Chain-of-Thought (CoT) Prompting adalah teknik prompt engineering di mana model AI diminta untuk "berpikir langkah demi langkah" sebelum memberikan jawaban akhir. Teknik ini terbukti secara signifikan meningkatkan akurasi model pada tugas-tugas penalaran yang kompleks, terutama matematika, logika, dan pemecahan masalah multi-langkah.
CoT prompting bekerja dengan mendorong model untuk menghasilkan serangkaian langkah penalaran antara (intermediate reasoning steps) yang mengarah ke jawaban akhir. Ini memaksa model untuk "menunjukkan pekerjaannya", yang tidak hanya meningkatkan akurasi tetapi juga membuat proses penalaran lebih transparan dan dapat diaudit.
Ada dua pendekatan utama CoT prompting. Zero-shot CoT menggunakan prompt sederhana seperti "Mari kita berpikir langkah demi langkah" untuk mendorong model menghasilkan penalaran. Few-shot CoT memberikan beberapa contoh dalam prompt yang menunjukkan langkah-langkah penalaran untuk masalah serupa, diikuti oleh masalah baru yang ingin dipecahkan.
CoT prompting sangat efektif untuk model besar (dengan lebih dari 100 miliar parameter) dan dianggap sebagai salah satu terobosan terpenting dalam prompt engineering. Penelitian menunjukkan bahwa CoT dapat meningkatkan akurasi pada tugas-tugas penalaran matematika dari sekitar 18% menjadi hampir 60% pada model tertentu.
Aplikasi CoT prompting meliputi: pemecahan masalah matematika, penalaran logis (misalnya, silogisme), jawaban pertanyaan komprehensif yang memerlukan sintesis informasi, debugging kode, dan pengambilan keputusan dalam skenario kompleks.
CoT prompting juga memiliki keterbatasan. Model masih dapat menghasilkan langkah penalaran yang salah meskipun jawaban akhir benar, atau sebaliknya. CoT juga menghabiskan lebih banyak token (karena penalaran yang dihasilkan), sehingga lebih mahal dan lebih lambat. Namun, untuk tugas-tugas yang memerlukan penalaran mendalam, CoT adalah teknik yang sangat berharga.