زنجیرهٔ پیش‌نویس (Chain of Draft)؛ جواب دقیق با کسری از توکن و هزینه

همه یاد گرفته‌ایم به هوش مصنوعی بگوییم «قدم‌به‌قدم فکر کن» تا جواب دقیق‌تری بگیریم. اما این کار یک هزینهٔ پنهان دارد: مدل صفحه‌صفحه استدلال می‌نویسد، توکن می‌سوزاند، کند می‌شود و صورتحساب API را بالا می‌برد. تکنیک تازه‌ای به نام «زنجیرهٔ پیش‌نویس» همین استدلال را نگه می‌دارد ولی آن را تا حد چند کلمه فشرده می‌کند؛ نتیجه، تقریباً همان دقت با کسری از هزینه است.

بخش ۱ — زنجیرهٔ پیش‌نویس چیست؟

زنجیرهٔ پیش‌نویس یک تکنیک استدلالی است که در سال ۲۰۲۵ معرفی شد و ایدهٔ ساده‌ای دارد: مدل باید مثل یک مهندس که روی کاغذ باطله محاسبه می‌کند رفتار کند، نه مثل یک نویسنده که مقاله می‌نویسد. در روش شناخته‌شدهٔ «زنجیرهٔ تفکر» از مدل می‌خواهیم استدلالش را کامل و جمله‌به‌جمله توضیح دهد. این کار دقت را بالا می‌برد، اما خروجی را طولانی، کند و گران می‌کند.

زنجیرهٔ پیش‌نویس همان مسیر فکری را طی می‌کند، ولی هر قدم را به یک «پیش‌نویس» چندکلمه‌ای تبدیل می‌کند؛ فقط عددها، نمادها و کلیدواژه‌ها، بدون توضیح اضافه. مدل هنوز فکر می‌کند و مرحله‌به‌مرحله جلو می‌رود، اما به‌جای پاراگراف، یادداشت‌های تلگرافی می‌نویسد. اگر تازه با مفهوم پرامپت آشنا شده‌اید، پیشنهاد می‌کنم اول پرامپت‌نویسی به زبان ساده را بخوانید تا این درس روان‌تر پیش برود.

مثال: به‌جای «برای محاسبه، اول تعداد اولیه را در نظر می‌گیریم که ۲۰ عدد بود، سپس…»، مدل با زنجیرهٔ پیش‌نویس می‌نویسد: «۲۰ اولیه؛ ۱۲ باقی؛ ۲۰−۱۲=۸ #### ۸». همان استدلال، یک‌دهم کلمات.

بخش ۲ — چرا زنجیرهٔ تفکرِ پرحرف گران و کُند است

هر کلمه‌ای که مدل تولید می‌کند یک «توکن» است و شما بابت هر توکن هم پول می‌دهید و هم منتظر می‌مانید. وقتی از مدل می‌خواهید کامل توضیح دهد، اغلب ۸۰ تا ۹۰ درصدِ خروجی، توضیحِ راه است، نه خودِ جواب. برای یک پرسش تکی مهم نیست؛ اما اگر روزی هزار فاکتور را تحلیل می‌کنید یا هزاران پیام را دسته‌بندی می‌کنید، این پرحرفی به هزینه و تأخیرِ واقعی تبدیل می‌شود.

اینجاست که صرفه‌جویی معنا پیدا می‌کند. آزمایش‌های اولیهٔ این روش نشان داده‌اند که در بسیاری از مسائل ریاضی و منطقی، زنجیرهٔ پیش‌نویس می‌تواند تنها با کسری از توکنِ زنجیرهٔ تفکر به دقتی نزدیک برسد. یعنی هم سریع‌تر جواب می‌گیرید و هم هزینهٔ کمتری می‌پردازید. برای کسب‌وکارها که این عددها مستقیم روی سود اثر می‌گذارند، اهمیت موضوع در مقالهٔ اهمیت هوش مصنوعی در کسب‌وکار روشن‌تر می‌شود.

مثال: یک پرامپت واقعی برای دیدن تفاوت: «این پیام مشتری را در دستهٔ [شکایت/سؤال/تشکر] قرار بده. فقط برچسب نهایی را بعد از #### بنویس، بدون توضیح.» همین «بدون توضیح» ده‌ها توکن را در هر درخواست حذف می‌کند.

بخش ۳ — جملهٔ جادویی: دستور اصلی زنجیرهٔ پیش‌نویس

قلبِ این تکنیک یک دستور کوتاه است که به سیستم یا ابتدای پرامپت اضافه می‌کنید. این دستور دو کار می‌کند: طول هر مرحله را محدود می‌کند و جای جواب نهایی را با یک جداکننده مشخص می‌سازد تا استخراجش آسان شود.

مثال: «قدم‌به‌قدم فکر کن، اما برای هر مرحله فقط یک پیش‌نویسِ حداکثر پنج‌کلمه‌ای بنویس. در پایان، جواب نهایی را بعد از علامت #### بیاور.»

سه نکته این جمله را قدرتمند می‌کند. اول، «حداکثر پنج کلمه» به مدل اجازه می‌دهد فکر کند اما جلوی پرحرفی را می‌گیرد. دوم، جداکنندهٔ #### باعث می‌شود بتوانید در برنامه‌تان فقط بخشِ بعد از آن را بردارید. سوم، این دستور با هر مدلی کار می‌کند؛ چه در چت‌جی‌پی‌تی، چه کلود، چه جمینای. اگر می‌خواهید ابزارهای مختلف را بهتر بشناسید، اوپن‌ای‌آی چیست نقطهٔ شروع خوبی است.

بخش ۴ — مقایسهٔ عملی: یک مسئله، دو روش

بیایید یک مسئلهٔ ساده را با هر دو روش ببینیم تا تفاوت ملموس شود. مسئله: «مغازه‌ای ۳ جعبه دارد، هر جعبه ۱۲ عدد لیوان، و ۷ لیوان شکسته است. چند لیوان سالم دارد؟»

در زنجیرهٔ تفکرِ معمول، مدل چیزی شبیه این می‌نویسد: «برای حل این مسئله ابتدا باید تعداد کل لیوان‌ها را حساب کنیم. ما ۳ جعبه داریم و هر جعبه ۱۲ لیوان دارد، پس ضرب می‌کنیم ۳ در ۱۲ که می‌شود ۳۶. حالا چون ۷ لیوان شکسته است، باید آن‌ها را کم کنیم…» و همین‌طور ادامه می‌دهد.

مثال: همان مسئله با زنجیرهٔ پیش‌نویس این‌طور حل می‌شود: «۳×۱۲=۳۶؛ ۳۶−۷=۲۹ #### ۲۹». جوابِ یکسان، ولی به‌جای یک پاراگراف، دو عبارت کوتاه. اگر این کار را روی صدها فاکتور تکرار کنید، صرفه‌جویی چشمگیر می‌شود.

نکتهٔ مهم این است که مدل واقعاً «فکر» می‌کند؛ فقط بلندبلند فکر نمی‌کند. برخلاف حالتی که مستقیم جواب بخواهید (که دقت را پایین می‌آورد)، اینجا مراحل استدلال حفظ می‌شوند و همین حفظِ مراحل است که دقت را بالا نگه می‌دارد.

بخش ۵ — زنجیرهٔ پیش‌نویس در مسائل واقعی

این تکنیک فقط برای ریاضیِ مدرسه نیست. هر جا استدلالِ چندمرحله‌ای دارید و خروجیِ کوتاه می‌خواهید، به کارتان می‌آید. سه کاربرد پرتکرار را ببینیم.

مثال: استخراج داده از متن: «از متن زیر نام شرکت، مبلغ و تاریخ را دربیاور. برای هر مورد فقط یک یادداشت کوتاه بنویس و نتیجهٔ نهایی را به‌صورت یک خط JSON بعد از #### بده. متن: …». اینجا مدل مرحله‌به‌مرحله متن را می‌کاود اما توضیح نمی‌دهد.

کاربرد دوم، تصمیم‌گیری سریع است: «سه گزینهٔ زیر را با معیارهای هزینه و زمان بسنج، برای هر گزینه فقط یک امتیازِ کوتاه بنویس، و در انتها گزینهٔ برنده را بعد از #### اعلام کن.» کاربرد سوم، بررسی منطقی است: «آیا این استدلال خطای منطقی دارد؟ هر گام را در چند کلمه علامت بزن و در پایان بله/خیر بده.» درک درست از توان و مرزهای این کارها را می‌توانید در توان و محدودیت‌های واقعی هوش مصنوعی عمیق‌تر دنبال کنید.

بخش ۶ — چند پرامپت آمادهٔ روزمره

برای اینکه سریع شروع کنید، چند قالبِ آماده می‌گذارم. کافی است جای بخش‌های داخل کروشه را با کار خودتان پر کنید.

مثال: محاسبهٔ مالی: «این ردیف‌های فاکتور را جمع بزن و مالیات ۹٪ را اضافه کن. هر گام حداکثر پنج کلمه؛ مبلغ نهایی بعد از #### به ریال.»

مثال: دسته‌بندی انبوه: «هر پیام را در یکی از دسته‌های [پشتیبانی/فروش/شکایت/اسپم] بگذار. برای هر پیام فقط برچسب را بعد از #### بده، بدون جمله.»

این قالب‌ها را می‌توانید در حساب کاربری خودتان ذخیره کنید تا هر بار از نو ننویسید. مجموعه‌ای از آموزش‌های کاربردیِ مشابه را هم در بخش آموزش‌های چت‌جی‌پی‌تی جمع کرده‌ایم.

بخش ۷ — کجا جواب می‌دهد و کجا نه

هیچ تکنیکی جادوی همه‌کاره نیست. زنجیرهٔ پیش‌نویس بهترین نتیجه را وقتی می‌دهد که مسئله مرحله‌ای و منطقی باشد و شما خروجیِ کوتاه بخواهید: محاسبه، دسته‌بندی، استخراج، غربال‌گری و کارهای حجیمِ تکراری که هزینهٔ توکن در آن‌ها مهم است.

اما در چند جا محتاط باشید. اول، روی مدل‌های کوچک یا در حالتِ بدون‌مثال، فشرده‌سازیِ بیش از حد گاهی دقت را پایین می‌آورد؛ در این موارد بهتر است یکی‌دو مثالِ حل‌شده به سبک پیش‌نویس در پرامپت بگذارید تا مدل الگو را یاد بگیرد. دوم، اگر خروجی را برای «خواندنِ انسان» می‌خواهید و باید استدلال شفاف و آموزشی باشد، پیش‌نویسِ تلگرافی به دردتان نمی‌خورد و همان زنجیرهٔ تفکرِ کامل بهتر است. سوم، برای مسائلی که به توضیحِ دانشِ گسترده نیاز دارند، فشرده‌سازی می‌تواند نکته‌های مهم را حذف کند.

مثال: اگر می‌خواهید مدل «چرا»ی یک تصمیم را برای گزارش به مدیر توضیح دهد، ننویسید «هر گام پنج کلمه»؛ در عوض بنویسید: «اول با پیش‌نویس کوتاه به جواب برس، بعد در یک بند، دلیلش را برای مخاطب غیرفنی توضیح بده.» این‌طور هم صرفه‌جویی می‌کنید و هم توضیح می‌گیرید.

بخش ۸ — ترکیب با تکنیک‌های دیگر و نکات حرفه‌ای

قدرت واقعی وقتی آزاد می‌شود که این روش را با تکنیک‌های دیگر ترکیب کنید. می‌توانید چند پیش‌نویسِ مستقل بگیرید و رأی اکثریت را بردارید تا دقت بالاتر برود، بی‌آنکه هزینه سر به فلک بزند؛ چون هر پیش‌نویس کوتاه است. همچنین جداکنندهٔ #### را همیشه ثابت نگه دارید تا در برنامه‌نویسی، استخراج جواب خودکار و بی‌دردسر شود.

یک نکتهٔ حرفه‌ای دیگر: در سیستم‌پرامپت بنویسید که «اگر مطمئن نیستی، به‌جای حدس، یک پیش‌نویسِ کوتاه بنویس که چه اطلاعاتی کم است.» این کار جلوی پاسخ‌های اشتباهِ بااعتمادبه‌نفس را می‌گیرد. تکنیک‌های استدلالی مثل این بخشی از یک نقشهٔ بزرگ‌ترند؛ برای دیدن کل مسیر، راهنمای جامع پرامپت‌نویسی را ببینید و برای دنبال‌کردن تازه‌ترین روش‌ها سری به اخبار هوش مصنوعی بزنید.

مثال: ترکیب پیش‌نویس با رأی‌گیری: «مسئله را سه‌بار جداگانه با پیش‌نویسِ پنج‌کلمه‌ای حل کن. سه جواب را کنار هم بگذار و پرتکرارترین را بعد از #### به‌عنوان جوابِ نهایی اعلام کن.»

پرسش‌های پرتکرار

آیا زنجیرهٔ پیش‌نویس دقت را کم می‌کند؟ در مسائل مرحله‌ای معمولاً نه؛ چون مراحل استدلال حفظ می‌شوند و فقط توضیح‌های اضافه حذف می‌شود. روی مدل‌های کوچک بهتر است یکی‌دو مثال بگذارید.

تفاوتش با «مستقیم جواب بده» چیست؟ در حالتِ مستقیم، مدل هیچ استدلالی نمی‌کند و دقت افت می‌کند. در زنجیرهٔ پیش‌نویس، مدل فکر می‌کند اما کوتاه می‌نویسد.

روی چه مدل‌هایی کار می‌کند؟ روی همهٔ مدل‌های بزرگِ امروزی مثل چت‌جی‌پی‌تی، کلود و جمینای. فقط دستورِ محدودیتِ کلمه و جداکننده را در پرامپت بیاورید.