---
title: "Tree of Thoughts (ToT) (VI)"
source: "https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)"
wiki: "systems-analysis.info/int"
article: "Tree_of_Thoughts_(ToT)_(VI)"
language: "vi"
categories:
  - "Category:Large language models"
  - "Category:Machine learning"
  - "Category:Prompt engineering"
  - "Category:Vietnamese"
revision_id: 8289
wiki_created_at: 2026-09-07T01:15:07Z
wiki_modified_at: 2026-09-07T01:15:07Z
downloaded_at: 2026-09-07T23:24:35Z
---

# Tree of Thoughts (ToT) (VI)

**Tree of Thoughts (ToT)** (**Cây Suy Nghĩ**) — là một framework đột phá để điều hướng quá trình suy luận của các mô hình ngôn ngữ lớn (LLM), cho phép chúng thực hiện giải quyết vấn đề một cách có ý thức thông qua việc khám phá có hệ thống nhiều con đường suy luận. Khái niệm này được giới thiệu vào năm 2023 bởi các nhà nghiên cứu từ Đại học Princeton và Google DeepMind<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-yao2023-1)</sup>.

ToT là sự mở rộng và tổng quát hóa của kỹ thuật phổ biến "chuỗi suy nghĩ" (Chain of Thought, CoT). Khác với CoT, nơi quá trình suy luận là một chuỗi tuyến tính đơn lẻ các bước, ToT tổ chức quá trình tư duy dưới dạng **cây**, trong đó mỗi nút là một trạng thái trung gian ("suy nghĩ"), còn các nhánh là những con đường phát triển suy luận có thể có. Điều này cho phép mô hình khám phá nhiều phương án song song, đánh giá triển vọng của chúng, quay lại các bước trước khi phát hiện bế tắc (*backtracking*) và đưa ra lựa chọn có ý thức<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-yao2023-1)[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-ibm_tot-2)</sup>.

## Nguyên lý hoạt động

Framework ToT tổ chức quá trình giải quyết vấn đề như một quá trình tìm kiếm trên cây trạng thái. Hoạt động của nó dựa trên sự tương tác tuần hoàn của bốn thành phần chính<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-yao2023-1)</sup>:

1\. **Phân rã vấn đề thành các "suy nghĩ"**: Vấn đề ban đầu được chia nhỏ thành các bước con nhỏ hơn, gọi là "suy nghĩ". Khác với CoT, nơi "suy nghĩ" chỉ đơn giản là token tiếp theo, trong ToT "suy nghĩ" là một đơn vị có ý nghĩa ngữ nghĩa (ví dụ, một phương trình trong bài toán toán học hoặc một đoạn trong kế hoạch văn bản), giúp tiến gần hơn đến lời giải.

2\. **Sinh ra các suy nghĩ**: Ở mỗi bước, đối với trạng thái hiện tại (nút của cây), mô hình sinh ra một số "suy nghĩ" tiếp theo tiềm năng (các nhánh). Để làm điều này, hai chiến lược được sử dụng:

- **Lấy mẫu (sample)**: Mô hình sinh ra độc lập một số phương án tiếp theo. Phù hợp với các nhiệm vụ sáng tạo, nơi một phổ rộng các ý tưởng là hữu ích.
- **Đề xuất (propose)**: Mô hình sinh ra các phương án tuần tự, hiệu quả hơn cho các nhiệm vụ với không gian giải pháp hạn chế.

3\. **Đánh giá trạng thái**: Các "suy nghĩ" được sinh ra được chính LLM đánh giá để xác định triển vọng của chúng. Đánh giá có thể là số (ví dụ, theo thang từ 0 đến 1) hoặc theo loại ("chắc chắn", "có thể", "không thể"). Đây là hàm heuristic định hướng tìm kiếm về phía các nhánh hứa hẹn.

4\. **Thuật toán tìm kiếm**: Các thuật toán tìm kiếm cổ điển được sử dụng để khám phá có hệ thống cây suy nghĩ:

- **Tìm kiếm theo chiều rộng (BFS)**: Khám phá tất cả các nút ở một mức trước khi chuyển sang mức tiếp theo. Đảm bảo tìm thấy con đường ngắn nhất, nhưng đòi hỏi nhiều bộ nhớ hơn.
- **Tìm kiếm theo chiều sâu (DFS)**: Khám phá một nhánh đến tận cùng trước khi quay lại và thử nhánh khác. Tiết kiệm bộ nhớ hơn và phù hợp với các nhiệm vụ có không gian tìm kiếm sâu nhưng không quá rộng.

Framework này mô phỏng tư duy của con người khi giải quyết vấn đề, kết hợp việc sinh ý tưởng trực giác (bằng LLM) với việc lập kế hoạch có ý thức, có hệ thống và liệt kê các phương án<sup>[\[2\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-ibm_tot-2)</sup>.

## So sánh với các phương pháp suy luận khác

### ToT so với Chain of Thought (CoT)

ToT là sự tổng quát hóa trực tiếp của CoT. Nếu CoT có thể được biểu diễn như một cây với độ rộng phân nhánh bằng 1, thì ToT cho phép khám phá cây với độ rộng tùy ý. Điều này mang lại những ưu điểm chính<sup>[\[3\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-substack_tot_vs_cot-3)</sup>:

- **Khám phá các phương án thay thế**: ToT có thể xem xét nhiều con đường giải quyết, trong khi CoT bị giới hạn bởi một con đường tuyến tính duy nhất.
- **Khả năng quay lui**: ToT cho phép mô hình "quay lại" nếu một nhánh suy luận đi vào bế tắc, điều này không thể thực hiện trong CoT.
- **Lập kế hoạch toàn cục**: ToT cho phép đưa ra lựa chọn chiến lược dựa trên đánh giá nhiều bước trong tương lai.

### ToT so với Self-Consistency

Self-Consistency sinh ra nhiều "chuỗi suy nghĩ" độc lập và chọn câu trả lời phổ biến nhất thông qua bỏ phiếu. Phương pháp này cải thiện độ tin cậy của CoT, nhưng, cũng như CoT, nó không cho phép khám phá cấu trúc phân nhánh của lời giải. ToT, ở chiều ngược lại, có thể cho thấy những cải thiện đáng kể hơn trên các nhiệm vụ lập kế hoạch phức tạp, nơi không chỉ các nỗ lực độc lập mà còn cả mối liên hệ giữa chúng là quan trọng<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-yao2023-1)</sup>.

## Kết quả thực nghiệm

Các tác giả của ToT đã chứng minh hiệu quả của nó trên ba nhiệm vụ đòi hỏi lập kế hoạch hoặc tìm kiếm không tầm thường.

- **Trò chơi 24**: Câu đố toán học, trong đó cần thu được số 24 từ bốn số cho trước bằng các phép toán số học cơ bản. Prompting tiêu chuẩn với GPT-4 cho thấy tỷ lệ thành công **7.3%**, Chain of Thought — **4%**. ToT với tìm kiếm theo chiều rộng (b=5) đạt **74%** tỷ lệ thành công, tốt hơn CoT **18.5 lần**<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-yao2023-1)[\[4\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-arxiv_plus_5_1-4)</sup>.
- **Viết sáng tạo**: Trong nhiệm vụ tạo văn bản liền mạch gồm bốn đoạn với các câu kết cho trước, các văn bản được tạo bằng ToT nhận được điểm mạch lạc trung bình **7.56** trên 10, trong khi CoT — **6.15**. Trong 41 trên 100 so sánh, con người ưa thích văn bản được tạo bởi ToT, so với 21 cho CoT<sup>[\[5\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-openreview_plus_3_1-5)</sup>.
- **Ô chữ mini (5x5)**: ToT điền đúng **60%** số từ, trong khi CoT — chỉ **1%**<sup>[\[6\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-arxiv_plus_4_1-6)</sup>.

## Hạn chế và các hướng phát triển tương lai

Mặc dù có những kết quả ấn tượng, framework ToT có một số hạn chế:

- **Độ phức tạp tính toán**: ToT đòi hỏi nhiều tài nguyên tính toán hơn đáng kể (nhiều hơn 5–100 lần token) so với các phương pháp tiêu chuẩn, do cần sinh và đánh giá nhiều "suy nghĩ"<sup>[\[1\]](https://systems-analysis.info/int/Tree_of_Thoughts_(ToT)_(VI)#cite_note-yao2023-1)</sup>.
- **Độ phức tạp triển khai**: Việc áp dụng ToT đòi hỏi nỗ lực kỹ thuật đáng kể để xây dựng và tinh chỉnh tất cả các thành phần: bộ sinh suy nghĩ, bộ đánh giá trạng thái và thuật toán tìm kiếm.
- **Phụ thuộc vào chất lượng đánh giá**: Hiệu quả của toàn bộ framework phụ thuộc nhiều vào khả năng của LLM trong việc đánh giá đầy đủ các trạng thái trung gian, điều này không phải lúc nào cũng được đảm bảo.

Các nghiên cứu tương lai hướng đến việc nâng cao hiệu quả, tự động hóa tối ưu hóa và tích hợp ToT với các phương pháp khác, chẳng hạn như Reinforcement Learning, để tạo ra các tác nhân thông minh và tự chủ hơn.

## Liên kết

- Kho lưu trữ chính thức của Tree of Thoughts trên GitHub.
- Tree of Thoughts (ToT) — hướng dẫn trên Prompt Engineering Guide.

## Tài liệu tham khảo

- 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.

## Chú thích

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