شهریور
آموزش هوش مصنوعی, تفکر گامبهگام و تجزیهٔ مسئله
پرامپت خودکشف؛ بگذار هوش مصنوعی اول روشِ فکرکردن را طراحی کند
تصور کن یک مسئلهٔ پیچیده و ناآشنا جلوی هوش مصنوعی میگذاری—مثلاً طراحیِ یک استراتژیِ قیمتگذاری یا حلِ یک معمای منطقیِ چندلایه—و او با همان جملهٔ همیشگیِ «بیا قدمبهقدم فکر کنیم» شروع میکند. مشکل اینجاست که «قدمبهقدم» یک دستورِ کلی است؛ برای هر مسئلهای یکجور به کار میرود، در حالی که مسائلِ سخت هرکدام مسیرِ فکریِ خودشان را میطلبند. نتیجه، استدلالی سطحی است که در نگاهِ اول منظم بهنظر میرسد ولی از عهدهٔ عمقِ مسئله برنمیآید.
تکنیکی که در این درس یاد میگیری این کاستی را برطرف میکند. نامش «پرامپت خودکشف» یا Self-Discover است و ایدهٔ اصلیاش ساده و قدرتمند است: پیش از آنکه مدل مسئله را حل کند، از او میخواهی اول روشِ فکرکردن به همان مسئله را طراحی کند. یعنی مدل ابتدا یک نقشهٔ استدلالِ سفارشی میسازد و بعد قدم در راهِ حل میگذارد. همین جابهجاییِ کوچک—طراحیِ مسیر پیش از پیمودنِ آن—کیفیتِ پاسخ را روی مسائلِ دشوار بهشکلِ محسوسی بالا میبرد.
لیست مطالب
خودکشف چیست و چه فرقی با زنجیرهٔ تفکر دارد؟
پرامپت خودکشف یعنی مدل، پیش از حل، برای مسئلهٔ مشخصِ تو یک «ساختارِ استدلال» بسازد. در زنجیرهٔ تفکر ما یک دستورِ ثابت میدهیم—«قدمبهقدم فکر کن»—و امیدوار میمانیم که مدل خودش مسیرِ درست را پیدا کند. در خودکشف اما یک گام عقبتر میرویم: اول از مدل میخواهیم تصمیم بگیرد که کدام نوع فکرکردن برای این مسئله لازم است، آنها را متناسب با مسئله بازنویسی کند، و در قالبِ یک نقشهٔ مرحلهبهمرحله بچیند. تازه بعد از آن، نقشه را اجرا میکند.
تفاوت را اینطور ببین: زنجیرهٔ تفکر مثلِ راهرفتن روی یک جادهٔ ازپیشآماده است؛ خودکشف مثلِ این است که اول نقشهٔ جاده را برای مقصدِ خاصِ خودت رسم کنی و بعد راه بیفتی. برای مسیرهای آشنا هر دو به یکجا میرسند، اما هرچه مسئله ناآشناتر و چندبُعدیتر باشد، داشتنِ یک نقشهٔ سفارشی تفاوتِ بزرگتری میسازد. این روش را پژوهشگرانِ گوگل و دانشگاهِ کالیفرنیای جنوبی در سالِ ۲۰۲۴ معرفی کردند و نشان دادند روی مسائلِ استدلالیِ سخت، هم دقیقتر از زنجیرهٔ تفکرِ ساده است و هم بسیار ارزانتر از روشهایی که دهها بار مدل را صدا میزنند.
چرا «قدمبهقدم فکر کن» همیشه کافی نیست؟
برای اینکه درست از خودکشف استفاده کنی، باید بفهمی زنجیرهٔ تفکرِ ساده کجا کم میآورد. وقتی به مدل میگویی قدمبهقدم پیش برو، او یک زنجیرهٔ خطی از استدلال میسازد؛ اما بعضی مسائل خطی نیستند. یک مسئلهٔ طراحی به «در نظر گرفتنِ دیدگاههای متضاد» نیاز دارد، یک مسئلهٔ ریاضی به «تجزیه به زیرمسئله»، و یک تصمیمِ کسبوکار به «فهرستکردنِ فرضهای پنهان». دستورِ یکسانِ «قدمبهقدم» نمیتواند این تفاوتها را پوشش بدهد.
نکتهٔ کلیدی این است که مدلهای امروزی این حرکتهای فکریِ گوناگون را بلدند؛ فقط بهخودیِخود نمیدانند برای مسئلهٔ پیشِ رو کدامیک را باید فعال کنند. خودکشف دقیقاً همین انتخاب را به یک مرحلهٔ صریح و آگاهانه تبدیل میکند. بهجای اینکه امیدوار باشیم مدل تصادفاً مسیرِ درست را بگیرد، او را وادار میکنیم اول دربارهٔ روش فکر کند، بعد دربارهٔ پاسخ. همین جداکردنِ «طراحیِ روش» از «اجرای حل»، بخشِ بزرگی از خطاهای استدلالی را از میان برمیدارد.
سه مرحلهٔ پرامپت خودکشف
خودکشف روی سه مرحلهٔ پشتِسرِهم میایستد. میتوانی هر سه را در یک پرامپت جا بدهی یا برای مسائلِ خیلی سخت، مرحلهها را جدا اجرا کنی.
مرحلهٔ اول؛ انتخاب. از مدل میخواهی از میانِ یک «جعبهابزارِ حرکتهای فکری»—فهرستی از روشهای استدلال مثلِ تجزیه، مقایسه، یافتنِ فرضها، یا نقدِ خود—فقط آنهایی را بردارد که واقعاً به این مسئله میخورند. این مرحله جلوی شلوغیِ بیفایده را میگیرد؛ قرار نیست همهٔ روشها به کار روند، فقط چند تای مرتبط.
مرحلهٔ دوم؛ تطبیق. حرکتهای انتخابشده هنوز کلیاند. حالا از مدل میخواهی هرکدام را با زبانِ همین مسئلهٔ مشخص بازنویسی کند. مثلاً «تجزیه به زیرمسئله» برای یک مسئلهٔ قیمتگذاری میشود «هزینههای ثابت، هزینههای متغیر و حاشیهٔ سود را جدا کن». تطبیق، نقشه را از یک الگوی عمومی به یک راهنمای دقیقِ همین کار تبدیل میکند.
مرحلهٔ سوم؛ پیادهسازی و حل. در پایان، مدل حرکتهای تطبیقیافته را در قالبِ یک نقشهٔ مرحلهبهمرحله میچیند—بهتر است بهشکلِ یک ساختارِ شمارهدار یا کلید-مقدار—و بعد قدمبهقدم آن را پر میکند تا به پاسخِ نهایی برسد. حالا استدلالِ مدل دیگر بداهه نیست؛ روی داربستی میایستد که خودش برای همین مسئله ساخته است.
جعبهابزار حرکتهای فکری
قلبِ خودکشف همان فهرستِ حرکتهای فکری است که در مرحلهٔ انتخاب پیشِ روی مدل میگذاری. لازم نیست فهرستِ بلندی باشد؛ ده حرکتِ خوب کافی است. اینها نمونههاییاند که تقریباً برای هر مسئلهای به کار میآیند: تجزیهٔ مسئله به زیرمسئلههای کوچکتر؛ فهرستکردنِ فرضهای پنهان؛ در نظر گرفتنِ دیدگاهها یا سناریوهای متضاد؛ نگاه از منظرِ یک متخصصِ حوزه؛ مقایسه با یک مسئلهٔ آشنا؛ شناساییِ دادههای لازم و دادههای غایب؛ بررسیِ حالتهای حدی و استثناها؛ نقدِ راهحلِ اولیه پیش از نهاییکردن؛ و در پایان، جمعبندیِ یافتهها در یک پاسخِ منسجم.
میتوانی این جعبهابزار را برای حوزهٔ کارِ خودت شخصیسازی کنی. یک وکیل ممکن است «بررسیِ رویههای مشابه» را اضافه کند و یک برنامهنویس «در نظر گرفتنِ حالتهای خطا». هرچه حرکتها به جنسِ مسائلِ تو نزدیکتر باشند، نقشهای که مدل میسازد دقیقتر میشود. نکتهٔ مهم این است که خودِ فهرست را تو تعیین میکنی؛ پس کنترلِ نوعِ تفکرِ مدل در دستِ توست.
قالبِ آمادهٔ پرامپت خودکشف
حالا هر سه مرحله را در یک قالبِ کپیپیست کنار هم میگذاریم. کافی است مسئلهٔ خودت را در انتها بنویسی و بگذاری مدل اول نقشه بسازد، بعد حل کند:
نقشِ تو یک حلکنندهٔ مسئلهٔ روشمند است. پیش از حل، اول باید روشِ فکرکردن به این مسئله را طراحی کنی. از این «جعبهابزارِ حرکتهای فکری» استفاده کن: - تجزیه به زیرمسئلههای کوچکتر - فهرستکردنِ فرضهای پنهان - در نظر گرفتنِ دیدگاهها یا سناریوهای متضاد - نگاه از منظرِ یک متخصصِ حوزه - شناساییِ دادههای لازم و دادههای غایب - بررسیِ حالتهای حدی و استثناها - نقدِ راهحلِ اولیه پیش از نهاییکردن سه مرحله را دقیقاً به همین ترتیب انجام بده: ۱) انتخاب: از فهرستِ بالا فقط ۳ تا ۵ حرکت را که برای این مسئله لازماند بردار. ۲) تطبیق: هر حرکتِ انتخابی را با زبانِ همین مسئلهٔ مشخص بازنویسی کن. ۳) نقشه: حرکتها را در یک فهرستِ شمارهدارِ مرحلهبهمرحله بچین. اول این سه مرحله را نشان بده. سپس با «---» خط بکش و تازه بعد از آن، نقشه را قدمبهقدم اجرا کن و به پاسخِ نهایی برس. مسئله: [مسئلهٔ خود را اینجا بنویس]
این قالب عمداً مدل را مجبور میکند نقشه را پیش از پاسخ نشان بدهد. اگر دیدی برای مسائلِ سادهٔ روزمره زیادی طولانی میشود، اشکالی ندارد؛ خودکشف برای مسائلِ سخت طراحی شده، نه برای پرسشهای یکخطی. برای کارهای خیلی سنگین هم میتوانی مرحلهٔ طراحیِ نقشه و مرحلهٔ حل را در دو پیامِ جدا بفرستی تا مدل روی هرکدام تمرکزِ بیشتری بگذارد.
نمونهٔ عملی؛ از مسئلهٔ مبهم تا نقشهٔ استدلال
فرض کن میپرسی: «کافهای کوچک دارم و میخواهم بدانم قیمتِ قهوه را چقدر بالا ببرم.» یک مدلِ معمولی با «قدمبهقدم» احتمالاً یک جوابِ کلی میدهد: «هزینهها را حساب کن و کمی سود اضافه کن.» این پاسخ درست است اما عمق ندارد.
همان مدل با پرامپت خودکشف اول نقشه میسازد. در مرحلهٔ انتخاب سه حرکت برمیدارد: تجزیه به زیرمسئله، فهرستِ فرضهای پنهان، و بررسیِ سناریوهای متضاد. در مرحلهٔ تطبیق آنها را دقیق میکند: «هزینهٔ هر فنجان را به مواد، نیرویِ کار و سربار بشکن»، «فرض کن تقاضا نسبت به قیمت حساس است و این فرض را آزمون کن»، «دو سناریو بساز: افزایشِ ۱۰٪ و افزایشِ ۲۰٪.» بعد در مرحلهٔ حل، این نقشه را پر میکند و به یک پیشنهادِ مشخص با استدلالِ روشن میرسد—مثلاً افزایشِ پلکانی بهجای یک جهشِ ناگهانی. تفاوت در عمقِ تحلیل است، نه صرفِ داشتنِ جواب.
تفاوت خودکشف با درخت تفکر و تجزیه به زیرمسئله
خودکشف را راحت میشود با چند تکنیکِ همسایه اشتباه گرفت، پس مرزها را روشن کنیم. درخت تفکر چند مسیرِ حل را همزمان میآزماید و بهترین شاخه را نگه میدارد؛ روشی قدرتمند اما پرهزینه، چون مدل را بارها صدا میزند. خودکشف در مقابل فقط یک نقشهٔ خوب میسازد و همان را اجرا میکند؛ ارزانتر و برای بیشترِ کارهای روزمره کافی.
از سوی دیگر، تجزیه به زیرمسئله فقط یکی از حرکتهای داخلِ جعبهابزارِ خودکشف است. تجزیه مسئله را میشکند، اما همهچیز شکستنی نیست؛ گاهی به مقایسه، نقدِ خود یا نگاهِ متخصص نیاز داری. خودکشف چترِ بزرگتری است که انتخابِ درستِ همین حرکتها—از جمله تجزیه—را بر عهدهٔ مدل میگذارد. به بیانِ ساده، تجزیه یک ابزار است و خودکشف کارگاهی که تصمیم میگیرد کدام ابزار را بردارد.
کجا از خودکشف بیشترین سود را میبریم؟
خودکشف هرجا که مسئله «سخت، ناآشنا و چندبُعدی» است میدرخشد. تحلیلِ استراتژیِ کسبوکار، حلِ معماهای منطقی و ریاضیِ ترکیبی، طراحیِ یک سیستم یا فرایند از صفر، بررسیِ تصمیمهای مهم با پیامدهای درهمتنیده، و هر کاری که در آن «روشِ درستِ فکرکردن» از پیش معلوم نیست—همه از این تکنیک بهره میبرند. در این موقعیتها همان مرحلهٔ طراحیِ نقشه، بیشترِ ارزش را میسازد.
در مقابل، برای پرسشهای ساده و مستقیم—مثلِ یک تعریفِ کوتاه، یک ترجمه یا یک محاسبهٔ سرراست—خودکشف بیش از آنکه کمک کند مزاحمت ایجاد میکند؛ آنجا زنجیرهٔ تفکرِ ساده یا حتی یک پرسشِ مستقیم بهتر جواب میدهد. مهارتِ واقعی این است که بدانی کِی به یک نقشهٔ سفارشی نیاز داری و کِی نه.
نکتههای پیشرفته و خطاهای رایج
چند نکته که کیفیتِ کارَت را یک پله بالاتر میبرد. نخست، اجازه نده مدل مرحلهٔ طراحی را رد کند و مستقیم سراغِ جواب برود؛ در قالب صریح بخواه که اول سه مرحله را نشان بدهد و تازه بعد از خطِ جداکننده حل کند. اگر مدل بیصبری کرد، جملهٔ «هنوز حل نکن، فقط نقشه را بساز» را پررنگتر تکرار کن.
دوم، جعبهابزار را نه خیلی کوتاه بگذار نه خیلی بلند. فهرستِ دو-سهتایی مدل را محدود میکند و فهرستِ بیستتایی او را سردرگم. حدودِ هفت تا ده حرکتِ متنوع نقطهٔ شیرین است. سوم، اگر پاسخها هنوز سطحی بودند، یک حرکتِ «نقدِ خود» را بهاجبار در نقشه بگنجان تا مدل راهحلِ اولیهاش را پیش از نهاییکردن بازبینی کند؛ این همان کاری است که در درسِ خودانتقادی و بازنویسی عمیقتر یاد میگیری.
خطای رایجِ آخر این است که تصور کنیم مدل همیشه بهترین حرکتها را انتخاب میکند. گاهی انتخابش ضعیف است؛ در آن صورت خودت در پرامپت راهنمایی کن که «برای این نوع مسئله، حتماً فرضهای پنهان را هم فهرست کن». کنترلِ نهایی همیشه دستِ توست.
پرسشهای پرتکرار
آیا خودکشف روی همهٔ مدلها کار میکند؟
روی مدلهای اصلی مثلِ ChatGPT، Claude و Gemini خوب جواب میدهد. مدلهای قویتر نقشهٔ باکیفیتتری میسازند، اما حتی مدلهای متوسط هم با این قالب منظمتر استدلال میکنند، چون مرحلهٔ طراحی را از حل جدا کردهای.
فرقش با اینکه خودم مرحلهها را بنویسم چیست؟
وقتی خودت مرحلهها را دیکته میکنی باید از قبل بدانی مسئله چه روشی میطلبد؛ اما در بسیاری از مسائلِ ناآشنا همین را نمیدانی. خودکشف این تشخیص را به مدل میسپارد و برای مسائلی که «روشِ درست» در آنها روشن نیست، همین مزیتِ اصلی است.
خودکشف سریعتر است یا درخت تفکر؟
خودکشف بسیار سریعتر و ارزانتر است، چون فقط یک نقشه میسازد و اجرا میکند، در حالی که درخت تفکر دهها مسیر را میآزماید. اگر دقتِ خیلی بالا در یک مسئلهٔ حیاتی میخواهی درخت تفکر، و اگر تعادلِ کیفیت و هزینه میخواهی خودکشف.
میشود خودکشف را با تکنیکهای دیگر ترکیب کرد؟
بله. میتوانی نقشهٔ ساختهشده را با زنجیرهٔ راستیآزمایی وارسی کنی یا حرکتِ «نقدِ خود» را در آن بگنجانی. خودکشف چارچوبی است که بهخوبی با روشهای دیگر مینشیند.
حالا نوبتِ توست. دو تمرینِ زیر کمک میکنند مطمئن شوی تکنیک را واقعاً گرفتهای، نه فقط خواندهای.
مهمترین تفاوتِ پرامپت خودکشف با زنجیرهٔ تفکرِ ساده در چیست؟
این تمرین ویژهٔ اعضاست
برای دیدن این بخش باید عضو ویژه (VIP) باشی. با شمارهٔ موبایلت وارد شو تا ۱۴ روز دسترسی رایگان فعال شود.
🎁 ورود / ثبتنام و شروع ۱۴ روز رایگانجمعبندی
پرامپت خودکشف یک تغییرِ نگرشِ ساده اما ژرف است: بهجای اینکه مدل را مستقیم به حل بفرستی، اول از او میخواهی روشِ فکرکردن به مسئله را طراحی کند. با سه مرحلهٔ انتخاب، تطبیق و پیادهسازی، مدل یک داربستِ استدلالِ سفارشی میسازد و روی همان میایستد. نتیجه، پاسخی عمیقتر روی مسائلِ سخت است، بیآنکه مثلِ روشهای سنگین دهها بار مدل را صدا بزنی.
این درس بخشی از یک مجموعهٔ گامبهگام دربارهٔ پرامپتنویسی است. برای دیدنِ نقشهٔ کاملِ سریها و ادامهٔ مسیر، به راهنمای جامع پرامپتنویسی سر بزن. اگر میخواهی گامِ بعدی را برداری، سراغِ درخت تفکر برو تا ببینی چطور مدل چند مسیرِ حل را همزمان میکاود و بهترین را برمیگزیند.
