# 사고 연쇄 CoT

[원문](https://www.linkymeadow.com/w/f71a6d/)

마지막 수정: 2026-10-05 23:50 (KST)

사고 연쇄(Chain of Thought, CoT)는 답에 이르는 중간 추론 단계를 생성하며 문제를 푸는 접근입니다. CoT 프롬프팅은 단계별 풀이 예시나 지시로 이런 출력을 유도하는 방법이며, 관련 연구는 여러 추론 경로의 탐색과 추론 능력의 학습으로도 이어집니다.

풀이가 그럴듯한지, 답이 맞는지, 그 풀이가 실제 판단 원인을 충실하게 설명하는지는 별도로 평가해야 합니다. 서비스가 제공하는 추론 요약과 모델의 원시 추론 토큰도 구분해서 살펴볼 필요가 있습니다.

## CoT 프롬프팅과 원논문

- [Chain-of-Thought Prompting Elicits Reasoning in Large Language Models — Wei 외](https://arxiv.org/abs/2201.11903) · 영문

  중간 풀이가 포함된 소수의 예시를 프롬프트에 넣어 산술·상식·기호 추론 과제의 성능을 개선한 2022년 논문입니다.
- [Large Language Models are Zero-Shot Reasoners — Kojima 외](https://arxiv.org/abs/2205.11916) · 영문

  풀이 예시 없이 단계적으로 생각하도록 지시하는 Zero-shot CoT를 당시 모델과 여러 추론 과제에서 실험한 연구입니다.

## 여러 추론 경로와 문제 분해

- [Self-Consistency Improves Chain of Thought Reasoning in Language Models — Wang 외](https://arxiv.org/abs/2203.11171) · 영문

  서로 다른 풀이 경로를 여러 개 생성한 뒤 답변의 일치도를 이용해 최종 답을 선택하는 방법을 제안합니다.
- [Least-to-Most Prompting Enables Complex Reasoning in Large Language Models — Zhou 외](https://arxiv.org/abs/2205.10625) · 영문

  복잡한 문제를 작은 하위 문제로 나누고 앞서 구한 답을 이용해 순서대로 해결하는 프롬프팅 방법입니다.
- [Tree of Thoughts: Deliberate Problem Solving with Large Language Models — Yao 외](https://arxiv.org/abs/2305.10601) · 영문

  여러 중간 추론 후보를 평가하고 다음 경로를 탐색하거나 되돌아가는 방식으로 CoT를 확장한 추론 프레임워크입니다.

## 도구 사용과 추론 학습

- [ReAct: Synergizing Reasoning and Acting in Language Models — Yao 외](https://arxiv.org/abs/2210.03629) · 영문

  추론과 외부 지식·환경에 접근하는 행동을 번갈아 수행하며 얻은 정보를 다음 판단에 반영하는 방법을 제안합니다.
- [DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning — DeepSeek-AI](https://arxiv.org/abs/2501.12948) · 영문

  강화학습을 통해 추론 능력과 자기 점검·검증 등의 패턴을 발달시키는 접근을 보고한 연구입니다.

## 추론 모델의 사용과 출력

- [Reasoning best practices — OpenAI](https://developers.openai.com/api/docs/guides/reasoning-best-practices) · 영문

  내부적으로 추론하는 모델에 명확한 목표·제약을 전달하는 방법과 단계별 사고를 요구하는 프롬프트가 불필요하거나 성능을 낮출 수 있는 상황을 설명합니다.
- [Reasoning models — OpenAI](https://developers.openai.com/api/docs/guides/reasoning) · 영문

  추론 모델의 사용법과 추론 토큰·예산을 설명하고, API가 제공하는 추론 요약과 공개하지 않는 원시 추론 토큰을 구분합니다.

## 설명의 충실성과 한계

- [Language Models Don't Always Say What They Think: Unfaithful Explanations in Chain-of-Thought Prompting — Turpin 외](https://arxiv.org/abs/2305.04388) · 영문

  입력의 편향에 영향을 받아 답이 바뀌어도 CoT 설명에는 그 영향이 드러나지 않거나 잘못된 답을 합리화하는 사례를 연구합니다.
- [Measuring Faithfulness in Chain-of-Thought Reasoning — Lanham 외](https://arxiv.org/abs/2307.13702) · 영문

  중간 풀이에 오류를 넣거나 표현을 바꿨을 때 최종 답이 어떻게 변하는지 실험해 모델·과제별 CoT의 충실성을 평가합니다.

## 관련 문서

- [AI 모델 평가 Evals](https://www.linkymeadow.com/w/c8231c/)
- [트랜스포머(Transformer)](https://www.linkymeadow.com/w/498d84/)
- [AI·에이전트](https://www.linkymeadow.com/w/dd12dc/)