Reasoning Trees

Introduction

Reasoning tree adalah teknik meminta AI mengeksplorasi beberapa cabang solusi sebelum memilih yang terbaik. Jika chain of thought seperti satu jalur berpikir, reasoning tree seperti peta pilihan. Teknik ini berguna ketika ada trade-off nyata: memilih strategi pricing, merancang arsitektur, menentukan prioritas produk, atau memecahkan masalah dengan banyak kemungkinan penyebab.

Tanpa reasoning tree, model sering memberikan satu jawaban yang terdengar yakin. Padahal untuk keputusan kompleks, jawaban pertama belum tentu terbaik. Reasoning tree memaksa model membandingkan opsi, risiko, dan kondisi kapan opsi tersebut cocok.

Concepts

Reasoning tree tidak berarti meminta semua kemungkinan tanpa batas. Batasi jumlah cabang. Tiga sampai lima cabang biasanya cukup. Setiap cabang harus dinilai dengan kriteria yang sama agar perbandingan adil.

Struktur sederhana: hasilkan opsi, evaluasi tiap opsi, pilih rekomendasi, jelaskan kondisi pengecualian. Untuk debugging, cabang bisa berupa root cause. Untuk strategi bisnis, cabang bisa berupa pendekatan. Untuk konten, cabang bisa berupa angle narasi.

Teknik ini lebih mahal token daripada prompt biasa, jadi gunakan saat keputusan bernilai tinggi. Untuk tugas kecil, cukup minta satu rekomendasi dengan alasan singkat.

Examples

Tolong bantu saya menentukan strategi pricing terbaik untuk produk SaaS baru kami. Jelaskan banyak kemungkinan yang bisa dipakai, apa kelebihan dan kekurangannya, lalu beri tahu mana yang menurutmu paling baik untuk startup tahap awal.

Buat reasoning tree 3 opsi pricing SaaS awal: freemium, trial 14 hari, usage-based. Nilai: akuisisi, revenue, kompleksitas, risiko. Pilih 1 rekomendasi.

Versi setelah membatasi cabang dan kriteria. Model tidak melebar ke semua teori pricing, tetapi fokus pada tiga opsi yang relevan untuk startup awal.

Website kami lambat dan saya tidak tahu penyebabnya. Tolong pikirkan berbagai kemungkinan penyebab dari sisi frontend, backend, database, hosting, dan semua hal lain yang mungkin terjadi, lalu jelaskan solusinya.

Diagnosis performa web. Buat 4 cabang root cause: frontend, API, database, hosting. Untuk tiap cabang: sinyal, cara verifikasi, fix awal. Prioritaskan.

Prompt setelah mengubah masalah luas menjadi pohon diagnosis. Setiap cabang punya sinyal dan verifikasi, sehingga tim tidak menebak-nebak.

Practical Tips

Tentukan jumlah cabang sejak awal. Tanpa batas, model cenderung menghasilkan daftar panjang yang melelahkan. Gunakan kriteria tetap seperti dampak, biaya, risiko, kecepatan, dan confidence. Kriteria tetap mencegah model menilai opsi secara tidak seimbang.

Minta rekomendasi final setelah evaluasi cabang. Reasoning tree tanpa keputusan hanya menjadi daftar pro-kontra. Jika keputusan bergantung kondisi, minta aturan pilihan: "pilih A jika..., pilih B jika...".

Gunakan reasoning tree untuk menghindari bias jawaban pertama. Misalnya, sebelum memilih fitur roadmap, minta tiga strategi: growth, retention, monetization. Setelah itu minta model memilih berdasarkan metrik bisnis Anda.

Untuk hemat token, jangan minta narasi panjang per cabang. Gunakan tabel. Kolom seperti "opsi", "kapan cocok", "risiko", "bukti yang perlu dicek", dan "skor" cukup untuk banyak kasus.

Summary

Reasoning tree membantu AI mengeksplorasi beberapa jalur sebelum memilih. Batasi cabang, gunakan kriteria sama, minta rekomendasi final, dan pakai format tabel agar hemat. Teknik ini cocok untuk keputusan kompleks yang memiliki trade-off nyata.