---
title: "Tree of Thoughts (ToT) (TR)"
source: "https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)"
wiki: "systems-analysis.info/int"
article: "Tree_of_Thoughts_(ToT)_(TR)"
language: "tr"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Turkish"
revision_id: 8287
wiki_created_at: 2026-09-07T01:15:05Z
wiki_modified_at: 2026-09-07T01:15:05Z
downloaded_at: 2026-09-07T23:24:34Z
---

# Tree of Thoughts (ToT) (TR)

**Tree of Thoughts (ToT)** (**Düşünce Ağacı**) — büyük dil modellerinin (LLM) akıl yürütme süreçlerini yönetmeye yönelik yenilikçi bir framework'tür; modellerin birden fazla akıl yürütme yolunu sistematik biçimde keşfederek bilinçli problem çözme gerçekleştirmesine olanak tanır. Kavram, 2023 yılında Princeton Üniversitesi ve Google DeepMind araştırmacıları tarafından tanıtılmıştır<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-yao2023-1)</sup>.

ToT, popüler "düşünce zinciri" (Chain of Thought, CoT) tekniğinin bir genişlemesi ve genelleştirilmesidir. CoT'ta akıl yürütme tek bir doğrusal adım dizisinden oluşurken, ToT düşünce sürecini bir **ağaç** biçiminde düzenler; her düğüm ara bir durumu ("düşünce") temsil eder, dallar ise akıl yürütmenin olası gelişim yollarıdır. Bu sayede model birden fazla seçeneği paralel olarak keşfedebilir, bunların umut vaat edip etmediğini değerlendirebilir, çıkmaz noktalarda önceki adımlara geri dönebilir (*backtracking*) ve bilinçli seçim yapabilir<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-yao2023-1)[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-ibm_tot-2)</sup>.

## Çalışma Prensibi

ToT framework'ü, bir problemi çözme sürecini durum ağacı üzerinde arama olarak düzenler. Çalışması, dört temel bileşenin döngüsel etkileşimine dayanır<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-yao2023-1)</sup>:

1\. **Problemin "düşüncelere" ayrıştırılması**: Kaynak problem, "düşünceler" olarak adlandırılan daha küçük alt adımlara bölünür. CoT'ta "düşünce" yalnızca bir sonraki token iken, ToT'ta "düşünce", çözüme yaklaştıran semantik açıdan anlamlı bir birimdir (örneğin matematiksel bir problemdeki denklem veya metin planındaki paragraf).

2\. **Düşünce üretimi**: Her adımda, mevcut durum (ağaç düğümü) için model birkaç olası "düşünce" (dal) üretir. Bunun için iki strateji kullanılır:

- **Örnekleme (sample)**: Model bağımsız olarak birden fazla devam seçeneği üretir. Geniş bir fikir yelpazesinin faydalı olduğu yaratıcı görevler için uygundur.
- **Öneri (propose)**: Model seçenekleri sıralı biçimde üretir; bu, sınırlı çözüm uzayına sahip görevler için daha verimlidir.

3\. **Durum değerlendirmesi**: Üretilen "düşünceler", umut vaat edip etmediğini belirlemek amacıyla LLM'nin kendisi tarafından değerlendirilir. Değerlendirme sayısal (örneğin 0 ile 1 arasında bir ölçek) ya da kategorik ("kesinlikle", "belki", "imkânsız") olabilir. Bu, aramayı umut vaat eden dallara yönlendiren bir sezgisel işlevdir.

4\. **Arama algoritması**: Düşünce ağacını sistematik biçimde keşfetmek için klasik arama algoritmaları kullanılır:

- **Genişlik öncelikli arama (BFS)**: Bir sonraki seviyeye geçmeden önce aynı seviyedeki tüm düğümleri keşfeder. En kısa yolu bulmayı garanti eder, ancak daha fazla bellek gerektirir.
- **Derinlik öncelikli arama (DFS)**: Geri dönüp başka bir dal denemeden önce bir dalı sonuna kadar keşfeder. Bellek açısından daha ekonomiktir ve derin fakat çok geniş olmayan arama uzayına sahip görevler için uygundur.

Bu framework, sezgisel fikir üretimini (LLM aracılığıyla) bilinçli, sistematik planlama ve seçenekler arasında gezinmeyle birleştirerek problem çözmedeki insan düşüncesini taklit eder<sup>[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-ibm_tot-2)</sup>.

## Diğer Akıl Yürütme Yöntemleriyle Karşılaştırma

### ToT ile Chain of Thought (CoT) Karşılaştırması

ToT, CoT'un doğrudan bir genellemesidir. CoT, dallanma genişliği 1'e eşit bir ağaç olarak düşünülebilirken, ToT keyfi genişlikte bir ağacın keşfedilmesine olanak tanır. Bu durum temel avantajlar sağlar<sup>[\[3\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-substack_tot_vs_cot-3)</sup>:

- **Alternatiflerin keşfi**: ToT birden fazla çözüm yolunu değerlendirebilirken, CoT tek bir doğrusal yolla sınırlıdır.
- **Geri dönüş imkânı**: Bir akıl yürütme dalı çıkmaza girdiğinde ToT modelin "geri dönmesine" izin verir; bu CoT'ta mümkün değildir.
- **Küresel planlama**: ToT, birden fazla ilerideki adımın değerlendirilmesine dayalı stratejik seçimler yapılmasına olanak tanır.

### ToT ile Self-Consistency Karşılaştırması

Self-Consistency, birden fazla bağımsız "düşünce zinciri" üretir ve oylama yoluyla en sık görülen yanıtı seçer. Bu yöntem CoT'un güvenilirliğini artırır; ancak CoT gibi, çözümün dallanmış yapısını keşfetmeye izin vermez. ToT ise bağımsız denemelerin yanı sıra bunların birbirleriyle ilişkisinin de önemli olduğu karmaşık planlama görevlerinde daha kayda değer iyileştirmeler sergileyebilir<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-yao2023-1)</sup>.

## Deneysel Sonuçlar

ToT'un yazarları, önemsiz olmayan planlama veya arama gerektiren üç görevde framework'ün etkinliğini kanıtlamıştır.

- **24 Oyunu**: Dört verilen sayıdan temel aritmetik işlemler kullanılarak 24 sayısını elde etmeyi gerektiren matematiksel bir bulmaca. GPT-4 ile standart prompting **%7,3** başarı oranı, Chain of Thought ise **%4** göstermiştir. Genişlik öncelikli arama (b=5) ile ToT **%74** başarı oranına ulaşmış; bu, CoT'a kıyasla 18,5 kat daha iyi bir sonuçtur<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-yao2023-1)[\[4\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-arxiv_plus_5_1-4)</sup>.
- **Yaratıcı yazarlık**: Belirlenmiş son cümlelerle dört paragraftan oluşan tutarlı bir metin üretme görevinde, ToT ile oluşturulan metinler 10 üzerinden ortalama **7,56** tutarlılık puanı alırken CoT **6,15** puanla kalmıştır. 100 karşılaştırmanın 41'inde insanlar ToT tarafından üretilen metni tercih ederken, bu oran CoT için 21 olmuştur<sup>[\[5\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-openreview_plus_3_1-5)</sup>.
- **Mini bulmacalar (5x5)**: ToT kelimelerin **%60'**ını doğru doldururken CoT yalnızca **%1** başarı göstermiştir<sup>[\[6\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-arxiv_plus_4_1-6)</sup>.

## Sınırlılıklar ve Gelecekteki Yönelimler

Etkileyici sonuçlarına karşın ToT framework'ünün bir dizi sınırlılığı bulunmaktadır:

- **Hesaplama karmaşıklığı**: ToT, birden fazla "düşünce" üretme ve değerlendirme zorunluluğu nedeniyle standart yöntemlere kıyasla çok daha fazla hesaplama kaynağı gerektirir (5–100 kat daha fazla token)<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(TR)#cite_note-yao2023-1)</sup>.
- **Uygulama güçlüğü**: ToT'un hayata geçirilmesi, düşünce üreticisi, durum değerlendiricisi ve arama algoritması gibi tüm bileşenlerin oluşturulması ve yapılandırılması için önemli mühendislik çabası gerektirmektedir.
- **Değerlendirme kalitesine bağımlılık**: Framework'ün tamamının etkinliği, LLM'nin ara durumları yeterince değerlendirebilme kapasitesine büyük ölçüde bağlıdır; bu kapasite her zaman garanti edilemez.

Gelecekteki araştırmalar, daha akıllı ve özerk ajanlar oluşturmak amacıyla verimliliğin artırılmasına, optimizasyonun otomasyonuna ve ToT'un Reinforcement Learning gibi diğer yöntemlerle entegrasyonuna odaklanmaktadır.

## Dış bağlantılar

- GitHub'daki resmi Tree of Thoughts deposu.
- Tree of Thoughts (ToT) — Prompt Engineering Guide'daki rehber.

## Kaynakça

- 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.

## Notlar

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