Почему «Думай шаг за шагом» больше не творит чудеса в промптах
Если вы хоть раз гуглили советы по промптингу, вы точно натыкались на эту фразу: «просто напиши в конце — думай шаг за шагом, и модель ответит умнее». Приём реально работал — года три назад. Сейчас всё чаще происходит обратное: вы добавляете магические слова, а качество ответа не меняется, а иногда даже проседает. Это не баг и не ваша ошибка в формулировке. Это значит, что сама механика изменилась настолько, что старый трюк просто не адресован тем моделям, с которыми вы работаете каждый день.
Откуда взялся миф про волшебную фразу
Приём chain-of-thought придумали не маркетологи, а исследователи: в 2022 году вышла работа, показавшая, что если попросить модель показывать промежуточные рассуждения перед ответом, качество на многошаговых задачах заметно растёт. Дальше эта идея упростилась до бытового уровня — достаточно было написать «think step by step», и любая модель начинала рассуждать вслух. В 2023 году это называли «магическими словами»: разработчики обменивались трюками вроде «думай шаг за шагом», и ни у кого не было системы — просто перебор того, что срабатывает. Прием быстро превратился в культурный штамп: его вставляли в промпт почти рефлекторно, независимо от задачи и модели.
Что изменилось внутри моделей
Проблема в том, что современные топовые модели больше не нуждаются в подсказке — они рассуждают по умолчанию. Использование сместилось: рассуждающие модели вроде GPT-5 thinking, Claude Opus с extended thinking, Gemini deep think и DeepSeek R1 уже производят внутреннюю цепочку рассуждений на сложных запросах, и буквальная фраза «думай шаг за шагом» больше не нужна. Рассуждения теперь спрятаны в отдельный, невидимый пользователю слой — вы просто получаете финальный ответ, а черновик мыслей модель держит при себе.
Более того, у части моделей формулировка про «размышления» превратилась из стилистического приёма в технический переключатель. GPT-5 — это система на основе роутера, где за одним эндпоинтом скрываются несколько моделей, и фраза «think hard about this» в промпте буквально запускает более затратную модель для рассуждений. То есть просьба «подумай тщательнее» больше не мотивирует модель философски — она физически переключает вас на другой, более медленный и дорогой маршрут обработки запроса.
Вместо словесных заклинаний у разработчиков появился прямой рычаг управления. В 2026 году настройка температуры считается устаревшей: ключевым параметром стал reasoning_effort — низкий, средний или высокий уровень, который управляет количеством скрытых токенов рассуждения и заметно повышает точность на сложных задачах. Если раньше вы уговаривали модель текстом, теперь для многих задач эффективнее просто выставить нужный уровень усилий через настройки, а не подбирать заклинание.
Когда старый приём всё же работает
Здесь важно не впадать в другую крайность и не считать chain-of-thought бесполезным в принципе. Приём жив — просто область его применения сузилась. Для более простых моделей без встроенного режима рассуждений классический few-shot или zero-shot chain-of-thought до сих пор имеет значение. Если вы работаете с быстрой, «облегчённой» версией модели без режима расширенного мышления, явная просьба рассуждать поэтапно всё ещё может вытянуть качество ответа.
Работает это особенно хорошо, когда вы не просто просите «подумать», а задаёте конкретную структуру рассуждения. Практика из реальной работы над рекламным брифом показывает разницу: сухая версия без явного chain-of-thought дала три правдоподобные, но общие идеи, а версия с явно расписанным порядком рассуждения — сначала архетипы бренда, потом сравнение с визуальными трендами, потом концепты — дала более структурные идеи, две из которых можно использовать без правок. Разница не в самой фразе «думай шаг за шагом», а в том, что вы задаёте модели конкретный маршрут анализа, а не абстрактное пожелание.
Что делать вместо магической фразы
Практический вывод простой: перестаньте лечить проблему словами, если рядом есть настройка. Несколько рабочих ориентиров на сегодня:
- Для моделей с режимом рассуждений — управляйте глубиной через параметр уровня усилий (там, где он доступен в интерфейсе), а не через текст запроса.
- Для лёгких и быстрых моделей — прописывайте конкретные шаги анализа, а не общую просьбу подумать.
- В любом случае формулируйте не процесс, а результат: что должно получиться на выходе, какие ограничения и какой формат ответа нужен.
Этот сдвиг в сторону результата уже официально закрепился в рекомендациях крупных компаний. В Anthropic говорят, что работа с языковыми моделями всё меньше про подбор правильных слов и всё больше про то, какая конфигурация контекста скорее приведёт к нужному поведению, а в OpenAI отмечают, что новым моделям часто нужно меньше микроменеджмента процесса и больше ясности насчёт результата, ограничений и итогового ответа. Иными словами, роль промпт-инженера смещается от подбора красивых формулировок к чёткой постановке задачи — и это касается не только программистов, но и копирайтеров, маркетологов и всех, кто ежедневно общается с нейросетями.
Вместо вывода
Магическая фраза не умерла — она просто ушла внутрь модели и превратилась в настройку, которую не всегда видно на экране. Если вы работаете с рассуждающими моделями, тратить силы на «думай шаг за шагом» бессмысленно: они это уже делают. А вот чёткая структура задачи, ограничения и понятный формат ответа работают всегда, независимо от того, какая модель отвечает.
Если хочется на практике сравнить, как разные модели реагируют на один и тот же промпт — с рассуждениями и без, — удобно сделать это в одном месте. В GEMERA AI можно быстро переключаться между GPT, Claude и Gemini в Telegram-боте и веб-кабинете, чтобы проверить, где нужен явный chain-of-thought, а где модель справится сама.