پرامپت گام‌به‌عقب (Step-Back)؛ به هوش مصنوعی یاد بده اول اصل کلی را پیدا کند بعد جواب بدهد

فرض کنید از هوش مصنوعی یک سؤال سخت می‌پرسید: «اگر فشار یک گاز ثابت بماند و دمایش دو برابر شود، حجمش چه می‌شود؟» مدل اغلب عجول است؛ اولین چیزی را که به ذهنش می‌رسد می‌گوید و اگر در همان قدم اول مسیر را اشتباه برود، تا آخر همان را ادامه می‌دهد. حالا تصور کنید قبل از پاسخ، از او بخواهید یک قدم به عقب بردارد و اول بگوید «این مسئله اصلاً دربارهٔ کدام قانون فیزیک است؟». وقتی مدل اول قانون گازها را به زبان می‌آورد، جواب نهایی تقریباً همیشه درست‌تر درمی‌آید.

این دقیقاً کاری است که تکنیک «گام‌به‌عقب» (Step-Back Prompting) انجام می‌دهد: به‌جای پریدن مستقیم روی جواب، مدل را وادار می‌کنید اول یک پله بالاتر برود، اصل یا مفهوم کلیِ حاکم بر مسئله را پیدا کند و بعد جواب مشخص را روی همان اصل بنا کند. در این درس یاد می‌گیرید گام‌به‌عقب چیست، چرا این کارِ ساده دقت را بالا می‌برد، یک قالب آمادهٔ فارسی برای آن، و اینکه کجا به کارتان می‌آید و کجا نباید سراغش بروید.

گام‌به‌عقب چیست و چه فرقی با پرسیدن مستقیم دارد

وقتی مستقیم می‌پرسید، مدل بلافاصله روی جزئیات مسئله قفل می‌شود. گام‌به‌عقب یک مرحلهٔ واسط اضافه می‌کند: اول از مدل می‌خواهید سؤال را به یک پرسش کلی‌تر و انتزاعی‌تر ترجمه کند — مثلاً «این مسئله زیرمجموعهٔ کدام مفهوم یا قانون است؟» — بعد همان مفهوم کلی را جواب بدهد، و تازه در قدم آخر سراغ سؤال اصلی و مشخص برود.

به بیان ساده، دو حرکت پشت سر هم اتفاق می‌افتد: یک حرکت رو به بالا (از جزء به اصل) و یک حرکت رو به پایین (از اصل به جواب). پژوهشگران گوگل دیپ‌مایند این روش را در سال ۲۰۲۳ با عنوان «یک قدم به عقب بردار» (Take a Step Back) معرفی کردند و نشان دادند همین مرحلهٔ کوچک، دقت مدل را در سؤال‌های علمی و استدلالی به‌شکل محسوسی بالا می‌برد.

چرا مغزِ مدل با یک گام به عقب بهتر کار می‌کند

مدل‌های زبانی جواب را کلمه‌به‌کلمه و بر اساس آنچه تا این لحظه نوشته‌اند می‌سازند. اگر اولین جمله روی یک جزئیات فرعی یا یک فرض غلط بنا شود، بقیهٔ جواب هم کج می‌رود. وقتی مدل را مجبور می‌کنید اول اصل کلی را بنویسد، در واقع زمینهٔ درستی برای ادامهٔ کار فراهم می‌کنید؛ همان اصل کلی مثل یک ریل عمل می‌کند که جملات بعدی را روی مسیر درست نگه می‌دارد.

نکتهٔ مهم این است که مدل معمولاً اصل کلی را بهتر از جواب جزئی «می‌داند». قانون گازها، تعریف حاشیهٔ سود، یا اصل عرضه و تقاضا در دادهٔ آموزشی مدل هزاران بار تکرار شده‌اند؛ اما ترکیب خاص اعداد سؤال شما تازه است. گام‌به‌عقب اول آن دانش پایدار و مطمئن را فعال می‌کند و بعد اجازه می‌دهد مدل جزئیات تازه را روی آن سوار کند.

منطق پشت تکنیک؛ از جزء به اصل، بعد از اصل به جواب

ساختار گام‌به‌عقب را می‌شود در سه مرحله خلاصه کرد. مرحلهٔ اول، انتزاع: مدل سؤال مشخص را کنار می‌گذارد و می‌پرسد «این از چه خانواده‌ای است؟ کدام مفهوم، قانون یا چارچوب اینجا حاکم است؟». مرحلهٔ دوم، یادآوری اصل: مدل همان اصل کلی را واضح و کامل توضیح می‌دهد، انگار دارد به یک تازه‌کار درس می‌دهد. مرحلهٔ سوم، کاربرد: حالا مدل برمی‌گردد سراغ سؤال اصلی و جواب را قدم‌به‌قدم روی اصلی که تازه نوشته بنا می‌کند.

تفاوت ظریف اما مهم این است که گام‌به‌عقب با «تجزیه به زیرمسئله» یکی نیست. در تجزیه، مسئله را به چند تکهٔ کوچک‌تر در همان سطح می‌شکنید؛ در گام‌به‌عقب، سطح را عوض می‌کنید و یک پله بالاتر می‌روید تا به اصل کلی برسید. این تمایز را که بفهمید، می‌دانید هر کدام کجا به درد می‌خورند.

قالب آمادهٔ پرامپت گام‌به‌عقب (فارسی)

این قالب را می‌توانید همین حالا کپی کنید و جای پرسش خودتان را در آن بگذارید. نکتهٔ کلیدی این است که صریح از مدل بخواهید اول جواب نهایی را ندهد:

می‌خواهم با روش «گام به عقب» به این سؤال جواب بدهی.

سؤال اصلی: [سؤال مشخص خودت را اینجا بنویس]

لطفاً دقیقاً این سه مرحله را به ترتیب و با عنوان انجام بده:

۱) گام به عقب: این سؤال زیرمجموعهٔ کدام مفهوم، قانون یا چارچوب کلی است؟ آن را در یک جمله نام ببر.
۲) توضیح اصل: همان مفهوم یا قانون کلی را کامل و ساده توضیح بده، انگار به یک تازه‌کار درس می‌دهی.
۳) پاسخ نهایی: حالا با تکیه بر همان اصل، سؤال اصلی را قدم‌به‌قدم جواب بده.

تا مرحلهٔ سوم، جواب نهایی را ننویس.

همین چند خط کافی است. اگر دیدید مدل باز هم عجله می‌کند و پرید سر جواب، جملهٔ آخر را پررنگ‌تر تکرار کنید؛ همین که مدل مجبور شود اول اصل را بنویسد، نیمی از کار انجام شده است.

نمونهٔ واقعی؛ از یک سؤال فیزیک تا یک تصمیم کاری

بیایید همان سؤال گاز را ببینیم. پرسیدن مستقیم: «فشار ثابت، دما دو برابر، حجم چه می‌شود؟» — مدل ممکن است سریع بگوید «نصف می‌شود» چون عدد «دو برابر» ذهنش را به تقسیم می‌برد. حالا با گام‌به‌عقب، مدل اول می‌نویسد «این مسئله دربارهٔ قانون شارل است: در فشار ثابت، حجم با دمای مطلق نسبت مستقیم دارد». وقتی این اصل جلوی چشمش باشد، نتیجه می‌گیرد حجم هم دو برابر می‌شود — جواب درست.

این تکنیک فقط برای علم نیست. فرض کنید می‌پرسید «قیمت محصول تازه‌ام را چند بگذارم؟». پرسیدن مستقیم یک عدد سرانگشتی می‌دهد. با گام‌به‌عقب، مدل اول می‌نویسد «این یک مسئلهٔ قیمت‌گذاری است و اصول حاکم بر آن عبارت‌اند از هزینهٔ تمام‌شده، ارزش ادراک‌شده برای مشتری، و قیمت رقبا»، بعد همین اصول را روی وضعیت شما پیاده می‌کند. جوابی که می‌گیرید سنجیده‌تر و قابل‌دفاع‌تر است، چون روی یک چارچوب بنا شده نه روی حدس.

کاربردهای روزمرهٔ گام‌به‌عقب

هر جا که مسئله یک اصل یا قاعدهٔ شناخته‌شده پشتش دارد، گام‌به‌عقب می‌درخشد. در سؤال‌های درسی و علمی (فیزیک، شیمی، اقتصاد، حقوق) اول قانون را فعال می‌کند. در تصمیم‌های کاری، اول چارچوب تصمیم را روشن می‌کند. در نوشتن، اول ژانر و قواعد آن را مشخص می‌کند و بعد متن را می‌نویسد. حتی در سؤال‌های پزشکی عمومی یا مالی، اول اصل کلی را توضیح می‌دهد و بعد به وضعیت خاص می‌پردازد.

یک کاربرد پرطرفدار دیگر، رفع اشتباهات محاسباتی است. وقتی مدل در یک مسئلهٔ ریاضی یا منطقی مدام خطا می‌کند، به‌جای تکرار سؤال، از او بخواهید یک گام به عقب بردارد و اول «روش یا فرمول درست برای این نوع مسئله» را بنویسد. اغلب همین کار جلوی خطای زنجیره‌ای را می‌گیرد.

ترکیب گام‌به‌عقب با زنجیرهٔ تفکر و تکنیک‌های دیگر

گام‌به‌عقب تنها کار نمی‌کند؛ با بقیهٔ تکنیک‌ها خیلی خوب جفت می‌شود. بعد از مرحلهٔ «توضیح اصل»، می‌توانید از زنجیرهٔ تفکر استفاده کنید تا مدل جواب نهایی را قدم‌به‌قدم و با استدلال باز بسازد. اگر مسئله چند مسیر ممکن دارد، می‌توانید گام‌به‌عقب را با الگوریتم تفکر ترکیب کنید: اول اصل کلی، بعد کاوش چند مسیر روی همان اصل.

ترکیب دیگری که خوب جواب می‌دهد، استفاده از پرامپت قیاسی و مثال‌های خودساخته است؛ بعد از اینکه مدل اصل کلی را نوشت، از او بخواهید یک مثال مشابهِ حل‌شده هم بسازد و بعد سراغ مسئلهٔ اصلی برود. هر چه مدل بیشتر «گرم» شود، جواب نهایی پخته‌تر است.

اشتباه‌های رایج در اجرای این تکنیک

رایج‌ترین اشتباه این است که اجازه می‌دهیم مدل مرحلهٔ اول را سَرسَری رد کند. اگر «اصل کلی» که مدل می‌نویسد مبهم یا سطحی باشد، بقیهٔ جواب هم سطحی می‌شود؛ پس اگر دیدید اصل خوب درنیامده، همان‌جا بایستید و بخواهید دقیق‌ترش کند. اشتباه دوم، پرسیدن سؤال‌های بیش‌ازحد ساده با این روش است که فقط جواب را طولانی و خسته‌کننده می‌کند.

اشتباه سوم این است که اصلِ انتخابی اصلاً ربطی به مسئله نداشته باشد. مدل گاهی یک مفهوم کلیِ غلط را انتخاب می‌کند و بعد جوابِ دقیقی روی یک پایهٔ اشتباه می‌سازد. برای همین، همیشه مرحلهٔ اول را یک نگاه بیندازید؛ اگر اصل درست باشد، معمولاً جواب هم درست است.

کجا از گام‌به‌عقب استفاده نکنیم

این تکنیک برای مسئله‌هایی ساخته شده که یک اصل یا مفهوم عمیق‌تر پشتشان است. برای کارهای سادهٔ سرراست — مثل «این جمله را به انگلیسی ترجمه کن» یا «این متن را خلاصه کن» — گام‌به‌عقب فقط سربار اضافه می‌کند و وقت و توکن هدر می‌دهد. آنجا بهتر است مستقیم بپرسید.

همچنین برای سؤال‌هایی که جوابشان صرفاً یک واقعیت مشخص است (مثلاً «پایتخت ژاپن کجاست؟») انتزاع معنا ندارد. قاعدهٔ کلی ساده است: اگر مسئله «چرا» و «چطور» دارد و پشتش یک قانون خوابیده، گام‌به‌عقب عالی است؛ اگر فقط «چی» است، مستقیم بپرسید.

پرسش‌های پرتکرار

گام‌به‌عقب با زنجیرهٔ تفکر چه فرقی دارد؟
زنجیرهٔ تفکر می‌گوید «قدم‌به‌قدم فکر کن» اما سطح را عوض نمی‌کند. گام‌به‌عقب یک پله بالاتر می‌رود و اول اصل کلی را پیدا می‌کند. این دو مکمل‌اند: اول گام به عقب، بعد زنجیرهٔ تفکر روی همان اصل.

آیا این تکنیک روی همهٔ مدل‌ها کار می‌کند؟
بله، چون به قابلیت خاصی وابسته نیست و فقط ساختار پرامپت است. روی مدل‌های قوی‌تر مثل نسخه‌های جدید ChatGPT و Claude و Gemini اثرش واضح‌تر دیده می‌شود، اما روی مدل‌های کوچک‌تر هم جواب را بهتر می‌کند.

چطور بفهمم اصلی که مدل نوشته درست است؟
اگر در آن حوزه کمی تخصص دارید، نگاهی به مرحلهٔ اول بیندازید؛ اگر ندارید، از مدل بخواهید اصل انتخابی‌اش را با یک مثال ساده و شناخته‌شده توضیح دهد. اگر مثال جور درآمد، احتمالاً اصل هم درست است.

آیا گام‌به‌عقب جواب را کندتر نمی‌کند؟
چرا، کمی طولانی‌تر می‌شود چون مدل دو مرحلهٔ اضافه می‌نویسد. اما برای مسئله‌های سخت، این هزینهٔ کوچک در برابر جوابِ دقیق‌تر کاملاً می‌ارزد. برای کارهای ساده سراغش نروید.

جمع‌بندی

گام‌به‌عقب یکی از کم‌هزینه‌ترین و در عین حال مؤثرترین ترفندهای پرامپت‌نویسی است: فقط کافی است قبل از جواب، از مدل بخواهید یک پله بالاتر برود، اصل کلیِ مسئله را پیدا کند و بعد جواب را روی آن بنا کند. همین مرحلهٔ کوچک جلوی خطاهای عجولانه را می‌گیرد و جوابی سنجیده‌تر و قابل‌دفاع‌تر به شما می‌دهد. از همین امروز روی یکی از سؤال‌های سختتان امتحانش کنید.

این درس بخشی از مجموعهٔ آموزش پرامپت‌نویسی Mr ChatGPT است. برای دیدن بقیهٔ تکنیک‌ها و دنبال‌کردن مسیر یادگیری، سری کامل را اینجا ببینید: مجموعه آموزش پرامپت‌نویسی.

نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید