customaize-agent:thought-based-reasoning

Chain-of-Thought (CoT) prompting and its variants encourage LLMs to generate intermediate reasoning steps before arriving at a final answer, significantly improving performance on complex reasoning tasks. These techniques transform how models approach problems by making implicit reasoning explicit.

| Technique | When to Use | Complexity | Accuracy Gain |

| Zero-shot CoT | Quick reasoning, no examples available | Low | +20-60% | | Few-shot CoT | Have good examples, consistent format needed | Medium | +30-70% | | Self-Consistency | High-stakes decisions, need confidence | Medium | +10-20% over CoT | | Tree of Thoughts | Complex problems requiring exploration | High | +50-70% on hard tasks |

يُستخدم عند معالجة مهام الاستدلال المعقدة التي تتطلب منطقًا خطوة بخطوة، أو حسابًا متعدد الخطوات، أو التفكير المنطقي، أو التلاعب الرمزي، أو المشكلات التي يفشل فيها التحفيز البسيط - يوفر دليلًا شاملاً لسلسلة التفكير وتقنيات التحفيز ذات الصلة (Zero-shot CoT، الاتساق الذاتي، شجرة الأفكار، الأقل إلى الأكثر، ReAct، PAL، الانعكاس) مع القوالب ومصفوفات القرار والأنماط المدعومة بالأبحاث المصدر: neolabhq/context-engineering-kit.