思考の連鎖（Chain-of-Thought）
思考の連鎖（Chain-of-Thought、CoT）とは、LLMに最終的な回答の前に段階的な推論プロセスを生成させるプロンプティング手法です。2022年にGoogle ResearchのWeiらによって定式化され、複雑な推論タスクでLLMの精度を高める標準的な手法となっています。
思考の連鎖（Chain-of-Thought、CoT）とは、LLMに最終的な回答の前に段階的な推論プロセスを生成させるプロンプティング手法です。2022年にGoogle ResearchのWeiらによって定式化され、複雑な推論タスクでLLMの精度を高める標準的な手法となっています。
なぜ重要なのか
初期のLLMは算術、論理、複数ステップの推論に苦労していました。元のWeiの論文では、PaLM 540Bは小学校レベルの数学ベンチマークGSM8Kで、基本的なプロンプティングでは問題のわずか17.9%しか解けませんでしたが、思考の連鎖を使うと56.9%を解きました。同じモデル、同じ質問で、モデルに「考える余地」を与えるだけで精度が2〜3倍向上したのです。それ以来、Claude、GPT、GeminiはいずれもコアとなるプロンプティングパターンとしてCoTを取り込んでいます。
仕組み
CoTの核となる考え方は、LLMに答えへ直接飛びつくのではなく、まず推論を書き出させ、その後に結論を述べさせることです。トランスフォーマーは各トークンを先行するトークンに条件づけるため、途中の推論を出力することでその内容がコンテキストに入り、最終的な回答の品質が高まります。より多くの「思考トークン」が、モデルにより多くの「推論の余地」を与えます。
主要なバリエーション
ゼロショットCoT: 「ステップ・バイ・ステップで考えよう」のような一文を追加するだけで、例は不要です。2022年にKojimaらによって提案され、最もシンプルでありながら驚くほど効果的な形式です。
フューショットCoT: 段階的な推論を含む2〜3個の例題をプロンプトに含め、モデルがその構造を模倣するようにします。
自己整合性（Self-Consistency）: 同じ質問に対して複数のCoT回答をサンプリングし、最も多く現れた最終結論を選びます。推論経路に対する「投票」であり、単一のCoTより正確です。
思考の木（Tree of Thoughts、ToT）: 推論を一直線ではなく木として探索し、スコアの高い枝のみを展開します。複雑な計画立案やパズルに適しています。
ReAct: Reasoning + Acting（推論 + 行動）。CoTをツール呼び出しと組み合わせ、「考える → 行動する → 観察する → 再び考える」というループを構成します。AIエージェントの標準的なプロンプティングパターンです。
CoTが役立つ場面
CoTはすべてのタスクで等しく役立つわけではありません。
非常に効果的: 数学、論理パズル、複数ステップの推論、複雑な意思決定、コードのデバッグ。
あまり効果的でない: 単純な分類、感情分析、要約、翻訳。これらは答えがすでに即座に出るため、CoTはほとんどレイテンシーを増やすだけです。
2026年のトレンド: フロンティアモデルには現在、CoTを自動的に実行する「推論モード」（OpenAI o1、Claude Opusの拡張思考）が組み込まれて出荷されており、ユーザーが手動でCoTプロンプトを書く必要はもはやありません。関心は、品質を高めるほかのヒントへと移っています。
GEOへの示唆
CoTはコンテンツ執筆者が直接適用する手法ではありませんが、LLMが最も引用しやすいコンテンツがどのようなものかを形づくります。ブログ記事が複雑な概念を明示的な段階的論理で解説していれば、LLMはそのセクションを自らの推論のグラウンディングとして使いやすくなります。AI検索が引用する内容を選ぶとき、「なぜこうなるのか」を紐解く説明は、一文だけの結論に勝ります。
Sources: