--- title: "Program of Thoughts Prompting (HU)" source: "https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)" wiki: "systems-analysis.info/int" article: "Program_of_Thoughts_Prompting_(HU)" language: "hu" categories: - "Category:Hungarian" - "Category:Large language models" - "Category:Machine learning" - "Category:Prompt engineering" revision_id: 5857 wiki_created_at: 2026-09-06T23:55:00Z wiki_modified_at: 2026-09-06T23:55:00Z downloaded_at: 2026-09-07T23:10:43Z --- # Program of Thoughts Prompting (HU) **Program of Thoughts Prompting** (**PoT**, angolul: „gondolatok programja") — az LLM-ek prompt engineeringjének egy módszere, amelynek során a modell programkódot generál a feladat megoldásának közbenső lépéseiként, szöveges magyarázat helyett[\[1\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_paper-1). Ez a megközelítés lehetővé teszi a logikai következtetés és a matematikai számítások szétválasztását: a nyelvi modell a megoldás tervét egy program formájában (például Pythonban) készíti el, míg a számításokat egy külső, determinisztikus kódértelmező hajtja végre. A módszert 2022-ben **Wenhu Chen** vezette kutatócsoport javasolta, és elsősorban numerikus vagy logikai jellegű feladatokra (matematikai problémák, pénzügyi számítások) irányul, ahol a hagyományos következtetési módszerek, mint a Chain-of-Thought, nehézségekbe ütköztek a számítási pontosság terén[\[1\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_paper-1). ## Előzmények és fogalom ### A Chain-of-Thought korlátai A PoT módszer a **Chain-of-Thought (CoT)** (gondolatlánc) ötletének továbbfejlesztése, amely korábban az LLM-ek logikai következtetésének javítására szolgáló fő megközelítés volt[\[2\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-cot_paper-2). A CoT módszerben a modell természetes nyelven generál közbenső lépések sorozatát. A következtetés minőségének jelentős javulása ellenére ennek a megközelítésnek van egy alapvető korlátja: a modell szöveges formában végzi el mind a logikát, mind magát a számítást. Ez gyakran pontatlan aritmetikai műveletekhez, kerekítési hibákhoz és egyéb pontatlanságokhoz vezet, mivel a nyelvi modellek természetüknél fogva nem pontos számológépek. ### A Program of Thoughts alapötlete A PoT alapötlete az, hogy a számításokat egy külső rendszerre (kódértelmezőre) delegálja, a nyelvi modelltől pedig csak azt várja el, hogy a megoldási tervet végrehajtható program formájában formalizálja[\[1\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_paper-1). A modell „programozóként" és nem „számítógépként" működik. A működési folyamat a következőképpen néz ki: 1. A modell bemenetként megkapja a feladatot (például egy szöveges matematikai feladatot). 2. Szöveges következtetés helyett egy programozási nyelven (például **Pythonban**) generál egy szkriptet, amely megoldja a feladatot. 3. A generált kód átkerül a külső értelmezőhöz, amely végrehajtja azt. 4. A kód végrehajtásának eredménye a végső válasz. Így az összetett és pontos számítások (nagy számokkal végzett műveletek, speciális könyvtárak hívása) nem maga a modell, hanem a program végzi el, ami determinisztikusságot és magas pontosságot biztosít[\[3\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_ministry_ai-3). ## Megvalósítás és könyvtárak használata A PoT megvalósításában kulcsfontosságú az LLM azon képessége, hogy helyes és hatékony kódot generáljon. A megközelítés szerzői a programozási feladatokra speciálisan betanított **OpenAI Codex** modellt használták. A PoT megközelítés lehetővé teszi, hogy a modell külső könyvtárakat vegyen igénybe, ami lényegesen kibővíti a megoldható feladatok körét. Például szimbolikus matematikai feladatok megoldásakor a modell olyan kódot generálhat, amely az **SymPy** könyvtárat használja az egyenletek analitikus megoldásához, ami meghaladja a tisztán nyelvi módszerek lehetőségeit[\[1\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_paper-1). A PoT-hoz való prompt két módban adható meg: - **Few-shot**: A promptban néhány „kérdés – megoldóprogram" pár példa szerepel. - **Zero-shot**: A promptban csak a feladatot leíró utasítás szerepel, példák nélkül. Még *zero-shot* módban is magas hatékonyságot mutat a PoT, köszönhetően annak az explicit struktúrának, amelyet a modellnek generálnia kell[\[4\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_learnprompting-4). ## Eredmények és hatékonyság A PoT módszer jelentős minőségjavulást mutatott többlépéses numerikus következtetést igénylő feladatokon. Az eredeti munkában nyolc matematikai és pénzügyi feladatgyűjteményen tesztelték, köztük a **GSM8K**, **AQUA**, **SVAMP**, **FinQA** és egyéb dataset-eken. - **Pontosság növekedése**: Minden esetben a PoT felülmúlta az alap CoT megközelítést. Átlagosan ~**12%**-os relatív nyereséget értek el a helyes megoldások arányában. - A népszerű **GSM8K** matematikai dataset-en a PoT-tal rendelkező modell pontossága elérte a **71,6%**-ot, míg CoT-tal **63,1%** volt. - Pénzügyi feladatoknál a nyereség még jelentősebb volt: a **FinQA** dataset-en a pontosság **40,4%**-ról (CoT) **64,5%**-ra (PoT) nőtt[\[1\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_paper-1). - **Kombináció Self-Consistency-vel**: A PoT hatékonysága tovább javítható **önkonzisztencia** (*self-consistency*) módszerrel kombinálva. Ebben az esetben a modell több független megoldóprogram-változatot generál, és a végső választ a végrehajtásuk eredményeiből „többségi elv" alapján választják ki. A *self-consistency*-vel kombinált PoT a közzététel idején új **state-of-the-art** eredményt ért el az összes tesztelt matematikai és pénzügyi benchmark-on[\[1\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_paper-1). ## Előnyök és korlátok ### Előnyök - **Számítási pontosság**: A fő előny. Az aritmetikai műveletek külső értelmező általi végrehajtása kiküszöböli az LLM-ekre jellemző kerekítési hibákat és pontatlanságokat. - **Könyvtárak használatának lehetősége**: A modell hatékony külső könyvtárakat vonhat be (például szimbolikus számításokhoz, statisztikai elemzéshez, dátumkezeléshez), megoldva korábban elérhetetlen feladatokat. - **Értelmezhetőség és hibakeresés**: A programkód a megoldás logikájának formális és strukturált reprezentációja, ami megkönnyíti ellenőrzését és hibakeresését a természetes nyelvű következtetésekhez képest. - **Sokoldalúság**: A megközelítés *few-shot* és *zero-shot* módban egyaránt hatékony, és különböző területeken alkalmazható (matematika, pénzügy, tudomány). ### Korlátok - **Biztonság**: A generált kód külső értelmezőn való végrehajtása biztonsági kockázatokat jelent. A modell elméletileg rosszindulatú kódot is generálhat (például fájlok törléséhez). Ezért a PoT gyakorlati alkalmazása a végrehajtási környezet izolálását (*sandbox*) és a kód gondos szűrését igényli[\[4\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pot_learnprompting-4). - **Korlátozott alkalmazási terület**: A módszer leginkább olyan feladatoknál hatékony, amelyek algoritmus formájában egyértelműen formalizálhatók. A nyelvi árnyalatok megértését, józan ész alkalmazását vagy kreatív megközelítést igénylő feladatoknál a PoT közvetlen alkalmazása nehézkes. - **Függőség a kód minőségétől**: A módszer hatékonysága közvetlenül függ az LLM azon képességétől, hogy szintaktikailag helyes és logikailag megfelelő kódot generáljon. ## Kapcsolódó megközelítések A kód LLM-ek következtetésének javítására való felhasználásának ötlete más hasonló megközelítésekben is továbbfejlődött. - **Program-Aided Language Models (PAL)**: A PoT-tal szinte egyidejűleg javasolt módszer, amely szintén Python-kód generálását alkalmazza a feladatok megoldásához[\[5\]](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_note-pal_guide-5). Fogalmilag a PAL és a PoT nagyon közel áll egymáshoz, és mindkettő megerősíti a „következtetés kódon keresztül" stratégia hatékonyságát. - **Tree of Thoughts (ToT)**: Egy összetettebb módszer, amely a megoldási lépések lehetséges „fájának" generálását és feltárását javasolja, ami a lineáris gondolatlánc ötletének továbbfejlesztése. A PoT felhasználható e fa csomópontjain belül hipotézisek ellenőrzésére. ## Hivatkozások - Az eredeti tudományos cikk a Program of Thoughts Prompting-ról - PoT útmutató a Learn Prompting portálon ## Irodalom - Chen, W. et al. (2023). *Program of Thoughts Prompting: Disentangling Computation from Reasoning for Numerical Reasoning Tasks*. arXiv:2211.12588. - 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. - Gao, L. et al. (2022). *PAL: Program-Aided Language Models*. arXiv:2211.10435. - Cobbe, K. et al. (2021). *Training Verifiers to Solve Math Word Problems*. arXiv:2110.14168. - Chen, Z. et al. (2021). *FinQA: A Dataset of Numerical Reasoning over Financial Data*. arXiv:2109.00122. - Zhu, F. et al. (2021). *TAT-QA: A Question Answering Benchmark on a Hybrid of Tabular and Textual Content in Finance*. arXiv:2105.07624. - Patel, A. et al. (2021). *Are NLP Models Really Able to Solve Simple Math Word Problems? (Introducing SVAMP)*. arXiv:2103.07191. - Xu, F. et al. (2023). *RECOMP: Improving Retrieval-Augmented LMs with Compression and Selective Augmentation*. arXiv:2310.04408. - Mu, J. et al. (2023). *Learning to Compress Prompts with Gist Tokens*. arXiv:2304.08467. ## Jegyzetek 1. ↑ [1.0](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_paper_1-0) [1.1](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_paper_1-1) [1.2](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_paper_1-2) [1.3](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_paper_1-3) [1.4](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_paper_1-4) [1.5](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_paper_1-5) Chen, W. et al. «Program of Thoughts Prompting: Disentangling Computation from Reasoning for Numerical Reasoning Tasks». *arXiv:2211.12588*, 2023. [1] 2. [↑](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-cot_paper_2-0) Wei, J. et al. «Chain-of-Thought Prompting Elicits Reasoning in Large Language Models». *arXiv:2201.11903*, 2022. [2] 3. [↑](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_ministry_ai_3-0) «Program of Thoughts: Everything You Need to Know». *The Ministry of AI*. [3] 4. ↑ [4.0](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_learnprompting_4-0) [4.1](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pot_learnprompting_4-1) «Program of Thoughts Prompting: Enhancing Accuracy in Reasoning and Computation». *Learn Prompting*. [4] 5. [↑](https://systems-analysis.info/int/Program_of_Thoughts_Prompting_(HU)#cite_ref-pal_guide_5-0) «PAL (Program-Aided Language Models)». *Prompt Engineering Guide*. [5]