آموزش زنجیرهٔ تفکر (Chain of Thought) در پرامپت‌نویسی

«زنجیرهٔ تفکر» (Chain of Thought) یکی از ساده‌ترین و در عین حال قدرتمندترین ترفندهای پرامپت‌نویسی است: کافی است از مدل بخواهید پیش از گفتنِ جواب، مسیرِ رسیدن به آن را قدم‌به‌قدم توضیح دهد. همین یک تغییرِ کوچک در نحوهٔ درخواست، دقتِ پاسخ‌ها را در مسائل ریاضی، منطقی و تحلیلی به‌شکل چشمگیری بالا می‌برد. در این آموزش با مثال‌های واقعی و قابل‌کپی یاد می‌گیرید چطور این تکنیک را در کارهای روزمره‌تان به کار ببرید. اگر تازه‌کار هستید، بهتر است اول نگاهی به پرامپت‌نویسی برای مبتدی‌ها بیندازید.

۱. زنجیرهٔ تفکر چیست و چرا دقت را بالا می‌برد؟

مدل‌های هوش مصنوعی کلمه‌به‌کلمه پاسخ می‌سازند و هر کلمه‌ای که می‌نویسند، بر کلمهٔ بعدی اثر می‌گذارد. وقتی از مدل می‌خواهید فوراً جواب نهایی را بدهد، عملاً او را مجبور کرده‌اید در یک جهش به مقصد برسد؛ درست مثل دانش‌آموزی که بدون نوشتنِ محاسبات، جوابِ یک مسئلهٔ چندمرحله‌ای را حدس می‌زند. اما وقتی از او می‌خواهید «مرحله‌به‌مرحله فکر کند»، مدل فضای بیشتری برای شکستنِ مسئله به بخش‌های کوچک پیدا می‌کند و هر مرحله، سکوی درستی برای مرحلهٔ بعد می‌شود.

به بیان ساده، زنجیرهٔ تفکر یعنی از مدل بخواهید استدلالش را «بنویسد»، نه اینکه فقط نتیجه را اعلام کند. این کار سه فایده دارد: خطای محاسباتی کم می‌شود، منطقِ پاسخ برای شما شفاف و قابل‌بررسی می‌شود، و اگر جایی اشتباه رخ دهد، دقیقاً می‌بینید در کدام مرحله بوده است. همین شفافیت باعث می‌شود بتوانید به پاسخ‌ها بیشتر اعتماد کنید یا سریع‌تر آن‌ها را اصلاح کنید.

مثال: «۳ کارگر یک دیوار را در ۶ روز می‌سازند. اگر ۲ کارگر دیگر اضافه شوند، همان دیوار در چند روز ساخته می‌شود؟ لطفاً اول گام‌به‌گام استدلال کن و بعد جواب نهایی را بگو.» — همین جملهٔ «اول استدلال کن، بعد جواب بده» تفاوت بین یک پاسخ حدسی و یک پاسخ درست است.

۲. ساده‌ترین نسخه: «گام‌به‌گام فکر کن» (Zero-Shot CoT)

لازم نیست برای شروع کارِ پیچیده‌ای بکنید. تحقیقات نشان داده‌اند که فقط اضافه‌کردنِ یک جملهٔ کوتاه مثل «بیا قدم‌به‌قدم فکر کنیم» یا «مرحله‌به‌مرحله توضیح بده» می‌تواند دقت مدل را در مسائل استدلالی به‌طور محسوس بالا ببرد. به این روش «زنجیرهٔ تفکرِ بدون‌نمونه» یا Zero-Shot CoT می‌گویند، چون بدون آوردن هیچ مثالی، فقط با یک دستور، مدل را به استدلال وادار می‌کنید. این ساده‌ترین نقطهٔ شروع برای هر کسی است که تازه با آموزش‌های ChatGPT آشنا می‌شود.

مثال: «یک مغازه ۳ جعبه سیب خرید؛ هر جعبه ۱۲ کیلوگرم. ۷ کیلو از آن فروخته شد و ۵ کیلو خراب شد. چند کیلو سالم باقی مانده است؟ اول گام‌به‌گام و با نوشتن محاسبهٔ هر مرحله فکر کن، سپس در خط آخر فقط پاسخ نهایی را بنویس.»

نکتهٔ مهم این است که جملهٔ راه‌انداز را در «انتهای» پرامپت بگذارید، درست قبل از اینکه مدل شروع به پاسخ کند. این‌طور مدل دقیقاً می‌داند که انتظار دارید پیش از جواب، فرایند فکرش را نشان دهد.

۳. استدلال را از پاسخ نهایی جدا کن

یکی از مشکلات رایج این است که مدل کلی توضیح می‌دهد و شما در آن انبوهِ متن، دنبال «جوابِ اصلی» می‌گردید. راه‌حل ساده است: از مدل بخواهید خروجی را به دو بخشِ مجزا تقسیم کند؛ یک بخش برای استدلال و یک بخش کوتاه و جداگانه برای پاسخ نهایی. این کار هم دقت را حفظ می‌کند و هم استفاده از نتیجه را برای شما آسان می‌سازد، مخصوصاً وقتی می‌خواهید فقط جواب را جایی کپی کنید.

مثال: «این ایمیلِ شکایتِ مشتری را بررسی کن. ابتدا در بخشی به نام «استدلال»، لحن و دلایل نارضایتی مشتری را قدم‌به‌قدم تحلیل کن؛ سپس در بخشی جدا به نام «پاسخ نهایی»، فقط یک راه‌حلِ دو‌خطی و مؤدبانه پیشنهاد بده.»

این الگو در کارهای کاری فوق‌العاده است؛ چون بخشِ استدلال به شما اطمینان می‌دهد که مدل موضوع را درست فهمیده، و بخشِ پاسخِ نهایی همان چیزی است که می‌توانید مستقیم استفاده کنید. اهمیت این تکنیک در محیط‌های حرفه‌ای را در مطلبِ چرا هوش مصنوعی در کسب‌وکار مهم است بیشتر بررسی کرده‌ایم.

۴. زنجیرهٔ نمونه‌محور: با مثال به مدل الگو بده (Few-Shot CoT)

گاهی می‌خواهید مدل دقیقاً با «سبکِ استدلالِ خودتان» فکر کند. در این حالت، به‌جای توضیح دادن، یکی دو نمونهٔ حل‌شده جلوی مدل بگذارید که در آن‌ها هم فرایند فکر و هم جواب نشان داده شده باشد. مدل الگو را می‌گیرد و برای مسئلهٔ جدید هم همان مسیر را تکرار می‌کند. به این روش Few-Shot CoT یا «زنجیرهٔ تفکرِ چندنمونه‌ای» می‌گویند و برای کارهایی که قالب استدلال مشخصی دارند عالی است.

مثال: «نمونه ← ورودی: ۲۳ + ۱۹. فکر: ۲۳ را با ۲۰ جمع می‌کنم می‌شود ۴۳، بعد یکی کم می‌کنم چون ۱۹ یکی کمتر از ۲۰ است، پس ۴۲. پاسخ: ۴۲. حالا دقیقاً با همین سبکِ «اول فکر بعد پاسخ»، این را حل کن: ۴۷ + ۳۸.»

قدرت این روش در «الگوسازی» است؛ شما با یک نمونه، هم روشِ حل و هم قالبِ خروجی را همزمان به مدل یاد می‌دهید. اگر می‌خواهید عمیق‌تر با مفهومِ نمونه‌دادن آشنا شوید، تکنیک مکمل آن یعنی few-shot را جداگانه هم می‌توانید تمرین کنید.

۵. زنجیرهٔ ساخت‌یافته: مرحله‌ها را شماره‌گذاری کن

«گام‌به‌گام فکر کن» گاهی برای مدل مبهم است و ممکن است استدلالی پراکنده بدهد. اگر می‌خواهید کنترل بیشتری داشته باشید، ساختارِ مراحل را خودتان تعیین کنید: بگویید دقیقاً در چند مرحله پیش برود و هر مرحله چه چیزی را پوشش دهد. این کار مخصوصاً برای برنامه‌ریزی، تحلیل و کارهای عملیاتی مفید است، چون خروجی منظم و قابل‌پیگیری می‌شود.

مثال: «برای راه‌اندازی یک فروشگاه اینترنتی کوچک برنامه بده. دقیقاً در ۵ مرحلهٔ شماره‌دار پیش برو؛ برای هر مرحله یک جملهٔ کوتاهِ «چرا این مرحله مهم است» بنویس و در پایان یک چک‌لیستِ اجرایی سه‌موردی بده.»

وقتی مراحل را شماره‌گذاری می‌کنید، در واقع به مدل یک «نقشهٔ راه» می‌دهید. مدل دیگر لازم نیست خودش تصمیم بگیرد از کجا شروع کند؛ فقط کافی است خانه‌های خالیِ نقشهٔ شما را با استدلالِ درست پر کند.

۶. خودسازگاری: چند مسیر فکری، یک پاسخ مطمئن (Self-Consistency)

برای سؤال‌های سخت که یک اشتباهِ کوچک می‌تواند کل جواب را خراب کند، یک ترفندِ حرفه‌ای وجود دارد: به‌جای یک بار حل کردن، از مدل بخواهید مسئله را چند بار و از چند زاویهٔ متفاوت حل کند و بعد پاسخی را که بیشتر تکرار شده به‌عنوان جوابِ نهایی انتخاب کند. منطق ساده است؛ اگر سه مسیرِ مستقلِ فکری به یک نتیجه برسند، احتمال درست‌بودنِ آن نتیجه خیلی بیشتر است. به این تکنیک «خودسازگاری» یا Self-Consistency می‌گویند.

مثال: «این معمای منطقی را سه بار و هر بار از یک زاویهٔ متفاوت حل کن. مسیرِ استدلالِ هر بار را جدا بنویس، سپس پاسخی را که در بیشترِ مسیرها تکرار شد به‌عنوان جوابِ نهایی و با ذکرِ دلیل اعلام کن.»

این روش کمی طولانی‌تر است، اما برای تصمیم‌های مهم یا مسائلی که جوابِ اشتباه هزینهٔ زیادی دارد، ارزشش را دارد. نمونهٔ جالبی از اهمیتِ استدلالِ چندمرحله‌ای در هوش مصنوعی را می‌توانید در مقایسهٔ ChatGPT در برابر DeepSeek ببینید.

۷. ترکیب زنجیرهٔ تفکر با نقش و قالب خروجی

زنجیرهٔ تفکر وقتی واقعاً می‌درخشد که آن را با دو تکنیکِ دیگر ترکیب کنید: «نقش‌دادن» و «تعیینِ قالبِ خروجی». اول به مدل بگویید در چه نقشی باشد (مثلاً معلم، تحلیل‌گر، برنامه‌نویس)، بعد از او بخواهید گام‌به‌گام فکر کند، و در نهایت مشخص کنید خروجی در چه قالبی باشد. این سه‌گانه، پاسخ‌ها را هم دقیق و هم منظم می‌کند.

مثال: «نقش: تو یک معلمِ ریاضیِ پایهٔ نهم هستی. مسئله را با زبانِ ساده و گام‌به‌گام توضیح بده. خروجی را در این قالب بده — بخش اول «مراحلِ حل» به‌صورتِ فهرستِ شماره‌دار، و بخش دوم «پاسخ نهایی» در یک خط. مسئله: اگر یک عدد را در ۳ ضرب کنیم و ۴ واحد کم کنیم، حاصل ۲۰ می‌شود؛ آن عدد چند است؟»

هرچه دستور شما دقیق‌تر و ساختارمندتر باشد، خروجی هم قابل‌اعتمادتر می‌شود. البته یادتان باشد که هوش مصنوعی محدودیت‌هایی هم دارد؛ برای درکِ واقع‌بینانه از این محدودیت‌ها، مطلبِ توان و محدودیت‌های واقعیِ هوش مصنوعی را بخوانید.

۸. چه وقت از زنجیرهٔ تفکر استفاده نکنیم؟

زنجیرهٔ تفکر ابزارِ فوق‌العاده‌ای است، اما «همیشه» بهترین انتخاب نیست. برای سؤال‌های ساده و مستقیم — مثل یک تعریف کوتاه، یک ترجمهٔ ساده، یا یک واقعیتِ مشخص — وادار کردنِ مدل به استدلالِ طولانی فقط پاسخ را کند، پرحرف و پرهزینه‌تر می‌کند، بدون اینکه دقت بیشتری بدهد. قاعدهٔ کلی این است: هر جا مسئله «چند مرحله» یا «چرا/چطور» دارد، زنجیرهٔ تفکر را به کار ببرید؛ هر جا فقط یک بازیابیِ ساده است، مستقیم جواب بخواهید.

مثال: «پایتختِ ژاپن کجاست؟» — برای چنین سؤالی نیازی به زنجیرهٔ تفکر نیست؛ افزودنِ «گام‌به‌گام فکر کن» فقط پاسخ را بی‌دلیل طولانی می‌کند. اما برای «کدام شهرِ ژاپن برای یک سفرِ ۵ روزهٔ خانوادگی در پاییز بهتر است و چرا؟» زنجیرهٔ تفکر دقیقاً همان چیزی است که لازم دارید.

نکتهٔ پایانی: نسل جدیدِ مدل‌های «استدلالی» بخشی از این زنجیرهٔ تفکر را به‌صورت خودکار و در پس‌زمینه انجام می‌دهند. با این حال، حتی با آن مدل‌ها هم هدایتِ صریحِ شما — مثل تعیینِ مراحل یا قالبِ خروجی — همچنان کیفیت را بالاتر می‌برد.

پرسش‌های پرتکرار

آیا زنجیرهٔ تفکر روی همهٔ مدل‌ها جواب می‌دهد؟ بله، این تکنیک تقریباً روی همهٔ مدل‌های امروزی مؤثر است، هرچند مدل‌های بزرگ‌تر و جدیدتر معمولاً استدلالِ باکیفیت‌تری تولید می‌کنند. برای آشنایی بیشتر با شرکت‌های سازندهٔ این مدل‌ها، مطلبِ OpenAI چیست را ببینید.

فرقِ زنجیرهٔ تفکر با مدل‌های استدلالی چیست؟ در زنجیرهٔ تفکر، «شما» با پرامپت مدل را وادار به استدلال می‌کنید؛ اما مدل‌های استدلالی این کار را به‌صورت داخلی و خودکار انجام می‌دهند. با این حال هدایتِ دستیِ شما هنوز هم می‌تواند خروجی را بهتر کند.

آیا این تکنیک پاسخ‌ها را کندتر و پرهزینه‌تر می‌کند؟ بله، چون مدل متنِ بیشتری تولید می‌کند، کمی کندتر و پرهزینه‌تر می‌شود. به همین دلیل بهتر است آن را فقط برای مسائلی که واقعاً به استدلال نیاز دارند به کار ببرید.