---
title: "Tree of Thoughts (ToT) (TH)"
source: "https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)"
wiki: "systems-analysis.info/int"
article: "Tree_of_Thoughts_(ToT)_(TH)"
language: "th"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Thai"
revision_id: 8285
wiki_created_at: 2026-09-07T01:15:02Z
wiki_modified_at: 2026-09-07T01:15:02Z
downloaded_at: 2026-09-07T23:24:33Z
---

# Tree of Thoughts (ToT) (TH)

**Tree of Thoughts (ToT)** (**ต้นไม้แห่งความคิด**) — คือ framework นวัตกรรมสำหรับการจัดการกระบวนการให้เหตุผลของโมเดลภาษาขนาดใหญ่ (LLM) ที่ช่วยให้โมเดลสามารถแก้ปัญหาอย่างมีสติโดยการสำรวจเส้นทางการให้เหตุผลหลายเส้นทางอย่างเป็นระบบ แนวคิดนี้ถูกนำเสนอในปี 2023 โดยนักวิจัยจากมหาวิทยาลัย Princeton และ Google DeepMind<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-yao2023-1)</sup>

ToT เป็นการขยายและสรุปรวมของเทคนิค Chain of Thought (CoT) ที่ได้รับความนิยม ต่างจาก CoT ที่กระบวนการให้เหตุผลเป็นลำดับขั้นตอนเชิงเส้นตรงเพียงหนึ่งเดียว ToT จัดระบบกระบวนการคิดในรูปแบบ**ต้นไม้** โดยแต่ละโหนดคือสถานะขั้นกลาง («ความคิด») และกิ่งก้านคือเส้นทางการพัฒนาการให้เหตุผลที่เป็นไปได้ต่าง ๆ วิธีนี้ช่วยให้โมเดลสามารถสำรวจตัวเลือกหลายอย่างพร้อมกัน ประเมินความมีแนวโน้มของแต่ละตัวเลือก ย้อนกลับไปยังขั้นตอนก่อนหน้าเมื่อพบทางตัน (*backtracking*) และตัดสินใจเลือกอย่างมีสติ<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-yao2023-1)[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-ibm_tot-2)</sup>

## หลักการทำงาน

Framework ToT จัดกระบวนการแก้ปัญหาในลักษณะการค้นหาในต้นไม้สถานะ การทำงานของมันอาศัยการปฏิสัมพันธ์แบบวนซ้ำของส่วนประกอบหลักสี่อย่าง<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-yao2023-1)</sup>:

1\. **การแบ่งย่อยปัญหาเป็น «ความคิด»**: ปัญหาต้นทางถูกแบ่งออกเป็นขั้นตอนย่อย ๆ ที่เรียกว่า «ความคิด» ต่างจาก CoT ที่ «ความคิด» เป็นเพียง token ถัดไป ใน ToT «ความคิด» คือหน่วยที่มีความหมายเชิงความหมาย (เช่น สมการในโจทย์คณิตศาสตร์ หรือย่อหน้าในแผนงานเขียน) ที่นำไปสู่คำตอบ

2\. **การสร้างความคิด**: ในแต่ละขั้นตอน โมเดลจะสร้าง «ความคิด» ถัดไปที่เป็นไปได้หลายอย่าง (กิ่งก้าน) สำหรับสถานะปัจจุบัน (โหนดในต้นไม้) โดยใช้กลยุทธ์สองแบบ:

- **การสุ่มตัวอย่าง (sample)**: โมเดลสร้างตัวเลือกต่อเนื่องหลายอย่างอย่างอิสระ เหมาะสำหรับงานสร้างสรรค์ที่ต้องการความหลากหลายของแนวคิด
- **การเสนอ (propose)**: โมเดลสร้างตัวเลือกแบบต่อเนื่อง ซึ่งมีประสิทธิภาพมากกว่าสำหรับงานที่มีพื้นที่คำตอบจำกัด

3\. **การประเมินสถานะ**: «ความคิด» ที่ถูกสร้างขึ้นจะถูกประเมินโดย LLM เองเพื่อกำหนดความมีแนวโน้ม การประเมินอาจเป็นตัวเลข (เช่น ในระดับ 0 ถึง 1) หรือแบบหมวดหมู่ («แน่ใจ», «เป็นไปได้», «เป็นไปไม่ได้») นี่คือฟังก์ชัน heuristic ที่นำทางการค้นหาไปยังกิ่งที่มีแนวโน้มดี

4\. **อัลกอริทึมการค้นหา**: ใช้อัลกอริทึมการค้นหาแบบคลาสสิกสำหรับการสำรวจต้นไม้แห่งความคิดอย่างเป็นระบบ:

- **การค้นหาแบบกว้างก่อน (BFS)**: สำรวจโหนดทั้งหมดในระดับเดียวกันก่อนจะเลื่อนไประดับถัดไป รับประกันการพบเส้นทางที่สั้นที่สุด แต่ต้องการหน่วยความจำมากกว่า
- **การค้นหาแบบลึกก่อน (DFS)**: สำรวจกิ่งหนึ่งจนสุดก่อนจะย้อนกลับและลองกิ่งอื่น ประหยัดหน่วยความจำมากกว่าและเหมาะกับงานที่มีพื้นที่ค้นหาลึกแต่ไม่กว้างเกินไป

Framework นี้จำลองการคิดของมนุษย์ในการแก้ปัญหา โดยผสมผสานการสร้างไอเดียแบบสัญชาตญาณ (ด้วย LLM) กับการวางแผนและการพิจารณาตัวเลือกอย่างมีสติและเป็นระบบ<sup>[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-ibm_tot-2)</sup>

## การเปรียบเทียบกับวิธีการให้เหตุผลอื่น ๆ

### ToT เทียบกับ Chain of Thought (CoT)

ToT เป็นการสรุปรวมโดยตรงของ CoT หาก CoT สามารถแสดงเป็นต้นไม้ที่มีความกว้างกิ่งเท่ากับ 1 แล้ว ToT ช่วยให้สำรวจต้นไม้ที่มีความกว้างใด ๆ ก็ได้ นี่ให้ข้อได้เปรียบหลัก<sup>[\[3\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-substack_tot_vs_cot-3)</sup>:

- **การสำรวจทางเลือก**: ToT สามารถพิจารณาเส้นทางการแก้ปัญหาหลายเส้นทาง ในขณะที่ CoT ถูกจำกัดไว้ที่เส้นทางเชิงเส้นเดียว
- **ความสามารถในการย้อนกลับ**: ToT ช่วยให้โมเดล «ย้อนกลับ» ได้หากกิ่งการให้เหตุผลตกอยู่ในทางตัน ซึ่งไม่สามารถทำได้ใน CoT
- **การวางแผนแบบองค์รวม**: ToT ช่วยให้ตัดสินใจเชิงกลยุทธ์โดยอาศัยการประเมินขั้นตอนอนาคตหลายขั้นตอน

### ToT เทียบกับ Self-Consistency

Self-Consistency สร้าง Chain of Thought อิสระหลายอันและเลือกคำตอบที่พบบ่อยที่สุดโดยการลงคะแนน วิธีนี้ช่วยเพิ่มความน่าเชื่อถือของ CoT แต่เช่นเดียวกับ CoT ก็ไม่ช่วยให้สำรวจโครงสร้างกิ่งก้านของการแก้ปัญหาได้ ในทางกลับกัน ToT อาจแสดงการปรับปรุงที่มีนัยสำคัญมากกว่าในงานวางแผนที่ซับซ้อน ซึ่งไม่เพียงแต่การพยายามอิสระเท่านั้น แต่ความสัมพันธ์ระหว่างกันก็มีความสำคัญด้วย<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-yao2023-1)</sup>

## ผลลัพธ์เชิงทดลอง

ผู้เขียน ToT ได้แสดงประสิทธิภาพของมันในสามงานที่ต้องการการวางแผนหรือการค้นหาที่ไม่ตรงไปตรงมา

- **Game of 24**: ปริศนาคณิตศาสตร์ที่ต้องสร้างเลข 24 จากตัวเลขสี่ตัวที่กำหนดโดยใช้การดำเนินการเลขคณิตพื้นฐาน การ prompt มาตรฐานด้วย GPT-4 มีอัตราความสำเร็จ **7.3%** Chain of Thought — **4%** ToT ที่ใช้การค้นหาแบบกว้างก่อน (b=5) บรรลุความสำเร็จ **74%** ซึ่งดีกว่า CoT ถึง 18.5 เท่า<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-yao2023-1)[\[4\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-arxiv_plus_5_1-4)</sup>
- **การเขียนเชิงสร้างสรรค**: ในงานการสร้างข้อความที่เชื่อมโยงกันสี่ย่อหน้าโดยมีประโยคสุดท้ายที่กำหนดไว้ ข้อความที่สร้างด้วย ToT ได้รับคะแนนความสอดคล้องเฉลี่ย **7.56** จาก 10 ในขณะที่ CoT — **6.15** ในการเปรียบเทียบ 41 จาก 100 ครั้ง ผู้คนชอบข้อความที่ ToT สร้าง เทียบกับ 21 ครั้งสำหรับ CoT<sup>[\[5\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-openreview_plus_3_1-5)</sup>
- **ปริศนาอักษรไขว้ขนาดเล็ก (5x5)**: ToT ตอบคำที่ถูกต้อง **60%** ในขณะที่ CoT — เพียง **1%**<sup>[\[6\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-arxiv_plus_4_1-6)</sup>

## ข้อจำกัดและทิศทางในอนาคต

แม้จะมีผลลัพธ์ที่น่าประทับใจ แต่ framework ToT มีข้อจำกัดบางประการ:

- **ความซับซ้อนในการคำนวณ**: ToT ต้องการทรัพยากรการคำนวณมากกว่าอย่างมีนัยสำคัญ (มากกว่า 5–100 เท่าของ token) เมื่อเทียบกับวิธีมาตรฐาน เนื่องจากต้องสร้างและประเมิน «ความคิด» จำนวนมาก<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_note-yao2023-1)</sup>
- **ความซับซ้อนในการนำไปใช้**: การนำ ToT ไปใช้ต้องใช้ความพยายามทางวิศวกรรมอย่างมากในการสร้างและปรับแต่งส่วนประกอบทั้งหมด ได้แก่ ตัวสร้างความคิด ตัวประเมินสถานะ และอัลกอริทึมการค้นหา
- **การพึ่งพาคุณภาพของการประเมิน**: ประสิทธิภาพของ framework ทั้งหมดขึ้นอยู่กับความสามารถของ LLM ในการประเมินสถานะขั้นกลางอย่างเหมาะสม ซึ่งไม่ได้รับประกันเสมอไป

การวิจัยในอนาคตมุ่งเน้นไปที่การเพิ่มประสิทธิภาพ การทำให้การปรับให้เหมาะสมเป็นแบบอัตโนมัติ และการรวม ToT เข้ากับวิธีการอื่น ๆ เช่น Reinforcement Learning เพื่อสร้าง agent ที่ฉลาดและอัตโนมัติมากขึ้น

## ลิงก์

- คลังข้อมูลอย่างเป็นทางการของ Tree of Thoughts บน GitHub
- Tree of Thoughts (ToT) — คู่มือบน Prompt Engineering Guide

## เอกสารอ้างอิง

- 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.

## หมายเหตุ

1.  <span id="cite_note-yao2023-1">↑ <sup>[1.0](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_ref-yao2023_1-0)</sup> <sup>[1.1](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_ref-yao2023_1-1)</sup> <sup>[1.2](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_ref-yao2023_1-2)</sup> <sup>[1.3](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_ref-yao2023_1-3)</sup> <sup>[1.4](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#cite_ref-yao2023_1-4)</sup> <sup>[1.5](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#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)_(TH)#cite_ref-ibm_tot_2-0)</sup> <sup>[2.1](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#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)_(TH)#cite_ref-arxiv_plus_4_1_6-0) «...CoT: 1% success rate...». *arXiv*.</span>