคุมการทำงานของโมเดลเหล่านั้น ควรสังเกตว่าคำว่า Graph-of-Thought ยังปรากฏในการพัฒนาอีกแบบหนึ่งที่เป็นอิสระ ต่างจากแนวทางของ Besta และเพื่อนร่วมงาน ในปี 2023 **Yao Yao** และผู้เขียนร่วมเสนอวิธีการปรับปรุง reasoning ของ LLM ด้วยโมดูล encoder กราฟความคิดเพิ่มเติม ซึ่งต้องการการ fine-tuning ของโมเดล[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-beyond-cot-6) งานของพวกเขาภายใต้ชื่อ «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models» อธิบายสถาปัตยกรรมสองขั้นตอน: ขั้นแรกสร้างกราฟของคำกล่าวกลางที่เชื่อมโยงกัน จากนั้นแปลงโดย encoder พิเศษและรวมเข้ากับโมเดลผ่านกลไก gated fusion[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-beyond-cot-6) แนวทางไฮบริดที่มีการเรียนรู้เช่นนี้แสดงให้เห็นการเพิ่มขึ้นของความแม่นยำในงานบางอย่าง เช่น บนชุดคำถามมัลติโมดัล ScienceQA ความแม่นยำเพิ่มขึ้นจาก 85.2% เป็น 87.6% เมื่อใช้โมเดล T5-base[\[6\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-beyond-cot-6) อย่างไรก็ตาม แนวทางนี้แม้จะมีชื่อคล้ายกัน แต่แตกต่างกันอย่างสิ้นเชิง: ต้องการการเปลี่ยนแปลงโมเดล (fine-tuning) และไม่ใช่โครงร่าง prompt engineering ผู้เขียนแนวทาง GoT ดั้งเดิม (AAAI 2024) ระบุอย่างชัดเจนว่าไม่ได้พิจารณาโมเดลของ Yao และคณะในงานของตน เนื่องจากมุ่งเน้นเฉพาะวิธีการที่ไม่มีการอัปเดตพารามิเตอร์ของ LLM[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ดังนั้น Graph-of-Thoughts ในบริบทของการทบทวนนี้จึงเป็น**กรอบการทำงานในระดับคำสั่ง**โดยเฉพาะ ไม่ใช่การปรับเปลี่ยนสถาปัตยกรรมของเครือข่ายประสาท ## Применение и результаты - การประยุกต์ใช้และผลลัพธ์ ผู้เขียน GoT แสดงให้เห็นข้อดีของวิธีนี้ในงานหลายประเภทที่ยากต่อการแก้ปัญหาด้วยคำสั่งตรง ๆ เดียว (input-output prompting) หรือแม้แต่ด้วยห่วงโซ่ความคิด ลักษณะเฉพาะของงานดังกล่าวคือสามารถแยกย่อยเป็นหลายส่วน (งานย่อย) แก้ส่วนเหล่านั้นแยกกัน แล้วสังเคราะห์คำตอบสมบูรณ์จากผลลัพธ์บางส่วน[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ตัวอย่างที่พิจารณา ได้แก่: **การเรียงลำดับ**รายการที่ไม่มีลำดับ **การนับคำสำคัญ**ในข้อความ (เช่น สำหรับการสรุปเอกสาร) การดำเนินการ**ทางเซต** (การรวม การตัดกันของรายการ และอื่น ๆ) รวมถึง**การรวมเอกสารข้อความ** (การรวมข้อมูลจากหลายแหล่ง)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ในทุกกรณีเหล่านี้ Graph-of-Thoughts ช่วยให้**แยกย่อยงาน**ได้อย่างเป็นธรรมชาติ ตัวอย่างเช่น สำหรับการเรียงลำดับ รายการจะถูกแบ่งออกเป็นส่วน ๆ แต่ละส่วนจะถูกเรียงลำดับแยกกันเป็นสาขาความคิดอิสระ แล้วนำผลลัพธ์มารวมกัน (เลียนแบบอัลกอริทึมเช่น merge sort); หรือเมื่อวิเคราะห์ข้อความ โมเดลสามารถดึงข้อมูลจากเอกสารต่าง ๆ แบบขนานกัน แล้วรวบรวมเข้าด้วยกัน **ผลการทดลอง**ยืนยันประสิทธิภาพของโครงร่าง GoT ตามรายงานของ Besta และเพื่อนร่วมงาน ในงานเรียงลำดับ กราฟความคิดช่วยให้คุณภาพของการแก้ปัญหาดีขึ้นอย่างมีนัยสำคัญเมื่อเปรียบเทียบกับแนวทางก่อนหน้า[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) โดยความแม่นยำของการเรียงลำดับเมื่อใช้ GoT สูงกว่า**ถึง 70%**เมื่อเทียบกับห่วงโซ่ความคิดแบบง่าย CoT และ**สูงกว่า 62%**เมื่อเทียบกับต้นไม้ความคิด ToT[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ในขณะเดียวกัน วิธีนี้**ลดการใช้ทรัพยากรการคำนวณ**: จำนวนการเรียกใช้โมเดล (และปริมาณโทเค็นของคำสั่ง) ลดลง**ถึง 31% เมื่อเทียบกับ Tree-of-Thoughts**สำหรับงานเดียวกัน[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ซึ่งหมายความว่าการจัดระเบียบการให้เหตุผลแบบกราฟไม่เพียงแต่ปรับปรุงผลลัพธ์สุดท้ายเท่านั้น แต่ยังทำให้การแก้ปัญหามีประสิทธิภาพทางเศรษฐกิจมากขึ้น หลีกเลี่ยงการคำนวณที่ซ้ำซ้อนผ่านการรวมข้อสรุปกลางอย่างชาญฉลาด ผลประโยชน์ดังกล่าวได้รับการพิสูจน์ในงานทดสอบอื่น ๆ ด้วย โดยเฉพาะอย่างยิ่งที่ต้องการการรวมข้อมูลที่หลากหลาย นักวิจัยสังเกตว่า GoT มีประสิทธิภาพสูงสุดโดยเฉพาะสำหรับ**งานแบบผสม**ที่ประกอบด้วยหลายองค์ประกอบ: «Graph-of-Thoughts เหมาะสมเป็นพิเศษสำหรับงานที่แยกย่อยได้อย่างเป็นธรรมชาติเป็นงานย่อยขนาดเล็กกว่าซึ่งแก้ได้แยกกันแล้วนำผลลัพธ์มารวมกัน»[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ในกรณีดังกล่าว กราฟความคิดสามารถครอบคลุมทุกแง่มุมของปัญหาและสังเคราะห์การแก้ปัญหาที่ครอบคลุมกว่าการตามเส้นทางการให้เหตุผลเดียว เพื่อความเข้าใจที่ละเอียดขึ้นว่าเหตุใดวิธีการสร้างคำสั่งแบบหนึ่งจึงดีกว่าอีกแบบหนึ่ง งานปี 2024 เสนอเมตริกพิเศษ — **«ปริมาณความคิด»** (volume of a thought)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ปริมาณถูกกำหนดสำหรับความคิดแต่ละอย่าง (จุดยอดของกราฟ) ว่าเป็นจำนวนความคิดอื่น ๆ ที่สามารถเข้าถึงความคิดนั้นได้ตามเส้นเชื่อมมีทิศทาง (พูดง่าย ๆ คือ มีขั้นตอนกลางกี่ขั้นที่ความคิดนั้นได้รับข้อมูลมา)[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ใน Chain-of-Thought ความคิดใด ๆ อาศัยบรรพบุรุษเพียงคนเดียว ดังนั้นปริมาณของมันจึงเท่ากับ 1 (ห่วงโซ่เชิงเส้น) ใน Tree-of-Thoughts ปริมาณอาจมากกว่า แต่ยังคงถูกจำกัดโดยโครงสร้างของสาขาเดียว ในกราฟ ด้วยการรวม จุดยอดเดียวสามารถสะสมการมีส่วนร่วมจากหลาย ๆ อย่างในคราวเดียว — «ปริมาณ» ของมันจึงสูงกว่าอย่างมีนัยสำคัญ[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) แสดงให้เห็นว่า GoT ช่วยให้ข้อสรุปสุดท้ายอ้างอิงปริมาณความคิดก่อนหน้าที่มากกว่าอย่างมีนัยสำคัญ โดยรวมเนื้อหาของความคิดเหล่านั้น ข้อเท็จจริงนี้สะท้อนถึงการครอบคลุมพื้นที่การแก้ปัญหาที่ลึกซึ้งกว่าและเป็นคำอธิบายเชิงปริมาณถึงข้อดีของการให้เหตุผลแบบกราฟเมื่อเทียบกับโครงร่างที่เรียบง่ายกว่า ## Сравнение и значение - การเปรียบเทียบและความสำคัญ Graph-of-Thoughts ในปัจจุบันเป็นตัวแทน**รูปแบบที่เป็นนัยทั่วไปที่สุดของการ prompting แบบมีโครงสร้าง**สำหรับ LLM ในตารางเปรียบเทียบโครงร่างต่าง ๆ (CoT, CoT ด้วย self-consistency, ToT และ GoT) เน้นว่ามีเพียง GoT เท่านั้นที่รองรับโทโพโลยีอิสระของกระบวนการคิด[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ครอบคลุมความสามารถของแนวทางก่อนหน้าทั้งหมด: สามารถทำงานได้ทั้งเป็นห่วงโซ่เดียว เป็นต้นไม้ที่มีสาขา และเป็นการรวมกันของหลายห่วงโซ่ หากเหมาะสมกับการแก้ปัญหา[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ประเด็นหลักคือ**ไม่มีข้อจำกัดที่เข้มงวด**ในการเชื่อมต่อระหว่างขั้นตอน ซึ่งในทางทฤษฎีทำให้พื้นที่ของกลยุทธ์การให้เหตุผลที่เป็นไปได้กว้างที่สุด[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) สิ่งสำคัญคือต้องเข้าใจว่าความยืดหยุ่นของ GoT มาพร้อมกับความซับซ้อนในการควบคุมที่สูงขึ้น การดำเนินการกราฟความคิดต้องการ**อัลกอริทึม-orchestrator** ภายนอก ซึ่งจะตัดสินใจว่าเมื่อใดและความคิดใดที่จะสร้าง อันใดที่จะเลือกหรือรวมกัน เมื่อใดที่จะหยุดกระบวนการและให้คำตอบ ใน CoT แบบง่าย ไม่จำเป็นต้องตัดสินใจดังกล่าว — โมเดลสร้างการให้เหตุผลเชิงเส้นจนจบเอง ใน ToT ส่วนหนึ่งของการควบคุมขึ้นอยู่กับอัลกอริทึมการค้นหาแบบต้นไม้ (เช่น การเลือกโหนดสำหรับการขยาย) ใน GoT ระดับอิสรภาพยิ่งสูงกว่า และประสิทธิภาพของวิธีนี้ขึ้นอยู่กับคุณภาพของฮิวริสติกที่ประเมินผลลัพธ์กลางและการสร้างคำสั่งที่ถูกต้องในแต่ละขั้นตอน[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ดังนั้น Graph-of-Thoughts สามารถมองได้ว่าไม่ใช่แค่รูปแบบคำสั่งเท่านั้น แต่เป็น**โครงสร้างการให้เหตุผล**ที่วางซ้อนบนกระบวนการโต้ตอบกับ LLM — เป็นแผนแบบไดนามิกชนิดหนึ่งที่โมเดลใช้แก้ปัญหา และผู้ใช้ (หรือโปรแกรม-ตัวควบคุม) ชี้นำกระบวนการนี้ การปรากฏตัวของ Graph-of-Thoughts สะท้อนถึงความปรารถนาที่จะทำให้การทำงานของโมเดลภาษาขนาดใหญ่มีความ**โปร่งใสและควบคุมได้มากขึ้น** การกำหนดโครงสร้างการแก้ปัญหาอย่างชัดเจน นักวิจัยไม่เพียงแต่บรรลุคุณภาพที่ดีขึ้นเท่านั้น แต่ยังได้รับโอกาสในการวิเคราะห์ว่าโมเดลมาถึงข้อสรุปใดข้อสรุปหนึ่งได้อย่างไร สิ่งนี้ทำให้แนวทางใน NLP เข้าใกล้วิธีการค้นหาและวางแผนเชิงอัลกอริทึมแบบคลาสสิกมากขึ้น แต่ขณะนี้การดำเนินการขั้นตอนต่าง ๆ ถูกมอบหมายให้กับโมเดลเครือข่ายประสาท ผู้เชี่ยวชาญหลายคนมองว่าการ prompting แบบมีโครงสร้าง (ห่วงโซ่ ต้นไม้ กราฟความคิด) เป็นทิศทางที่มีแนวโน้ม ซึ่งสามารถเอาชนะข้อจำกัดของ «กล่องดำ» ในโมเดลเชิงลึกและเพิ่มความน่าเชื่อถือในการทำงานกับงานที่ซับซ้อน[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-survey-4) วิธีการของ Graph-of-Thoughts ยังคงพัฒนาอย่างต่อเนื่อง ผู้เขียนเผยแพร่โค้ดและตัวอย่างสำหรับการดำเนินการ GoT ในรูปแบบสาธารณะ[\[1\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-original-html-1) ช่วยให้ชุมชนทดลองกับแนวทางใหม่ มีส่วนขยายปรากฏขึ้นด้วย: เช่น**เวอร์ชันมัลติโมดัล**ของกราฟความคิดที่รวมข้อความกับรูปภาพและข้อมูลประเภทอื่น[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-deepgram-multimodal-3)[\[3\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-deepgram-multimodal-3) รวมถึงความพยายามในการรวมแนวคิดของ GoT เข้าไปในสถาปัตยกรรมของโมเดลโดยตรง (เช่นในงานที่กล่าวถึงของ Yao et al., 2023) ในปี 2025 มีการเผยแพร่การทบทวนแบบอนุกรมวิธานโดยละเอียดของวิธีการ Chain-of-Thought, Tree-of-Thoughts และ Graph-of-Thoughts ซึ่งจัดระบบความรู้ที่สะสมและอธิบายรากฐานทางทฤษฎีของแนวทางดังกล่าว[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_note-arxiv-survey-4) ทั้งหมดนี้บ่งบอกถึงความสนใจอย่างมากของชุมชนวิทยาศาสตร์ต่อการจัดการความคิดของ LLM แบบมีโครงสร้าง Graph-of-Thoughts ได้พิสูจน์ตัวเองแล้วว่าเป็นเครื่องมือที่มีประสิทธิภาพสำหรับการแก้ปัญหาที่ซับซ้อน และน่าจะกลายเป็นพื้นฐานสำหรับนวัตกรรมต่อไปในด้านการแก้ปัญหา AI ที่ผสมผสานพลังของโมเดลภาษาขนาดใหญ่เข้ากับความโปร่งใสและตรรกะของอัลกอริทึมแบบคลาสสิก ## Ссылки - ลิงก์อ้างอิง - บทความต้นฉบับ «Graph of Thoughts: Solving Elaborate Problems with Large Language Models» บน arXiv - เวอร์ชัน HTML ของบทความต้นฉบับ - การทบทวน «Demystifying Chains, Trees, and Graphs of Thoughts» บน arXiv - บทความ «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models» บน arXiv - Multimodal Graph-of-Thoughts — บทความของ Deepgram - LLMs Graph of Thoughts Framework — บทความบน Medium ## Литература - บรรณานุกรม - 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. ## Примечания - หมายเหตุ 1. ↑ [1.00](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-0) [1.01](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-1) [1.02](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-2) [1.03](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-3) [1.04](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-4) [1.05](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-5) [1.06](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-6) [1.07](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-7) [1.08](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-8) [1.09](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-9) [1.10](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-10) [1.11](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-11) [1.12](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-12) [1.13](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-13) [1.14](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-14) [1.15](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-15) [1.16](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-16) [1.17](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-17) [1.18](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-18) [1.19](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-19) [1.20](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-20) [1.21](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-21) [1.22](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-22) [1.23](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-23) [1.24](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-24) [1.25](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-25) [1.26](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-26) [1.27](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-27) [1.28](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-28) [1.29](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-29) [1.30](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-30) [1.31](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-31) [1.32](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-32) [1.33](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-33) [1.34](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-34) [1.35](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-35) [1.36](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-36) [1.37](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-37) [1.38](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-38) [1.39](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-39) [1.40](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-40) [1.41](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-41) [1.42](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-original-html_1-42) [1.43](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#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_(TH)#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_(TH)#cite_ref-deepgram-multimodal_3-0) [3.1](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-deepgram-multimodal_3-1) [3.2](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-deepgram-multimodal_3-2) [3.3](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-deepgram-multimodal_3-3) [3.4](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#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_(TH)#cite_ref-arxiv-survey_4-0) [4.1](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-survey_4-1) [4.2](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-survey_4-2) [4.3](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-survey_4-3) [4.4](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-survey_4-4) [4.5](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#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_(TH)#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_(TH)#cite_ref-arxiv-beyond-cot_6-0) [6.1](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#cite_ref-arxiv-beyond-cot_6-1) [6.2](https://systems-analysis.info/int/Graph_of_Thoughts_(TH)#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]