قسمت ۱ — زنجیرهٔ تفکر چیست و چرا «قدم‌به‌قدم فکر کن» جواب می‌دهد

قسمت اول از سری «زنجیرهٔ تفکر»: در این قسمت فقط با مبانی کار داریم؛ اینکه زنجیرهٔ تفکر دقیقاً چیست، چرا خواستنِ «قدم‌به‌قدم فکر کن» جواب مدل را عوض می‌کند، و اولین پرامپتی که باید امتحان کنی.

۱. زنجیرهٔ تفکر در یک جمله

زنجیرهٔ تفکر یک تکنیک پرامپت‌نویسی است که در آن به‌جای گرفتن جواب خام، از مدل می‌خواهی مراحل رسیدن به جواب را هم بنویسد. همین. تمام پیچیدگی این روش در همین یک تغییر کوچک خلاصه می‌شود: مدل به‌جای پریدن مستقیم روی نتیجه، مجبور می‌شود مسیر را طی کند.

در ادبیات فنی به این کار Chain of Thought گفته می‌شود، اما نامش مهم نیست؛ چیزی که مهم است این است که خروجی مدل دو تکه می‌شود: یک تکه استدلال و یک تکه جواب. تو می‌توانی استدلال را بخوانی، اشکالش را پیدا کنی، و اگر لازم شد فقط همان تکه را اصلاح بخواهی. بدون زنجیرهٔ تفکر، جواب مدل یک جعبهٔ سیاه است که یا قبولش می‌کنی یا ردش.

یک نکتهٔ مهم از همین ابتدا: زنجیرهٔ تفکر یک دستور جادویی نیست که کیفیت را در هر کاری بالا ببرد. اثرش روی کارهایی است که چند مرحله دارند. برای «یک ایمیل کوتاه بنویس» تقریباً هیچ سودی ندارد؛ برای «بین این سه گزینه با توجه به چهار معیار انتخاب کن» تفاوت را می‌بینی.

۲. شهودِ پشتِ روش: چرا نوشتنِ مراحل جواب را عوض می‌کند

مدل‌های زبانی جواب را کلمه‌به‌کلمه تولید می‌کنند و هر کلمه‌ای که می‌نویسند، ورودیِ تصمیم برای کلمهٔ بعدی است. وقتی مدل را وادار می‌کنی جواب نهایی را در همان کلمهٔ اول بگوید، عملاً از او خواسته‌ای یک مسئلهٔ چندمرحله‌ای را در یک پرش حل کند. اما وقتی اجازه می‌دهی اول مراحل را بنویسد، هر مرحله برای مرحلهٔ بعد نقش یادداشت را بازی می‌کند.

تشبیه ساده‌اش این است: از کسی بخواه یک ضرب چهاررقمی را بدون کاغذ و فقط در ذهن انجام دهد، و بعد همان سؤال را با کاغذ و قلم بپرس. آدم عوض نشده، ابزار عوض شده. متن تولیدشدهٔ مدل دقیقاً همان کاغذ است.

پیامد این شهود، دو قاعدهٔ عملی است. اول اینکه هر چه مسئله مرحله‌های بیشتری داشته باشد، سود زنجیرهٔ تفکر بیشتر است. دوم اینکه اگر جای کافی برای نوشتن مراحل ندهی — مثلاً همزمان بگویی «خیلی کوتاه جواب بده» — عملاً کاغذ را از دست مدل گرفته‌ای و اثر تکنیک از بین می‌رود.

۳. اولین پرامپت: کوتاه‌ترین نسخه‌ای که کار می‌کند

لازم نیست از اول سراغ پرامپت‌های طولانی بروی. کوتاه‌ترین نسخهٔ زنجیرهٔ تفکر یک جملهٔ اضافه در انتهای درخواست است: «قدم‌به‌قدم فکر کن و بعد جواب نهایی را بنویس.» همین جمله در بیشتر مدل‌های امروزی کافی است تا ساختار خروجی عوض شود.

سه نکته در همین جملهٔ کوتاه پنهان است. یک: فعل «فکر کن» به‌تنهایی کافی نیست، باید «بنویس» هم در کار باشد، چون فکرِ ننوشته برای مدل وجود ندارد. دو: عبارت «جواب نهایی» به مدل می‌گوید که انتظار یک نقطهٔ پایان مشخص داری، نه یک متن بی‌انتها. سه: ترتیب مهم است؛ اگر اول جواب را بخواهی و بعد توضیح، مدل جوابش را قفل کرده و توضیح فقط توجیه آن جواب می‌شود.

این نکتهٔ سوم آن‌قدر مهم است که ارزش تکرار دارد: توضیحِ بعد از جواب، استدلال نیست؛ توجیه است. اگر می‌خواهی استدلال واقعاً روی جواب اثر بگذارد، باید قبل از آن بیاید.

۴. یک مقایسهٔ واقعی: جواب با و بدون زنجیرهٔ تفکر

فرض کن این سؤال را می‌پرسی: «یک فروشگاه ۱۲۰ عدد کالا دارد. ۲۵ درصد را با تخفیف ۳۰ درصدی می‌فروشد و بقیه را با قیمت اصلی ۸۰ هزار تومان. کل درآمد چقدر است؟»

بدون زنجیرهٔ تفکر، خروجی معمولاً یک عدد است، مثلاً «۹ میلیون و ۱۲۰ هزار تومان»، بدون هیچ راهی برای اینکه بفهمی درست است یا نه. اگر مدل در یکی از مراحل اشتباه کند، تو هیچ نشانه‌ای نمی‌بینی.

با زنجیرهٔ تفکر، خروجی چیزی شبیه این می‌شود: تعداد کالای تخفیف‌دار ۳۰ عدد است؛ قیمت هر کدام بعد از ۳۰ درصد تخفیف ۵۶ هزار تومان می‌شود؛ درآمد این بخش یک میلیون و ۶۸۰ هزار تومان است؛ ۹۰ عدد باقی‌مانده با قیمت ۸۰ هزار تومان درآمدی برابر ۷ میلیون و ۲۰۰ هزار تومان دارد؛ جمع کل ۸ میلیون و ۸۸۰ هزار تومان است.

حالا تو می‌توانی هر مرحله را جداگانه چک کنی. اگر مدل «۲۵ درصد» را اشتباه حساب کرده باشد، در همان خط اول می‌بینی و می‌گویی «مرحلهٔ اول را دوباره حساب کن». این توانِ عیب‌یابی، ارزش اصلی زنجیرهٔ تفکر است — نه صرفاً بالا رفتن دقت.

۵. پرامپت آمادهٔ کپی برای شروع

این قالب را می‌توانی بدون تغییر بردار و برای هر مسئلهٔ چندمرحله‌ای استفاده کنی. فقط بخش صورت مسئله را عوض کن:

مسئله را در سه بخش جواب بده و ترتیب بخش‌ها را رعایت کن.
بخش یک با عنوان «فهم مسئله»: در دو تا سه جمله بنویس دقیقاً چه چیزی از تو خواسته شده، چه داده‌هایی داری و چه چیزی مجهول است.
بخش دو با عنوان «مراحل»: مسیر رسیدن به جواب را شماره‌گذاری‌شده بنویس. در هر مرحله فقط یک کار انجام بده و نتیجهٔ همان مرحله را بنویس. اگر جایی فرضی گذاشتی، آن فرض را صریح بنویس.
بخش سه با عنوان «جواب نهایی»: فقط نتیجه را در حداکثر دو جمله بنویس، بدون تکرار مراحل.
اگر داده‌ای کم بود، به‌جای حدس زدن در بخش یک بنویس چه چیزی کم است.
صورت مسئله: [اینجا مسئله‌ات را بنویس]

دلیل ساختار سه‌بخشی این است که هر بخش یک کار متفاوت می‌کند: بخش اول جلوی بدفهمی صورت مسئله را می‌گیرد، بخش دوم همان کاغذِ محاسبه است، و بخش سوم خروجی تمیزی به تو می‌دهد که بتوانی مستقیم استفاده کنی.

۶. چه وقت لازم است و چه وقت نه

زنجیرهٔ تفکر رایگان نیست. خروجی طولانی‌تر می‌شود، زمان پاسخ بیشتر می‌شود و اگر با ابزارهای پولی کار می‌کنی، هزینه بالا می‌رود. پس باید بدانی کجا به‌کارش ببری.

جاهایی که ارزشش را دارد: مسائلی که چند مرحلهٔ وابسته دارند، تصمیم‌هایی که چند معیار همزمان دارند، متن‌هایی که باید با یک قاعدهٔ مشخص بازبینی شوند، و هر جایی که می‌خواهی بعداً بتوانی خطا را ردیابی کنی.

جاهایی که نیازی نیست: بازنویسی یک جمله، ترجمهٔ کوتاه، تولید ایده‌های خام، خلاصه‌کردن متنی که خودت خوانده‌ای، و کارهای سلیقه‌ای که اصلاً جواب درست و غلط ندارند. در این موارد زنجیرهٔ تفکر فقط خروجی را شلوغ می‌کند.

یک قاعدهٔ سرانگشتی: اگر خودت برای حل مسئله به کاغذ نیاز داشتی، مدل هم دارد. اگر بدون کاغذ جواب می‌دادی، مدل هم لازم ندارد.

۷. چهار نکتهٔ کوچک که نتیجه را بهتر می‌کند

نکتهٔ اول، جدا کردن استدلال از جواب. همیشه از مدل بخواه جواب نهایی را زیر یک عنوان مشخص بنویسد تا بتوانی فقط همان تکه را کپی کنی.

نکتهٔ دوم، محدود کردن طول مراحل. اگر خروجی بی‌جهت طولانی شد، بگو «حداکثر پنج مرحله». محدودیت تعداد بهتر از محدودیت کلمه است، چون ساختار را حفظ می‌کند.

نکتهٔ سوم، خواستن فرض‌ها به‌صورت صریح. جملهٔ «هر فرضی گذاشتی جداگانه بنویس» بیشتر خطاهای پنهان را رو می‌کند، چون مدل معمولاً وقتی داده کم دارد بی‌صدا حدس می‌زند.

نکتهٔ چهارم، بازخوانی هدفمند. به‌جای «جوابت را چک کن» که معمولاً بی‌اثر است، بگو «فقط مرحلهٔ سوم را دوباره و با دقت بیشتر بررسی کن». هدف‌گذاری روی یک مرحله، نتیجهٔ بهتری از بازبینی کلی می‌دهد.

۸. پرسش‌های پرتکرار

آیا این تکنیک روی همهٔ ابزارهای هوش مصنوعی کار می‌کند؟ روی مدل‌های امروزی بله. در مدل‌های خیلی کوچک اثرش کمتر است، چون آن‌ها حتی با نوشتن مراحل هم توان دنبال کردن زنجیره را ندارند.

اگر مدل خودش استدلال داخلی دارد، باز هم لازم است؟ بعضی مدل‌های جدید به‌طور پیش‌فرض مقداری استدلال انجام می‌دهند، اما آن استدلال معمولاً برای تو قابل دیدن و اصلاح نیست. وقتی صریح می‌خواهی، مسیر را روی میز می‌آوری و می‌توانی رویش کار کنی.

مراحل نوشته‌شده همیشه همان چیزی است که مدل واقعاً انجام داده؟ نه لزوماً، و این یکی از مهم‌ترین محدودیت‌های روش است. گاهی مدل جوابی می‌دهد و مراحلی می‌نویسد که به آن جواب نمی‌رسند. به این پدیده در قسمت ششم سری با عنوان استدلال قلابی مفصل می‌پردازیم.

برای یادگیری اصول کلی پرامپت‌نویسی از کجا شروع کنم؟ اگر تازه‌کار هستی، راهنمای نوشتن پرامپت برای مبتدی‌ها نقطهٔ شروع خوبی است و همچنین می‌توانی سراغ آموزش‌های ChatGPT بروی.