Tre teknikker inden for udformning af prompts giver målbare forbedringer, der kan gentages, på vanskelige analytiske opgaver: chain-of-thought, self-critique og tree-of-thoughts. De er blevet undersøgt siden bølgen af forskning i ræsonnement i 2022-2023 — chain-of-thought hos Wei et al., 2022 og tree-of-thoughts hos Yao et al., 2023. Trods fremkomsten af særlige niveauer til ræsonnement, som thinking-tilstandene i de nuværende GPT-5.x- og Claude-modeller samt DeepSeek R1, har teknikkerne stadig betydning. De er fortsat nyttige med hurtige modeller og former samtidig, hvordan du bør skrive prompts til selve de ræsonnerende modeller.
Denne artikel forklarer hver teknik, hvornår du skal bruge den, og hvordan omkostningerne står mål med udbyttet.
Hvilket problem teknikkerne løser
Alle tre teknikker håndterer det samme grundproblem: En sprogmodel genererer normalt et svar autoregressivt, ét token ad gangen. Uden en særskilt fase til overvejelse eller søgning begrænser de første tokens hurtigt det efterfølgende forløb og kan fastholde svaret på en svag konklusion. Til enkle opgaver er det både tilstrækkeligt og effektivt. Ved ræsonnement i flere trin, kompleks analyse eller andre opgaver, hvor svaret afhænger af flere korrekte mellemresultater, kan standardforløbet give selvsikre, men forkerte resultater.
Teknikkerne tvinger modellen til at bruge flere beregningsressourcer på den mellemliggende ræsonnering, før den lægger sig fast.
Chain-of-thought (CoT)
Den oprindelige og enkleste teknik. Føj en formulering som ”tænk trin for trin, før du giver dit endelige svar” til din prompt, så modellen genererer sin ræsonnering før konklusionen.
Et gennemarbejdet eksempel. Sammenlign:
Uden teknik: Et tog forlader Tallinn kl. 9:00 med en fart på 80 km/t. Et andet tog forlader Tartu kl. 9:30 og kører mod Tallinn med 100 km/t. Afstanden mellem byerne er 190 km. Hvornår mødes de?
med:
Med CoT: Samme spørgsmål. Tænk trin for trin. Beregn først, hvor langt det første tog når, før det andet starter. Opstil derefter ligningen for, hvornår de mødes. Vis dine beregninger, og giv så dit endelige svar.
På vanskelige opgaver af aritmetisk karakter havde modeller i GPT-3.5-klassen fejlprocenter på omkring 30-50%; versioner med CoT lå nærmere 5-15%. Tallene har flyttet sig, efterhånden som modellerne er blevet bedre, men retningen er den samme på tværs af generationer: CoT forbedrer nøjagtigheden på opgaver med flere trin.
Brug chain-of-thought til:
- Aritmetik i flere trin, især med enheder, datoer eller præcis afrunding. Selv stærke modeller fejler i disse opgaver.
- Logiske gåder og lignende problemer, hvor svaret er afslutningen på en kæde.
- Fejlfinding i kode, hvor svaret afhænger af, at tilstanden følges gennem programmet.
- Strategisk analyse, hvor konklusionen afhænger af en afvejning af flere faktorer.
Lad være med at bruge det til:
- Enkel genkaldelse af fakta. ”Hvad er Estlands hovedstad?” kræver ikke CoT.
- Genereringsopgaver. Skrivning, opsummering og udarbejdelse af udkast. CoT bruger blot flere tokens uden at forbedre kvaliteten.
- Ræsonnerende modeller. o3, Claude Extended Thinking og DeepSeek R1 udfører allerede CoT internt. Hvis du føjer ”tænk trin for trin” til prompten, er det i bedste fald overflødigt og i værste fald skadeligt.
Det sidste punkt er afgørende, og vi vender tilbage til det.
Self-critique
En teknik med to gennemløb. Bed først modellen om at fremstille et svar. Bed den derefter om at kritisere sit eget svar og fremstille en revideret version.
Promptens struktur:
Trin 1: [Your original question]
Trin 2: Gennemgå dit svar ovenfor. Find fejl, svagheder og steder, hvor du har gjort antagelser, der måske ikke holder. Vær en skarp kritiker af dit eget arbejde.
Trin 3: Udarbejd et revideret svar på baggrund af din kritik.
Forbedringen opstår, fordi modellen frigøres fra den binding til konklusionen, som det første gennemløb skabte. Når den tvinges til at se kritisk på sit eget arbejde, finder den forhold, den ikke opdagede i det oprindelige gennemløb.
En mere avanceret variant er konstitutionel eller principbaseret self-critique. Du definerer et sæt principper, som svaret skal opfylde, og beder derefter modellen vurdere svaret i forhold til hvert princip.
Principper for et godt svar på denne type spørgsmål:
- Det besvarer det faktiske spørgsmål, ikke en generalisering af det.
- Det citerer konkret dokumentation frem for blot at henvise løst til kilder.
- Det anerkender udtrykkeligt usikkerhed, hvor den findes.
- Det er kalibreret — sikkert på stærke punkter og forsigtigt på svage.
Udarbejd et svar. Vurdér det derefter i forhold til hvert princip. Revidér det til sidst.
Det er teknikken bag Anthropics arbejde med Constitutional AI og lignende tilgange i moderne forskning i AI-alignment.
Brug self-critique til:
- Skriveopgaver, hvor du ønsker et andet gennemløb uden at forlade samtalen.
- Analytisk arbejde, hvor modellen sandsynligvis er for selvsikker.
- Beslutningsstøtte, hvor modellen skal finde hullerne i sin egen argumentation.
- Kode, hvor du ønsker en gennemgang efter genereringen.
Lad være med at bruge det til:
- Opgaver, hvor der ikke findes et ”korrekt” svar at revidere hen imod, eksempelvis kreativ brainstorming og idégenerering.
- Opgaver, hvor du foretrækker selv at udføre kritikken, fordi din dømmekraft er selve værdien.
- Hurtige samtalesvar, hvor den ekstra svartid koster mere end kvalitetsgevinsten er værd.
Tree-of-thoughts (ToT)
Den dyreste teknik. I stedet for at fremstille én enkelt ræsonnementskæde overvejer modellen udtrykkeligt flere veje, vurderer hver af dem og vælger den mest lovende.
Strukturen i et gennemarbejdet eksempel:
Trin 1: Generér tre forskellige tilgange til dette problem.
Trin 2: Gennemgå de første skridt i hver tilgang uden at lægge dig fast på et endeligt svar.
Trin 3: Vurdér, hvilken tilgang der med størst sandsynlighed vil lykkes, og hvorfor. Vær konkret om styrker og svagheder.
Trin 4: Vælg den bedste tilgang, og færdiggør løsningen.
Tree-of-thoughts virker, fordi nogle problemer kan angribes på flere troværdige måder, og det første forsøg er ikke altid det bedste. Ved at gennemtvinge parallel udforskning undgår du at blive fastholdt i en suboptimal løsningsvej.
Praktisk eksempel — en vanskelig prompt:
Jeg har en kompleks SQL-forespørgsel, der kører for langsomt. Hjælp mig med at optimere den.
Trin 1: Generér tre forskellige optimeringsstrategier. Trin 2: Angiv for hver strategi den konkrete flaskehals, den vil afhjælpe, samt omkostningen. Trin 3: Vurdér, hvilken strategi der mest sandsynligt giver os den største gevinst med den mindste risiko. Trin 4: Implementér den valgte tilgang.
Du får et svar, der er mærkbart mere gennemtænkt end ”her er én omskrivning”: tre tilgange, en sammenligning, en anbefaling og en implementering.
Brug tree-of-thoughts til:
- Problemer med flere troværdige løsninger. Arkitekturbeslutninger, valg af algoritme og strategiske valg.
- Optimeringsproblemer. Hvor det første forsøg sjældent er det bedste.
- Kreative opgaver, hvor udforskningen er formålet. Navngivning, indramning og positionering.
- Alt, hvor du har mistanke om, at det oplagte svar er forkert.
Lad være med at bruge det til:
- Opgaver med én korrekt tilgang. Bed ikke om tre SQL-forespørgsler, når én virker.
- Enkle faktaspørgsmål. Det er overdrevet.
- De fleste opgaver til ræsonnerende modeller. Modellerne udfører nu denne form for udforskning internt.
Et praktisk beslutningstræ
Når du står med et vanskeligt problem, er spørgsmålet ikke ”skal jeg bruge CoT, self-critique eller ToT?” Det er ”hvilken form har problemet?”
- Lineært problem med flere trin (aritmetik, logisk gåde, stringent ræsonnement) → chain-of-thought.
- Problem, hvor overdreven selvsikkerhed er risikoen (analyse, anbefaling, kode, der skal gennemgås) → self-critique.
- Problem med flere plausible tilgange (optimering, strategisk valg, kreativ udforskning) → tree-of-thoughts.
- Samtalepræget, enkelt eller generativt → ingen af dem. Spring ekstraarbejdet over.
Der findes også et nyttigt metamønster: Brug CoT inde i ToT inde i self-critique. Udforsk tre veje med ToT, ræsonnér gennem hver af dem trin for trin med CoT, og kritisér derefter den valgte vej med self-critique. Det lyder overdrevet, men er reelt nyttigt til det vanskeligste analytiske arbejde. Omkostningen er svartid og tokens; udbyttet er mærkbart bedre svar.
Hvordan ræsonnerende modeller ændrer regnestykket
Den største forandring siden 2024 er fremkomsten af særlige ræsonnerende modeller: o1, o3, Claude Extended Thinking, DeepSeek R1 og Gemini 2.5 Thinking. Disse modeller udfører chain-of-thought internt, før de fremstiller et svar, og bruger ofte snesevis af sekunder eller flere minutter på at ”tænke”.
Det ændrer den måde, du skal skrive prompts til dem på, på tre vigtige områder:
1. Stop med at tilføje ”tænk trin for trin”. Ræsonnerende modeller gør det allerede. Hvis du tilføjer formuleringen udtrykkeligt, kan den forvirre dem eller skabe overflødigt output. Stil blot spørgsmålet direkte.
2. Stol på modellens valgte ræsonnementslængde. Hvis du stiller et komplekst spørgsmål, genererer modellen internt en lang ræsonnementskæde. Du ser ikke det hele; noget er skjult i ”thinking”-tilstanden. Afvejningen er længere svartid. Vær tålmodig.
3. Brug enkle, direkte prompts. Ræsonnerende modeller er mindre følsomme over for promptens formulering end hurtige modeller. De ræsonnerer sig gennem tvetydighed frem for at gå i stå. Overkonstruerede prompts, der virker godt med hurtige modeller — tung indramning, mange begrænsninger og strukturerede skabeloner — kan undertiden forringe resultatet fra en ræsonnerende model. Prøv først den enklere version.
Et gennemarbejdet eksempel. Sammenlign disse to prompts til en ræsonnerende model:
Prompt A: ”Tænk trin for trin over følgende spørgsmål. Identificér først de vigtigste begrænsninger. Angiv derefter mulighederne. Vurdér så hver mulighed i forhold til begrænsningerne. Vælg til sidst. Vis din ræsonnering ved hvert trin. Spørgsmål: Bør vi indføre en firedages arbejdsuge?”
Prompt B: ”Bør vi indføre en firedages arbejdsuge? Kontekst: B2B SaaS med 80 medarbejdere; kundesupporten arbejder mandag-fredag.”
For de fleste ræsonnerende modeller giver Prompt B et bedre svar. Modellen ved allerede, hvordan spørgsmålet skal gennemtænkes; udtrykkelig stilladsering kan begrænse den på måder, der skader resultatet.
For hurtige modeller gælder det modsatte. De behøver stilladseringen for at levere en sammenlignelig kvalitet.
Dette er den vigtigste nye kendsgerning om udformning af prompts siden 2023: Den samme prompt, der virker bedst på en hurtig model, kan være dårligere på en ræsonnerende model og omvendt.
Beregning af omkostninger og udbytte
Alle teknikkerne medfører omkostninger. Her er det ærlige regnestykke:
| Teknik | Tokenomkostning | Ekstra svartid | Kvalitetsgevinst | Hvornår det er umagen værd |
|---|---|---|---|---|
| Chain-of-thought | ~2-3x | ~1.5-2x | 10-40% ved vanskelige problemer | Problemer med flere trin og hurtige modeller |
| Self-critique | ~2x | ~2x | 5-20% på tværs af opgaver | Når overdreven selvsikkerhed er en reel risiko |
| Tree-of-thoughts | ~3-5x | ~2-3x | 10-30% ved problemer med flere tilgange | Vanskelige problemer med flere veje |
| Ræsonnerende model (indbygget) | ~3-10x | ~5-30x | 30-100% ved vanskelige problemer | Alt, der reelt er vanskeligt |
Til de fleste almindelige anvendelser er den hurtige model uden teknikker tilstrækkelig. Til vanskelige problemer er den rette teknik eller en ræsonnerende model den ekstra omkostning værd. Til trivielle opgaver spilder alle disse teknikker penge og tid.
En praktisk regel: Før du vælger en teknik, skal du spørge, om omkostningen ved at tage fejl i denne opgave er stor nok til at retfærdiggøre teknikkens ekstra omkostning. Hvis ja, så brug den rette. Hvis nej, så send blot prompten.
Gennemarbejdet eksempel: En virkelig vanskelig opgave
Forestil dig, at du vurderer to tilbud fra leverandører og ønsker en kalibreret sammenligning.
Uden teknik (almindelig prompt):
Sammenlign disse to leverandørtilbud [paste]. Hvilket skal vi vælge?
Du får et forsigtigt svar, der ser begge sider. Et nyttigt udgangspunkt, men ikke tilstrækkeligt.
Med CoT:
Sammenlign disse to leverandørtilbud. Tænk trin for trin:
- Angiv de kriterier, der har betydning for vores beslutning.
- Giv hver leverandør en score på hvert kriterium.
- Find de kriterier, hvor scorerne afviger mest.
- Giv derefter din anbefaling.
Du får en langt mere struktureret analyse. Hvert trin er synligt, så du kan kontrollere eller rette det.
Med self-critique ovenpå:
[same as above]
Kritiser din egen analyse efter anbefalingen:
- Hvilke kriterier kan jeg have vægtet forkert?
- Hvad antog jeg, som jeg ikke burde have antaget?
- Hvad er den stærkeste troværdige argumentation for den anden leverandør?
Udarbejd derefter om nødvendigt en revideret anbefaling.
Kritikken finder blinde vinkler i den første analyse.
Med ToT:
Sammenlign disse to leverandørtilbud.
Trin 1: Generér tre forskellige rammer for beslutningstagning til denne type valg, eksempelvis minimering af risiko, maksimering af værdi og tilpasning til kompetencer. Trin 2: Anvend hver ramme. Fremstil tre anbefalinger. Trin 3: Hvor er rammerne enige? Hvor afviger de? Trin 4: Hvilken ramme er mest passende i betragtning af vores faktiske begrænsninger? Giv en endelig anbefaling.
Du får tre forskellige perspektiver på valget. Forskellene er dér, den interessante tænkning foregår.
Med en ræsonnerende model:
Sammenlign disse to leverandørtilbud. Hvilket skal vi vælge, og hvorfor? Medtag de forhold, der ville ændre dit svar.
Den ræsonnerende model udfører alt ovenstående internt. Resultatet kan ofte sammenlignes med eller være bedre end resultatet fra en hurtig model med omfattende promptinstruktioner, og det tager omtrent samme tid målt på uret.
Året er 2026, og til reelt vanskeligt analytisk arbejde er en ræsonnerende model med en enkel prompt som regel det rette valg. CoT og ToT er stadig nyttige med hurtige modeller, og self-critique er fortsat nyttigt som et ekstra lag uanset den underliggende model.
Nogle praktiske vaner
Gør teknikken synlig for dig selv. Notér i prompten, hvilken teknik du brugte. Det hjælper dig med at opbygge intuition for, hvad der virker.
Sammenlign resultater. Kør én gang om ugen den samme vanskelige prompt med og uden en teknik, og se, hvor forskellige resultaterne er. Du bliver hurtigt i stand til at vurdere, hvornår teknikken tjener sin omkostning hjem.
Kombinér ikke teknikker uden omtanke. En kombination af CoT + self-critique + ToT + en ræsonnerende model er sjældent bedre end at vælge den rette teknik. Hvert lag øger omkostningen. Tilføj kun lag, der reelt forbedrer svaret på netop din opgave.
Opbevar teknikkerne i dit bibliotek. Tekststumper til ”med CoT”, ”med self-critique” og ”med ToT”, som kan anvendes på den aktuelle opgave, sparer reel tid sammenlignet med at skrive stilladseringen igen.
Konklusionen
Tre teknikker med hver sit optimale anvendelsesområde. Chain-of-thought til lineære problemer med flere trin. Self-critique til at fange overdreven selvsikkerhed. Tree-of-thoughts til problemer med flere tilgange. Ræsonnerende modeller ændrer regnestykket ved at udføre de første to internt, men teknikkerne har stadig betydning, både for hurtige modeller og som mønstre, du kan lægge ovenpå.
Brug den rette til problemet. Spring dem over, når de ikke tjener deres omkostning hjem. Forstå forskellen mellem et ”vanskeligere problem” og et ”anderledes problem” — resten følger deraf.
