---
title: "Tree of Thoughts (ToT) (EL)"
source: "https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)"
wiki: "systems-analysis.info/int"
article: "Tree_of_Thoughts_(ToT)_(EL)"
language: "el"
categories:
  - "Category:Greek"
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
revision_id: 8270
wiki_created_at: 2026-09-07T01:14:49Z
wiki_modified_at: 2026-09-07T01:14:49Z
downloaded_at: 2026-09-07T23:24:29Z
---

# Tree of Thoughts (ToT) (EL)

**Tree of Thoughts (ToT)** (**Δέντρο Σκέψεων**) — είναι ένα καινοτόμο framework για τη διαχείριση της συλλογιστικής μεγάλων γλωσσικών μοντέλων (LLM), που τους επιτρέπει να εκτελούν συνειδητή επίλυση προβλημάτων μέσω συστηματικής εξερεύνησης πολλαπλών μονοπατιών συλλογιστικής. Η έννοια παρουσιάστηκε το 2023 από ερευνητές του Πανεπιστημίου Princeton και του Google DeepMind<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-yao2023-1)</sup>.

Το ToT αποτελεί επέκταση και γενίκευση της δημοφιλούς τεχνικής «αλυσίδας σκέψεων» (Chain of Thought, CoT). Σε αντίθεση με το CoT, όπου η συλλογιστική αποτελεί μία ενιαία γραμμική ακολουθία βημάτων, το ToT οργανώνει τη διαδικασία σκέψης σε μορφή **δέντρου**, όπου κάθε κόμβος είναι μια ενδιάμεση κατάσταση («σκέψη»), και οι κλάδοι είναι τα πιθανά μονοπάτια ανάπτυξης της συλλογιστικής. Αυτό επιτρέπει στο μοντέλο να εξερευνά παράλληλα αρκετές εκδοχές, να αξιολογεί τις προοπτικές τους, να επιστρέφει στα προηγούμενα βήματα όταν εντοπίζονται αδιέξοδα (*backtracking*) και να κάνει συνειδητές επιλογές<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-yao2023-1)[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-ibm_tot-2)</sup>.

## Αρχή λειτουργίας

Το framework ToT οργανώνει τη διαδικασία επίλυσης ενός προβλήματος ως αναζήτηση σε δέντρο καταστάσεων. Η λειτουργία του βασίζεται στην κυκλική αλληλεπίδραση τεσσάρων βασικών συνιστωσών<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-yao2023-1)</sup>:

1\. **Αποσύνθεση της εργασίας σε «σκέψεις»**: Το αρχικό πρόβλημα διαιρείται σε μικρότερα υπο-βήματα που ονομάζονται «σκέψεις». Σε αντίθεση με το CoT, όπου η «σκέψη» είναι απλώς το επόμενο token, στο ToT η «σκέψη» είναι μια σημασιολογικά σημαντική μονάδα (για παράδειγμα, μια εξίσωση σε μαθηματικό πρόβλημα ή μια παράγραφος στο πλάνο ενός κειμένου) που πλησιάζει στη λύση.

2\. **Δημιουργία σκέψεων**: Σε κάθε βήμα, για την τρέχουσα κατάσταση (κόμβος του δέντρου), το μοντέλο δημιουργεί αρκετές πιθανές επόμενες «σκέψεις» (κλάδους). Για αυτό χρησιμοποιούνται δύο στρατηγικές:

- **Δειγματοληψία (sample)**: Το μοντέλο παράγει ανεξάρτητα αρκετές εκδοχές συνέχειας. Κατάλληλο για δημιουργικές εργασίες, όπου είναι χρήσιμο ένα ευρύ φάσμα ιδεών.
- **Πρόταση (propose)**: Το μοντέλο παράγει εκδοχές διαδοχικά, κάτι που είναι πιο αποτελεσματικό για εργασίες με περιορισμένο χώρο λύσεων.

3\. **Αξιολόγηση καταστάσεων**: Οι παραγόμενες «σκέψεις» αξιολογούνται από το ίδιο το LLM για τον προσδιορισμό των προοπτικών τους. Η αξιολόγηση μπορεί να είναι αριθμητική (για παράδειγμα, σε κλίμακα από 0 έως 1) ή κατηγορική («σίγουρα», «πιθανώς», «αδύνατο»). Αυτή είναι μια ευρετική συνάρτηση που κατευθύνει την αναζήτηση προς τους πιο υποσχόμενους κλάδους.

4\. **Αλγόριθμος αναζήτησης**: Για τη συστηματική εξερεύνηση του δέντρου σκέψεων χρησιμοποιούνται κλασικοί αλγόριθμοι αναζήτησης:

- **Αναζήτηση κατά πλάτος (BFS)**: Εξερευνά όλους τους κόμβους σε ένα επίπεδο πριν μεταβεί στο επόμενο. Εγγυάται την εύρεση του συντομότερου μονοπατιού, αλλά απαιτεί περισσότερη μνήμη.
- **Αναζήτηση κατά βάθος (DFS)**: Εξερευνά έναν κλάδο μέχρι τέλους πριν επιστρέψει και δοκιμάσει άλλον. Είναι πιο οικονομική ως προς τη μνήμη και κατάλληλη για εργασίες με βαθύ αλλά όχι υπερβολικά φαρδύ χώρο αναζήτησης.

Αυτό το framework προσομοιώνει την ανθρώπινη σκέψη κατά την επίλυση προβλημάτων, συνδυάζοντας την διαισθητική δημιουργία ιδεών (με τη βοήθεια του LLM) με συνειδητό, συστηματικό σχεδιασμό και εξέταση εναλλακτικών<sup>[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-ibm_tot-2)</sup>.

## Σύγκριση με άλλες μεθόδους συλλογιστικής

### ToT σε σύγκριση με Chain of Thought (CoT)

Το ToT είναι άμεση γενίκευση του CoT. Αν το CoT μπορεί να αναπαρασταθεί ως δέντρο με πλάτος διακλάδωσης ίσο με 1, τότε το ToT επιτρέπει την εξερεύνηση δέντρου με αυθαίρετο πλάτος. Αυτό παρέχει βασικά πλεονεκτήματα<sup>[\[3\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-substack_tot_vs_cot-3)</sup>:

- **Εξερεύνηση εναλλακτικών**: Το ToT μπορεί να εξετάσει πολλαπλά μονοπάτια επίλυσης, ενώ το CoT περιορίζεται σε ένα γραμμικό μονοπάτι.
- **Δυνατότητα οπισθοδρόμησης**: Το ToT επιτρέπει στο μοντέλο να «επιστρέψει πίσω» εάν ένας κλάδος συλλογιστικής φτάσει σε αδιέξοδο, κάτι που δεν είναι δυνατό στο CoT.
- **Καθολικός σχεδιασμός**: Το ToT επιτρέπει στρατηγικές επιλογές βάσει αξιολόγησης αρκετών μελλοντικών βημάτων.

### ToT σε σύγκριση με Self-Consistency

Το Self-Consistency παράγει πολλές ανεξάρτητες «αλυσίδες σκέψεων» και επιλέγει την πιο συχνή απάντηση μέσω ψηφοφορίας. Αυτή η μέθοδος βελτιώνει την αξιοπιστία του CoT, αλλά, όπως και το CoT, δεν επιτρέπει την εξερεύνηση της διακλαδισμένης δομής της λύσης. Το ToT, από την πλευρά του, μπορεί να παρουσιάζει πιο ουσιαστικές βελτιώσεις σε σύνθετες εργασίες σχεδιασμού, όπου σημαντική δεν είναι μόνο η ανεξαρτησία των προσπαθειών αλλά και η μεταξύ τους σχέση<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-yao2023-1)</sup>.

## Πειραματικά αποτελέσματα

Οι συγγραφείς του ToT απέδειξαν την αποτελεσματικότητά του σε τρεις εργασίες που απαιτούν μη τετριμμένο σχεδιασμό ή αναζήτηση.

- **Παιχνίδι 24**: Μαθηματικό παζλ, όπου πρέπει να ληφθεί ο αριθμός 24 από τέσσερις δοσμένους αριθμούς χρησιμοποιώντας βασικές αριθμητικές πράξεις. Η τυπική χρήση prompt με GPT-4 έδειξε επιτυχία **7,3%**, το Chain of Thought — **4%**. Το ToT με αναζήτηση κατά πλάτος (b=5) επέτυχε **74%** επιτυχίας, δηλαδή 18,5 φορές καλύτερα από το CoT<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-yao2023-1)[\[4\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-arxiv_plus_5_1-4)</sup>.
- **Δημιουργική γραφή**: Στην εργασία δημιουργίας συνεκτικού κειμένου από τέσσερις παραγράφους με δοσμένες τελευταίες προτάσεις, τα κείμενα που δημιουργήθηκαν με τη βοήθεια του ToT έλαβαν μέση βαθμολογία συνοχής **7,56** στα 10, ενώ το CoT — **6,15**. Σε 41 από 100 συγκρίσεις οι άνθρωποι προτίμησαν το κείμενο που δημιουργήθηκε από το ToT, έναντι 21 για το CoT<sup>[\[5\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-openreview_plus_3_1-5)</sup>.
- **Μίνι σταυρόλεξο (5x5)**: Το ToT συμπλήρωσε σωστά το **60%** των λέξεων, ενώ το CoT μόλις το **1%**<sup>[\[6\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-arxiv_plus_4_1-6)</sup>.

## Περιορισμοί και μελλοντικές κατευθύνσεις

Παρά τα εντυπωσιακά αποτελέσματα, το framework ToT έχει ορισμένους περιορισμούς:

- **Υπολογιστική πολυπλοκότητα**: Το ToT απαιτεί σημαντικά περισσότερους υπολογιστικούς πόρους (5–100 φορές περισσότερα token) σε σύγκριση με τις τυπικές μεθόδους, λόγω της ανάγκης δημιουργίας και αξιολόγησης πολλαπλών «σκέψεων»<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_note-yao2023-1)</sup>.
- **Πολυπλοκότητα υλοποίησης**: Η εφαρμογή του ToT απαιτεί σημαντικές μηχανολογικές προσπάθειες για τη δημιουργία και ρύθμιση όλων των συνιστωσών: γεννήτριας σκέψεων, αξιολογητή καταστάσεων και αλγορίθμου αναζήτησης.
- **Εξάρτηση από την ποιότητα αξιολόγησης**: Η αποτελεσματικότητα ολόκληρου του framework εξαρτάται σε μεγάλο βαθμό από την ικανότητα του LLM να αξιολογεί επαρκώς τις ενδιάμεσες καταστάσεις, κάτι που δεν είναι πάντα εγγυημένο.

Μελλοντικές έρευνες στοχεύουν στη βελτίωση της αποδοτικότητας, στην αυτοματοποίηση της βελτιστοποίησης και στην ενσωμάτωση του ToT με άλλες μεθόδους, όπως το Reinforcement Learning, για τη δημιουργία πιο έξυπνων και αυτόνομων πρακτόρων.

## Σύνδεσμοι

- Επίσημο αποθετήριο Tree of Thoughts στο GitHub.
- Tree of Thoughts (ToT) — οδηγός στο Prompt Engineering Guide.

## Βιβλιογραφία

- Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601.
- 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.
- Kojima, T. et al. (2022). *Large Language Models are Zero-Shot Reasoners*. arXiv:2205.11916.
- Zhang, Z. et al. (2022). *Automatic Chain of Thought Prompting in Large Language Models*. arXiv:2210.03493.
- Lyu, Q. et al. (2023). *Faithful Chain-of-Thought Reasoning*. arXiv:2301.13379.
- Ling, Z. et al. (2023). *Deductive Verification of Chain of Thought Reasoning*. arXiv:2306.03872.
- Yao, S. et al. (2022). *ReAct: Synergizing Reasoning and Acting in Language Models*. arXiv:2210.03629.
- Besta, M. et al. (2023). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687.
- Lightman, H. et al. (2023). *Let's Verify Step by Step*. arXiv:2305.20050.
- Lanham, T. et al. (2023). *Measuring Faithfulness in Chain-of-Thought Reasoning*. arXiv:2307.13702.
- Yang, B. et al. (2025). *Hallucination Detection in Large Language Models with Metamorphic Relations*. arXiv:2502.15844.

## Παραπομπές

1.  <span id="cite_note-yao2023-1">↑ <sup>[1.0](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-yao2023_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-yao2023_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-yao2023_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-yao2023_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-yao2023_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-yao2023_1-5)</sup> Yao, S., Yu, D., Zhao, J., et al. (2023). «Tree of Thoughts: Deliberate Problem Solving with Large Language Models». *arXiv*. <a href="https://arxiv.org/abs/2305.10601" class="external autonumber" rel="nofollow">[1]</a></span>
2.  <span id="cite_note-ibm_tot-2">↑ <sup>[2.0](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-ibm_tot_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-ibm_tot_2-1)</sup> «What is Tree of Thoughts Prompting?». *IBM*. <a href="https://www.ibm.com/think/topics/tree-of-thoughts" class="external autonumber" rel="nofollow">[2]</a></span>
3.  <span id="cite_note-substack_tot_vs_cot-3">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-substack_tot_vs_cot_3-0) «Tree of Thoughts vs Chain of Thought». *Substack*.</span>
4.  <span id="cite_note-arxiv_plus_5_1-4">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-arxiv_plus_5_1_4-0) «...18.5 times improvement...». *arXiv*.</span>
5.  <span id="cite_note-openreview_plus_3_1-5">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-openreview_plus_3_1_5-0) «...41 out of 100 comparisons...». *OpenReview*.</span>
6.  <span id="cite_note-arxiv_plus_4_1-6">[↑](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(EL)#cite_ref-arxiv_plus_4_1_6-0) «...CoT: 1% success rate...». *arXiv*.</span>