مهر
کاوش چندمسیره و ایده‌پردازی
الگوریتم تفکر (Algorithm of Thoughts)؛ قدرت درخت تفکر، فقط با یک پرامپت
تصور کنید یک معمای چیدمان دارید: باید از میان ده‌ها حالت ممکن، ترکیبی پیدا کنید که همهٔ شرط‌ها را هم‌زمان برآورده کند. اگر همین را مستقیم از هوش مصنوعی بپرسید، معمولاً اولین جوابی را می‌دهد که به ذهنش رسیده و اگر آن جواب غلط از آب دربیاید، گیر می‌کند. «الگوریتم تفکر» (Algorithm of Thoughts) دقیقاً برای همین لحظه ساخته شده است: روشی که به مدل یاد می‌دهد به‌جای یک مسیر، چند مسیر را امتحان کند، بن‌بست‌ها را رها کند و به عقب برگردد — همهٔ این‌ها در یک پرامپت و یک پاسخ.
این تکنیک که پژوهشگران در سال ۲۰۲۳ معرفی کردند، پلی است میان دو روش آشنا: زنجیرهٔ تفکر که فقط یک مسیر را دنبال می‌کند، و درخت تفکر که ده‌ها مسیر را می‌کاود اما گران و پیچیده است. در این درس یاد می‌گیرید الگوریتم تفکر چیست، چرا ارزان‌تر از درخت تفکر همان نتیجه را می‌گیرد، و چطور با یک قالب سادهٔ فارسی آن را روی مسئله‌های واقعی خودتان پیاده کنید.
لیست مطالب
الگوریتم تفکر چیست و چه فرقی با زنجیرهٔ تفکر دارد
زنجیرهٔ تفکر (Chain of Thought) به مدل می‌گوید «قدم‌به‌قدم فکر کن». این روش عالی است، اما یک ضعف بزرگ دارد: مدل یک مسیر را انتخاب می‌کند و تا آخر همان را می‌رود. اگر در قدم دوم یک تصمیم اشتباه بگیرد، بقیهٔ زنجیره روی همان خطا بنا می‌شود و راه برگشتی وجود ندارد. برای مسئله‌های خطی و مستقیم این مشکلی نیست، اما برای معماها، برنامه‌ریزی و مسئله‌هایی که چند راه‌حل محتمل دارند، فاجعه است.
الگوریتم تفکر یک ایدهٔ ساده اما قدرتمند را اضافه می‌کند: به مدل نشان می‌دهد که فکرکردن فقط «جلو رفتن» نیست، بلکه گاهی «برگشتن» هم هست. درست مثل وقتی که در یک هزارتو راه را اشتباه می‌روید، به بن‌بست می‌رسید، برمی‌گردید و مسیر دیگری را امتحان می‌کنید. مدل یاد می‌گیرد در هر گام چند گزینه را فهرست کند، هرکدام را کوتاه بسنجد، گزینه‌های بی‌فایده را کنار بگذارد و روی گزینهٔ امیدوارکننده عمیق‌تر شود — و اگر به بن‌بست خورد، بی‌معطلی به عقب برگردد.
چرا درخت تفکر گران است و الگوریتم تفکر چطور همان کار را ارزان می‌کند
درخت تفکر (Tree of Thoughts) هم همین کاوش چندمسیره را انجام می‌دهد، اما با یک تفاوت پرهزینه: هر شاخه و هر گره را با یک درخواست جداگانه از مدل می‌پرسد و یک کنترل‌کنندهٔ بیرونی تصمیم می‌گیرد کدام شاخه را ادامه بدهد. نتیجه این است که حل یک معمای ساده ممکن است ده‌ها یا صدها بار صدازدنِ مدل لازم داشته باشد؛ این یعنی هزینهٔ بالا، کندی، و نیاز به کدنویسی و ابزار فنی که از دست یک کاربر عادی برنمی‌آید.
الگوریتم تفکر کل این فرایند جست‌وجو — شاخه‌زنی، ارزیابی، هَرَس و بازگشت — را به‌صورت یک نمونهٔ آموزشی داخل خودِ پرامپت جا می‌دهد. وقتی مدل یک بار ببیند که «این‌طور باید جست‌وجو کرد»، همان الگو را در یک پاسخ واحد تقلید می‌کند. به بیان ساده، به‌جای اینکه شما بیرون از مدل یک درخت بسازید، به مدل یاد می‌دهید درخت را در ذهن خودش بسازد. نتیجه؟ کیفیتی نزدیک به درخت تفکر، اما با هزینه‌ای در حد زنجیرهٔ تفکر و بدون هیچ ابزار فنی.
منطق پشت الگوریتم تفکر؛ به مدل یاد بده مثل یک جست‌وجوگر فکر کند
کلید این تکنیک یک کلمه است: «نمایش». شما به مدل نمی‌گویید «جست‌وجو کن»؛ به او نشان می‌دهید جست‌وجو یعنی چه. یک نمونهٔ کوچک از یک فرایند کامل — که در آن یک مسیر امتحان می‌شود، به بن‌بست می‌خورد، رها می‌شود و مسیر بعدی آغاز می‌گردد — برای مدل حکم یک نقشهٔ راه را دارد. مدل‌های زبانی در تقلید الگو فوق‌العاده‌اند؛ وقتی ساختار «تلاش، ارزیابی، بازگشت» را ببینند، همان را روی مسئلهٔ شما بازتولید می‌کنند.
به همین دلیل، قلبِ یک پرامپت الگوریتم تفکر سه رفتار است که باید صریح از مدل بخواهید: اول، در هر گام چند گزینه بساز نه فقط یکی. دوم، هر گزینه را با یک جملهٔ کوتاه بسنج که آیا به هدف نزدیک می‌شود یا نه. سوم — و مهم‌ترین — هر وقت یک مسیر به بن‌بست رسید، صریح بنویس «این مسیر شکست خورد» و به آخرین نقطهٔ تصمیم برگرد. همین رفتار بازگشت است که الگوریتم تفکر را از یک فهرست ساده جدا می‌کند.
قالب آمادهٔ پرامپت الگوریتم تفکر
این قالب را کپی کنید و جای مسئله را با سؤال خودتان پر کنید. همین یک پرامپت، کل منطق جست‌وجوی چندمسیره را به مدل می‌سپارد:
می‌خواهم مسئلهٔ زیر را مثل یک الگوریتم جست‌وجو حل کنی، نه با یک حدسِ مستقیم:
[مسئله یا هدف شما، همراه با همهٔ شرط‌ها و محدودیت‌ها]
این روش را دقیقاً دنبال کن:
۱) در هر گام، دو تا سه گزینهٔ ممکن برای ادامه را فهرست کن، نه فقط یکی.
۲) هر گزینه را با یک جملهٔ کوتاه بسنج: آیا من را به هدف نزدیک‌تر می‌کند یا شرطی را نقض می‌کند؟
۳) گزینه‌های بی‌فایده را کنار بگذار و فقط روی امیدوارکننده‌ترین گزینه عمیق‌تر شو.
۴) اگر مسیری به بن‌بست رسید، صریح بنویس «این مسیر شکست خورد چون…» و به آخرین نقطهٔ تصمیم برگرد و گزینهٔ دیگری را امتحان کن.
۵) وقتی به جوابی رسیدی که همهٔ شرط‌ها را برآورده می‌کند، آن را به‌عنوان «پاسخ نهایی» جدا و تمیز بنویس.
تمام مسیر جست‌وجو، از جمله بن‌بست‌ها و بازگشت‌ها را نشان بده تا ببینم چطور به جواب رسیدی.
نکتهٔ طلایی: بند چهارم — یعنی اجازهٔ صریح برای اعلام شکست و بازگشت — مهم‌ترین بخش قالب است. بدون آن، مدل به همان عادت قدیمی برمی‌گردد و با یک مسیرِ احتمالاً غلط تا آخر پیش می‌رود. همین یک جمله، تفاوت یک فهرست خطی با یک جست‌وجوی واقعی را می‌سازد.
نمونهٔ واقعی؛ ساختن عدد ۲۴ از چهار عدد
یک مثال کلاسیک که قدرت بازگشت را به‌روشنی نشان می‌دهد: با چهار عدد ۴، ۶، ۸ و ۲ و با چهار عمل اصلی، عددِ ۲۴ را بسازید. اگر این را مستقیم بپرسید، مدل ممکن است یک ترکیب را امتحان کند، به جواب نرسد و سردرگم شود. اما با الگوریتم تفکر، جست‌وجو شفاف و قابل‌دنبال‌کردن می‌شود.
مدل این‌طور پیش می‌رود: «مسیر اول: ۸ × ۶ = ۴۸، حالا باید با ۴ و ۲ به ۲۴ برسم؛ ۴۸ ÷ ۲ = ۲۴، اما هنوز ۴ مانده و استفاده نشده — این مسیر شکست خورد چون باید همهٔ اعداد را به کار ببرم. برمی‌گردم. مسیر دوم: ۶ ÷ ۲ = ۳، سپس ۸ − ۴ = ۴، و ۳ … به جایی نمی‌رسم — شکست، بازگشت. مسیر سوم: ۴ × ۸ = ۳۲، سپس ۳۲ − ۶ − ۲ = ۲۴. همهٔ چهار عدد استفاده شد و نتیجه ۲۴ است — پاسخ نهایی.» همان رفتارِ «امتحان کن، شکست بخور، برگرد» که یک انسان باهوش به‌کار می‌برد، حالا به‌صورت صریح در پاسخ مدل دیده می‌شود.
زیبایی ماجرا این است که همین منطق روی مسئله‌هایی فراتر از بازی اعداد هم کار می‌کند؛ هر جا یک فضای راه‌حل با چند شاخه دارید، این قالب می‌درخشد.
کاربردهای روزمرهٔ الگوریتم تفکر
این تکنیک فقط برای معماهای ریاضی نیست. هر جا باید از میان چند گزینه، ترکیبی پیدا کنید که شرط‌ها را برآورده کند، الگوریتم تفکر کار شما را راه می‌اندازد:
- برنامه‌ریزی تحت محدودیت: چیدن یک برنامهٔ سفر سه‌روزه که هم به بودجه بخورد، هم از چند مکان مشخص بازدید شود و هم زمان‌بندی منطقی داشته باشد. مدل مسیرهای مختلف را می‌سنجد و آن‌هایی را که شرطی را نقض می‌کنند کنار می‌گذارد.
- عیب‌یابی با حذف: وقتی یک دستگاه یا کد چند دلیلِ محتمل برای خرابی دارد، مدل می‌تواند هر فرضیه را امتحان کند، آن‌هایی را که با شواهد نمی‌خوانند رد کند و به عقب برگردد تا به علت اصلی برسد.
- تصمیم‌های چندمرحله‌ای: انتخاب میان چند استراتژی که هرکدام پیامدهای زنجیره‌ای دارند؛ مدل شاخه‌های مختلف را تا چند قدم جلو می‌برد و بن‌بست‌ها را زود تشخیص می‌دهد.
- معماها و بازی‌های منطقی: از جدول کلمات متقاطع کوچک تا چیدمان‌هایی که چند قید هم‌زمان دارند؛ همان‌جایی که جواب درست پشت چند بار آزمون‌وخطا پنهان است.
ترکیب الگوریتم تفکر با تکنیک‌های دیگر
قدرت واقعی وقتی آزاد می‌شود که این تکنیک را با روش‌های دیگر زنجیر کنید. چند ترکیب پرکاربرد:
- الگوریتم تفکر در برابر درخت تفکر: برای مسئله‌های سبک تا متوسط، الگوریتم تفکر کافی و ارزان است. اما اگر مسئله واقعاً سنگین است و بودجهٔ محاسباتی دارید، درخت تفکر با کاوش گسترده‌تر جواب دقیق‌تری می‌دهد. این دو رقیب نیستند، بلکه دو نقطه از یک طیف‌اند.
- الگوریتم تفکر + اجماع چندپاسخ: اگر به جواب حساسی رسیدید، همان پرامپت را چند بار اجرا کنید و با روش اجماع چندپاسخ رأی اکثریت را بگیرید تا از درستی مسیر مطمئن شوید.
- الگوریتم تفکر + تجزیهٔ مسئله: برای مسئله‌های خیلی بزرگ، اول با تجزیه به زیرمسئله کار را خرد کنید و بعد الگوریتم تفکر را روی هر تکه اجرا کنید؛ این‌طور فضای جست‌وجو قابل‌مدیریت می‌ماند.
اشتباه‌های رایج در اجرای الگوریتم تفکر
بیشترین خطاها از این چند نقطه می‌آیند. حواستان به آن‌ها باشد:
- حذف بند بازگشت: اگر صریح نخواهید که مدل بن‌بست‌ها را اعلام کند و به عقب برگردد، تکنیک به یک فهرست ساده تنزل پیدا می‌کند و قدرتش را از دست می‌دهد.
- مبهم گذاشتن شرط‌ها: جست‌وجو فقط وقتی معنا دارد که مدل بداند چه چیزی یک مسیر را «شکست‌خورده» می‌کند. همهٔ محدودیت‌ها و شرط‌های موفقیت را از همان ابتدا روشن بنویسید.
- به‌کاربردن برای مسئلهٔ ساده: برای یک سؤال یک‌مرحله‌ای یا یک جست‌وجوی واقعیت، این تکنیک بیش از حد سنگین است و فقط پاسخ را طولانی می‌کند.
- نخواستن مسیر کامل: اگر از مدل نخواهید تمام مسیر جست‌وجو را نشان دهد، نمی‌توانید منطقش را بازرسی کنید و اگر خطایی رخ داده باشد، آن را نمی‌بینید.
کجا از الگوریتم تفکر استفاده نکنیم
این تکنیک برای مسئله‌هایی ساخته شده که یک «فضای جست‌وجو» دارند؛ یعنی چند راه‌حل محتمل که باید میانشان گشت. برای سؤال‌های مستقیم و تک‌جوابی — مثل یک تعریف، یک ترجمه، یا یک واقعیت ساده — این روش فقط جواب را شلوغ و طولانی می‌کند و هیچ ارزشی اضافه نمی‌کند. آنجا یک پرامپت ساده و شفاف بهتر است.
همچنین اگر جوابی که می‌خواهید بیشتر خلاقانه است تا منطقی — مثلاً تولید ایده‌های تازه و متنوع — روش واگرا-همگرا ابزار مناسب‌تری است؛ آن برای گستردن ایده‌ها طراحی شده، نه برای جست‌وجوی منطقیِ یک جواب درست میان چند گزینه.
پرسش‌های پرتکرار
تفاوت اصلی الگوریتم تفکر با درخت تفکر در یک جمله چیست؟
درخت تفکر جست‌وجو را بیرون از مدل و با ده‌ها درخواست جداگانه انجام می‌دهد؛ الگوریتم تفکر همان جست‌وجو را داخل یک پرامپت و یک پاسخ شبیه‌سازی می‌کند. یعنی کیفیتی نزدیک، اما با کسری از هزینه و بدون نیاز به کدنویسی.
آیا این تکنیک روی ChatGPT و Claude معمولی هم کار می‌کند؟
بله. چون کل منطق جست‌وجو داخل متنِ پرامپت است، به هیچ ابزار یا قابلیت خاصی نیاز ندارد و روی نسخه‌های معمولی مدل‌ها هم اجرا می‌شود. فقط کافی است قالب را کامل و با بند بازگشت به مدل بدهید.
چرا باید از مدل بخواهم بن‌بست‌ها را هم نشان دهد؟
چون همان بن‌بست‌ها و بازگشت‌ها هستند که جست‌وجوی واقعی را می‌سازند. اگر مدل فقط مسیر موفق را نشان دهد، در عمل دوباره دارد یک مسیر خطی می‌رود و شما هم نمی‌توانید منطقش را بازرسی کنید.
برای مسئله‌های خیلی بزرگ چه کنم؟
اول مسئله را به چند زیرمسئلهٔ کوچک‌تر بشکنید و الگوریتم تفکر را روی هر تکه جداگانه اجرا کنید. این‌طور فضای جست‌وجو کوچک و قابل‌مدیریت می‌ماند و مدل در انبوه گزینه‌ها گم نمی‌شود.
مهم‌ترین چیزی که الگوریتم تفکر را از یک فهرستِ ساده گزینه‌ها جدا می‌کند کدام است؟
این تمرین ویژهٔ اعضاست
دورهٔ رایگان تو استفاده شده و اشتراکت فعال نیست. برای ادامهٔ دسترسی به مطالب ویژه، اشتراک را فعال کن.
فعال‌سازی اشتراک — از ۱۹۹٬۰۰۰ تومان / ماه
جمع‌بندی
الگوریتم تفکر یک درس ساده را به ابزار کاری تبدیل می‌کند: فکرکردنِ خوب فقط جلو رفتن نیست، گاهی برگشتن است. وقتی به مدل یاد می‌دهید در هر گام چند گزینه بسازد، آن‌ها را بسنجد، بن‌بست‌ها را رها کند و به عقب برگردد، همان قدرت کاوشِ درخت تفکر را می‌گیرید، اما با هزینه‌ای در حد یک پرامپت ساده. قالب این درس را یک بار روی یک مسئلهٔ چندمسیرهٔ واقعی امتحان کنید؛ به‌سرعت می‌بینید که اجازهٔ «شکست خوردن و برگشتن»، چطور جواب‌ها را دقیق‌تر می‌کند.
این درس بخشی از مجموعهٔ آموزشی پرامپت‌نویسی Mr ChatGPT است. برای دیدن نقشهٔ کامل و بقیهٔ تکنیک‌ها، به راهنمای جامع پرامپت‌نویسی سر بزنید.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
