--- title: "Graph-of-Thoughts" source: "https://systems-analysis.info/wiki/Graph-of-Thoughts" wiki: "systems-analysis.info/wiki" article: "Graph-of-Thoughts" language: "ru" categories: - "Категория:Prompt инжиниринг" - "Категория:Russian" - "Категория:Большие языковые модели" - "Категория:Машинное обучение" revision_id: 115 wiki_created_at: 2026-09-06T21:55:16Z wiki_modified_at: 2026-09-06T21:55:16Z downloaded_at: 2026-09-07T22:17:33Z --- # Graph-of-Thoughts **Graph-of-Thoughts (GoT)** — это концепция в области работы с **[большими языковыми моделями](https://systems-analysis.info/wiki/%D0%91%D0%BE%D0%BB%D1%8C%D1%88%D0%B8%D0%B5_%D1%8F%D0%B7%D1%8B%D0%BA%D0%BE%D0%B2%D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8 "Большие языковые модели")** (**LLM**, Large Language Models), предполагающая представление процесса рассуждения модели в виде **произвольного графа** взаимосвязанных **«мыслей»** (промежуточных шагов решения)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Данный подход был предложен группой исследователей под руководством **Мацея Бесты** (Maciej Besta) из ETH Zurich и опубликован в 2024 году на конференции AAAI[\[2\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-2). Цель Graph-of-Thoughts – расширить возможности **prompt engineering** (разработки запросов) за пределы существующих схем, таких как [Chain-of-Thought](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting") (цепочка мыслей) и [Tree-of-Thoughts](https://systems-analysis.info/wiki/Tree_of_Thoughts_(ToT) "Tree of Thoughts (ToT)") (дерево мыслей)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). В отличие от них, подход GoT позволяет любому сгенерированному моделью фрагменту рассуждений (мысле) ссылаться на любой другой, образуя сеть идей, а не строго линейную или древовидную структуру[\[3\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-deepgram-multimodal-3). Это, как утверждают авторы, более точно отражает сложный, нелинейный характер человеческого мышления и потенциально приближает механизм рассуждений LLM к работе человеческого мозга (с его рекуррентными нейронными связями)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Graph-of-Thoughts является **методом формирования запросов** (prompting framework), то есть не требует дополнительного обучения или донастройки самой модели — вместо этого он организует диалог с LLM особым образом, направляя модель через серию шагов-«мыслей», связанных по схеме графа[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Такая структура позволяет комбинировать и переиспользовать разные ветви рассуждений: например, модель может параллельно рассматривать несколько гипотез или частей задачи, а затем объединять наиболее удачные из них в единое решение[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). В энциклопедическом стиле, Graph-of-Thoughts можно определить как **обобщение предыдущих стратегий структурированного рассуждения с LLM**, предоставляющее максимальную гибкость в организации мыслительных процессов внутри одного комплексного запроса[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). ## Предпосылки: Chain-of-Thought и Tree-of-Thoughts Метод Graph-of-Thoughts вырос из более ранних подходов, использующих явную структуру рассуждений при работе с языковыми моделями. Базовым подходом является **Chain-of-Thought (CoT)** – «цепочка мыслей». В методе CoT пользователю предлагается включать в запрос к модели не только условие задачи, но и промежуточные шаги рассуждения, ведущие к ответу[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Исследования показали, что такая подача материала значительно улучшает способность LLM решать сложные задачи, например математические или логические головоломки, причём без изменений параметров самой модели[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Фактически, CoT побуждает модель пошагово разложить сложную проблему на более простые этапы, имитируя последовательный ход мыслей. Развитием этой идеи стала техника **Self-Consistency**: вместо одной цепочки мыслей генерируется несколько независимых цепочек, после чего выбирается наиболее убедительная из них[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Это позволяет модели рассмотреть разные подходы к решению и уменьшает риск получить ошибочный ответ из-за следования единственной неверной линии рассуждений. Тем не менее, даже множество цепочек CoT не дают возможности «объединять идеи»: каждая цепочка рассматривается изолированно, и модель лишь выбирает лучшую, не комбинируя их содержимое. Для преодоления этого ограничения была предложена схема **Tree-of-Thoughts (ToT)** – «дерево мыслей»[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). В ToT процесс рассуждения организован как дерево: в каждой точке модель может порождать несколько вариантов развития мысли (ветвления), после чего производится оценка этих промежуточных состояний и отбор наиболее перспективных для дальнейшего углубления[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Используя поиск по дереву (например, в ширину — BFS, или в глубину – DFS) и возможность откатываться к узлам и развивать другую ветку, Tree-of-Thoughts даёт языковой модели более мощный механизм решения сложных задач, чем линейный CoT[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Появляются новые возможности, такие как **откат и пересмотр**: если одна ветвь приводит в тупик, можно вернуться к предыдущему узлу и попробовать иной путь[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Эта методика доказала свою эффективность в решении логических и поисковых задач, где перебор вариантов и планирование играют большую роль. Однако дерево мыслей накладывает и жёсткие ограничения: каждая мысль (узел дерева) принадлежит лишь одной ветви, взаимодействие происходит только между родительскими и дочерними узлами, а разные ветви не могут сливаться или обмениваться информацией[\[3\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-deepgram-multimodal-3). Иными словами, **перекрёстный обмен идеями** (cross-pollination) между разными гипотезами в рамках одного решения затруднён: ветви дерева развиваются независимо и объединяются только в корне, когда выбирается лучшая цепочка рассуждений[\[3\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-deepgram-multimodal-3). В реальном же творческом или аналитическом мышлении человек нередко возвращается к ранее рассмотренной идее и комбинирует её с другой ветвью рассуждений. Такое переплетение мыслей выходит за рамки структуры дерева[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Эти наблюдения привели исследователей к мысли о более гибкой структуре – графе, где связи между мыслями не ограничены и могут образовывать сложную сеть. Как отмечается в аналитическом обзоре 2024 года, появление цепочек, деревьев и графов мыслей отражает зарождение нового класса методов, способных значительно усилить возможности LLM за счёт явного структурирования процесса рассуждения[\[4\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-survey-4). В частности, структурированные подсказки позволили заметно улучшить результаты LLM во многих областях — от решения математических задач и логических головоломок до планирования и даже творческого письма[\[4\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-survey-4). На этом общем фоне и возникла схема Graph-of-Thoughts как следующий шаг в развитии методов структурированного prompting. ## Концепция Graph-of-Thoughts: графовая структура мыслей Graph-of-Thoughts предлагает представить ход выполнения задач языковой моделью в виде произвольного **направленного графа**. Формально, граф мыслей в GoT это множество вершин (мыслей) и рёбер (зависимостей между мыслями)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Вершиной графа выступает отдельная **мысль модели** – под этим термином понимается любая содержательная единица, зависящая от контекста задачи: это может быть отдельное утверждение, шаг решения, фрагмент текста, параграф, блок кода и т.п., сформированный моделью в ответ на запрос[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Ребро между вершинами означает, что одна мысль использована при порождении другой — т.е. в подсказке явно указано, что модель должна опереться на определённый предыдущий результат, чтобы получить новый[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Таким образом, рёбра фиксируют **зависимости**: от каких ранее полученных данных зависит текущий шаг рассуждения. Важнейшее отличие GoT от более простых структур — возможность **агрегации и слияния мыслей**. В графе допускается, что у вершины (новой мысли) может быть несколько предшественников[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Это соответствует ситуации, когда две или более отдельные цепочки рассуждений объединяются: модель получает в качестве входа сразу несколько ранее сгенерированных фрагментов и на их основе формирует синтезированный вывод[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Например, решая задачу, модель может параллельно рассмотреть две гипотезы, а затем создать новую мысль, которая объединяет положительные стороны обеих гипотез и устраняет их недостатки[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Такие операции агрегации были невозможны в рамках древовидной схемы (где у каждого узла только один родитель), но естественно реализуются в графовой[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Помимо слияния идей, граф позволяет вводить и **обратные связи** (feedback loops): в принципе, структура GoT не запрещает циклы, то есть модель может вернуть некоторый результат на более раннюю стадию рассуждения для повторной обработки или уточнения[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Авторы связывают это с аналогией к рекуррентным связям в нейронных сетях мозга, где выход одной группы нейронов может воздействовать обратно на предыдущие слои, формируя замкнутые контуры размышлений[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Практически реализация Graph-of-Thoughts требует особой организации диалога с моделью. Исследователями разработан **модульный архитектурный каркас** для GoT[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). В нём выделяются компоненты для: (1) тонкого контроля над отдельными шагами (мыслями) — «контроллер» управляет порядком и логикой генерации мыслей; (2) динамического формирования подсказок – для каждого шага специальный модуль формирует prompt на основе текущего контекста и выбранных вершин графа (предшественников); (3) парсинга и оценки ответов модели — полученные от LLM фрагменты анализируются и оцениваются на качество, полезность либо соответствие критериям задачи[\[5\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-medium-jomsborg-5). Архитектура GoT тем самым позволяет в интерактивном режиме строить граф рассуждений: после каждого шага принимается решение, какие новые вершины добавить, как связать их с предыдущими, какие ветви продолжить или соединить. Благодаря модульности, такой фреймворк можно расширять новыми типами «трансформаций мыслей» (например, специальными операциями с графом) и адаптировать под различные модели (авторы успешно испытывали GoT с LLM семейств GPT-3.5, GPT-4, [LLAMA](https://systems-analysis.info/wiki/LLaMA "LLaMA") 2 и др.)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Важное свойство состоит в том, что **GoT не требует изменения параметров самой языковой модели** — все улучшения достигаются за счёт более разумного построения запросов и обработки ответов[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Это означает, что существующие мощные LLM могут быть использованы «как есть», а Graph-of-Thoughts играет роль надстройки, управляющей их работой. Следует отметить, что термин Graph-of-Thought также появлялся в другой, независимой разработке, отличной от подхода Бесты и коллег. В 2023 году **Яо Яо** и соавторы предложили методику улучшения reasoning у LLM посредством дополнительного модуля-энкодера графа мыслей, что требовало дообучения модели[\[6\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-beyond-cot-6). Их работа под названием «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models» описывает двухэтапную архитектуру: сначала генерируется граф взаимосвязанных промежуточных утверждений, затем он преобразуется специальным энкодером и интегрируется в модель через механизм gated fusion[\[6\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-beyond-cot-6). Такой гибридный подход с обучением продемонстрировал некоторое повышение точности на задачах, например, на мультимодальном наборе вопросов ScienceQA точность выросла с 85,2% до 87,6% при использовании модели T5-base[\[6\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-beyond-cot-6). Однако этот подход, хоть и схож по названию, принципиально отличается: он требует изменения модели ([fine-tuning](https://systems-analysis.info/wiki/Fine-tuning "Fine-tuning")) и не является схемой prompt engineering. Авторы оригинального GoT-подхода (AAAI 2024) прямо указывают, что не рассматривают в своей работе ту модель Яо и др., поскольку фокусируются именно на методах без обновления параметров LLM[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Таким образом, Graph-of-Thoughts в контексте данного обзора это именно **фреймворк на уровне подсказок**, а не модификация архитектуры нейросети. ## Применение и результаты Авторы GoT продемонстрировали его преимущества на ряде задач, которые трудно решить с помощью одной прямой подсказки (input-output prompting) или даже с цепочкой мыслей. Характерная особенность таких задач — их можно разложить на несколько частей (подзадач), решить эти части отдельно, а затем синтезировать полный ответ из частичных результатов[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). В числе рассмотренных примеров: **сортировка** неупорядоченного списка, **подсчёт ключевых слов** в тексте (например, для резюмирования документа), выполнение **операций над множествами** (объединение, пересечение списков и т.д.), а также **слияние текстовых документов** (объединение информации из нескольких источников)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Во всех этих случаях Graph-of-Thoughts позволяет естественно **декомпозировать задачу**. Например, для сортировки список разбивается на части, каждая часть сортируется отдельно как независимая ветвь мыслей, после чего результаты объединяются (имитируя алгоритм вроде merge sort); или при анализе текстов модель может параллельно извлекать информацию из разных документов, а затем сводить её воедино. **Экспериментальные результаты** подтверждают эффективность GoT-схемы. Согласно отчёту Бесты и коллег, в задаче сортировки граф мыслей позволил существенно повысить качество решения по сравнению с предыдущими подходами[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Так, точность сортировки при использовании GoT оказалась **на 70% выше**, чем при простой цепочке мыслей CoT, и **на 62% выше**, чем при дереве мыслей ToT[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Одновременно метод **сокращает затраты вычислительных ресурсов**: число обращений к модели (и, соответственно, токенизированный объём запросов) снизилось **на 31% по сравнению с Tree-of-Thoughts** для той же задачи[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Это означает, что графовая организация рассуждений не только улучшила итоговый результат, но и сделала решение более экономичным, избегая избыточных вычислений за счёт грамотного комбинирования промежуточных выводов. Подобные выигрыши были получены и на других тестовых задачах, особенно там, где требуется агрегировать разнородную информацию. Исследователи отмечают, что GoT наиболее эффективен именно для **композитных задач**, состоящих из нескольких элементов: «Graph-of-Thoughts особенно хорошо подходит для задач, которые естественным образом декомпозируются на более мелкие подзадачи, решаемые отдельно с последующим объединением результатов»[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). В таких случаях граф мыслей способен охватить все аспекты проблемы и синтезировать решение более полного характера, чем при следовании одной линии рассуждений. Для более тонкого понимания, почему один способ построения подсказки лучше другого, в работе 2024 года предложена специальная метрика – **«объём мысли»** (volume of a thought)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Обём определён для каждой отдельной мысли (вершины графа) как число других мыслей, из которых можно по направленным рёбрам достичь данной (проще говоря, скольким промежуточным шагам она обязана своей информацией)[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). В Chain-of-Thought любая мысль опирается лишь на одного предшественника, поэтому её объём равен 1 (линейная цепочка). В дереве мыслей объём может быть больше, но всё равно ограничен структурой отдельной ветви. В графе же, благодаря агрегированию, отдельная вершина может аккумулировать вклад сразу многих других — её «объём» существенно выше[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Показано, что GoT позволяет конечным выводам базироваться на значительно большем объёме предшествующих мыслей, объединяя их содержание. Этот факт отражает более глубокий охват пространства решений и служит количественным объяснением преимуществ графового рассуждения над более простыми схемами. ## Сравнение и значение Graph-of-Thoughts на сегодняшний день представляет наиболее **обобщённую форму структурированного prompting-а** для LLM. В таблицах сравнения различных схем (CoT, CoT с самосогласованностью, ToT и GoT) подчёркивается, что лишь GoT поддерживает произвольную топологию мыслительного процесса[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Он включает в себя возможности всех предыдущих подходов: может работать и как одна цепочка, и как дерево с разветвлениями, и как комбинация множества цепочек, если это подходит для решения задачи[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Главное — **нет жёстких ограничений** на связь между шагами, что теоретически делает пространство возможных стратегий рассуждения максимально широким[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Важно понимать, что гибкость GoT приходит ценой большей сложности контроля. Реализация графа мыслей требует внешнего **алгоритма-оркестратора**, который будет решать, когда и какие мысли генерировать, какие из них отбирать или комбинировать, когда останавливать процесс и выдавать ответ. В простом CoT таких решений принимать не нужно — модель сама генерирует линейное рассуждение до конца. В ToT часть управления ложится на алгоритм поиска по дереву (например, выбор узла для развертывания). В GoT же степень свободы выше, и эффективность метода зависит от качества эвристик, оценивающих промежуточные результаты, и от правильного конструирования подсказок на каждом шаге[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1). Таким образом, Graph-of-Thoughts можно рассматривать не просто как формат запроса, а как **структуру рассуждения**, накладываемую на процесс взаимодействия с LLM — своего рода динамический план, по которому модель решает задачу, а пользователь (или программа-контроллер) направляет этот процесс. Появление Graph-of-Thoughts отражает стремление сделать работу больших языковых моделей более **интерпретируемой и управляемой**. Явно задавая структуру решения, исследователи не только добиваются лучшего качества, но и получают возможность анализировать, как модель пришла к тому или иному выводу. Это сближает подходы в NLP с классическими методами алгоритмического поиска и планирования, но теперь выполнение шагов возложено на нейросетевую модель. Ряд экспертов рассматривает структурированные подсказки (цепочки, деревья, графы мыслей) как перспективное направление, способное преодолеть ограничения «черного ящика» в глубоких моделях и повысить надежность их работы на сложных задачах[\[4\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-survey-4). Методология Graph-of-Thoughts продолжает активно развиваться. Код и примеры для реализации GoT авторы выложили в открытый доступ[\[1\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-original-html-1), что позволило сообществу экспериментировать с новым подходом. Появляются и расширения: например, **мультимодальные версии** графа мыслей, комбинирующие текст с изображениями и другими видами данных[\[3\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-deepgram-multimodal-3)[\[3\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-deepgram-multimodal-3), а также попытки интегрировать идеи GoT непосредственно в архитектуру моделей (как в упомянутой работе Yao et al., 2023). В 2025 году вышел подробный обзор-таксономия методов Chain-of-Thought, Tree-of-Thoughts и Graph-of-Thoughts, систематизирующий накопленные знания и описывающий теоретические основы таких подходов[\[4\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-survey-4)[\[4\]](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_note-arxiv-survey-4). Всё это говорит о большом интересе научного сообщества к структурированному управлению мышлением LLM. Graph-of-Thoughts уже зарекомендовал себя как эффективный инструмент для решения сложных задач и, вероятно, станет основой для дальнейших инноваций в области ИИ-решений, сочетающих мощь больших языковых моделей с прозрачностью и логикой классических алгоритмов. ## См. также - [Tree of Thoughts (ToT)](https://systems-analysis.info/wiki/Tree_of_Thoughts_(ToT) "Tree of Thoughts (ToT)") - [Chain-of-Thought Prompting](https://systems-analysis.info/wiki/Chain-of-Thought_Prompting "Chain-of-Thought Prompting") - [Program of Thoughts Prompting](https://systems-analysis.info/wiki/Program_of_Thoughts_Prompting "Program of Thoughts Prompting") - [Chain-of-Verification](https://systems-analysis.info/wiki/Chain-of-Verification "Chain-of-Verification") - [Основные приёмы Prompt Engineering](https://systems-analysis.info/wiki/%D0%9E%D1%81%D0%BD%D0%BE%D0%B2%D0%BD%D1%8B%D0%B5_%D0%BF%D1%80%D0%B8%D1%91%D0%BC%D1%8B_Prompt_Engineering "Основные приёмы Prompt Engineering") ## Ссылки - Оригинальная статья «Graph of Thoughts: Solving Elaborate Problems with Large Language Models» на arXiv - HTML версия оригинальной статьи - Обзор «Demystifying Chains, Trees, and Graphs of Thoughts» на arXiv - Статья «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models» на arXiv - Multimodal Graph-of-Thoughts — статья Deepgram - LLMs Graph of Thoughts Framework — статья на Medium ## Литература - Besta, M. et al. (2024). *Graph of Thoughts: Solving Elaborate Problems with Large Language Models*. arXiv:2308.09687. - Yao, S. et al. (2023). *Tree of Thoughts: Deliberate Problem Solving with Large Language Models*. arXiv:2305.10601. - Yao, Y. et al. (2023). *Beyond Chain-of-Thought: Effective Graph-of-Thought Reasoning in Language Models*. arXiv:2305.16582. - 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. - Wei, J. et al. (2024). *Demystifying Chains, Trees, and Graphs of Thoughts*. arXiv:2401.14295. - Huang, S. et al. (2023). *Language Is Not All You Need: Aligning Perception with Language Models (Kosmos-1)*. arXiv:2302.14045. - Mitra, C. et al. (2024). *Compositional Chain-of-Thought Prompting for Large Multimodal Models*. In *CVPR 2024*. PDF. - Zheng, G. et al. (2023). *DDCoT: Duty-Distinct Chain-of-Thought Prompting for Multimodal Reasoning in Language Models*. arXiv:2310.16436. - Mu, J. et al. (2023). *Learning to Compress Prompts with Gist Tokens*. arXiv:2304.08467. ## Примечания 1. ↑ [1,00](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-0) [1,01](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-1) [1,02](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-2) [1,03](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-3) [1,04](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-4) [1,05](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-5) [1,06](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-6) [1,07](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-7) [1,08](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-8) [1,09](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-9) [1,10](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-10) [1,11](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-11) [1,12](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-12) [1,13](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-13) [1,14](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-14) [1,15](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-15) [1,16](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-16) [1,17](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-17) [1,18](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-18) [1,19](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-19) [1,20](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-20) [1,21](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-21) [1,22](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-22) [1,23](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-23) [1,24](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-24) [1,25](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-25) [1,26](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-26) [1,27](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-27) [1,28](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-28) [1,29](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-29) [1,30](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-30) [1,31](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-31) [1,32](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-32) [1,33](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-33) [1,34](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-34) [1,35](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-35) [1,36](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-36) [1,37](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-37) [1,38](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-38) [1,39](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-39) [1,40](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-40) [1,41](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-41) [1,42](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-42) [1,43](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original-html_1-43) Besta, Maciej et al. «Graph of Thoughts: Solving Elaborate Problems with Large Language Models». *ar5iv.labs.arxiv.org*. [1] 2. [↑](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-original_2-0) Besta, Maciej et al. «Graph of Thoughts: Solving Elaborate Problems with Large Language Models». *arXiv*. [2] 3. ↑ [3,0](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-deepgram-multimodal_3-0) [3,1](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-deepgram-multimodal_3-1) [3,2](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-deepgram-multimodal_3-2) [3,3](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-deepgram-multimodal_3-3) [3,4](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-deepgram-multimodal_3-4) Grygiel, Jacek. «Multimodal Graph-of-Thoughts: How Text, Images, and Graphs Lead to Better Reasoning». *Deepgram*. [3] 4. ↑ [4,0](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-survey_4-0) [4,1](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-survey_4-1) [4,2](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-survey_4-2) [4,3](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-survey_4-3) [4,4](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-survey_4-4) [4,5](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-survey_4-5) Wei, Jason et al. «Demystifying Chains, Trees, and Graphs of Thoughts». *arXiv*. [4] 5. [↑](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-medium-jomsborg_5-0) Wo, Jacek. «LLMs Graph of Thoughts Framework. Case study». *Medium*. [5] 6. ↑ [6,0](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-beyond-cot_6-0) [6,1](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-beyond-cot_6-1) [6,2](https://systems-analysis.info/wiki/Graph-of-Thoughts#cite_ref-arxiv-beyond-cot_6-2) Yao, Yuqing et al. «Beyond Chain-of-Thought, Effective Graph-of-Thought Reasoning in Language Models». *arXiv*. [6]