CoT（Chain-of-Thought：思考の連鎖）とは、AIに結論だけでなく途中の思考プロセスを段階的に出力させるプロンプトエンジニアリングの手法です。複雑な算術推論や論理的思考を要するタスクにおいて、推論ステップを明示させることで大規模言語モデルの回答精度を大幅に向上させます。
CoT（思考の連鎖）とは
CoT（思考の連鎖）とは、一言でいうと「AIに途中式や論理ステップを順を追って考えさせる手法」です。大規模言語モデルに対して、いきなり結論を求めず推論の道筋を書き出させることで、複雑な問題に対する正答率を高めます。
詳しく解説
大規模言語モデルは次に続く単語の確率を予測してテキストを生成するため、複数段階の計算や論理的判断を伴う問題を一度の推論で解こうとすると誤答しやすくなります。CoTは人間が複雑な問題を解く際にメモや途中式を書いて考えるのと同様に、中間的な思考ステップを言語化させます。これにより、モデルが各ステップの出力を参照しながら次の推論を行えるようになり、論理の破綻が抑制されます。具体的には、例題として問題・途中経過・解答をセットで提示する手法や、「ステップバイステップで考えてください」といった指示を与えるZero-Shot CoTなどの手法が存在します。
具体例・使われ方
例えば算数の文章題で「リンゴが5個あり、3個買って2個食べた。残りは何個？」と問う場合、単に答えを求めるのではなく、「初めに5個あり、3個追加して8個になり、そこから2個食べたので残りは6個です」というように計算過程を段階的に出力させます。このほか、法律や契約書の条件判定、複数ステップを要するビジネス判断の整理などでも活用されます。
似た用語との違い
入力例として問題と答えのペアのみを与える通常のFew-Shotプロンプティングでは、モデルは中間の推論なしで直接答えを出そうとします。一方、CoTを取り入れたプロンプトでは思考過程の例も含める点が異なります。また、モデル自体の内部パラメータを更新するファインチューニングとは異なり、CoTはプロンプトエンジニアリングによる入力指示の工夫のみでモデルの推論能力を引き出すアプローチです。
注意点
CoTを利用すると推論ステップを出力する分だけ生成トークン数が増加し、処理時間やAPI利用コストが増える傾向があります。また、途中の推論ステップ自体に誤り（ハルシネーション）が含まれると、最終的な結論も誤ってしまう点に注意が必要です。単純な知識検索や短い事実確認のタスクでは効果が薄い場合もあります。