RAP, или Reasoning via Planning, это техника, где модель используется не только как генератор очередного шага, но и как world model для оценки будущих состояний. Поверх этого строится planning loop, часто с tree search или MCTS-подобным обходом.
Если обычный CoT идёт по одной дорожке, RAP рассматривает reasoning как поиск в пространстве возможных действий и промежуточных состояний. В 2026 это важно там, где single-path reasoning слишком хрупок, а задача требует deliberate exploration.
RAP и Tree of Thoughts близки, но RAP сильнее акцентирует идею world model. Модель не просто предлагает кандидатов, а пытается предсказывать, к каким состояниям они приведут, и использовать это в поиске.
Практически это значит:
Это делает технику особенно интересной для planning-heavy задач.
Подход оправдан для:
Если у задачи есть понятные состояния, действия и цель, RAP часто уместнее обычного CoT.
Главный минус RAP — цена.
Поэтому техника редко нужна в обычном user-facing Q&A. Она окупается там, где deliberate planning реально даёт выигрыш по качеству и где есть budget на search.
RAP не стоит применять там, где:
Если у вас нет meaningful evaluator или reward proxy, tree search быстро превращается в дорогую суету.
Сегодня RAP логично ставить между Tree of Thoughts и agent planning frameworks. Это уже не просто prompting trick, а search discipline. Техника особенно полезна как conceptual template для систем, где reasoning и planning сливаются: autonomous workflows, planning copilots, embodied agents, resource allocation.
Её практическая ценность не в том, что "модель думает умнее", а в том, что система начинает сравнивать варианты до выполнения, а не после провала.