زنجیرهٔ تفکر در پرامپت‌نویسی: با استدلال گام‌به‌گام از هوش مصنوعی جواب دقیق‌تر بگیر

خیلی وقت‌ها هوش مصنوعی نه به این خاطر که «نمی‌داند»، بلکه به این خاطر که «عجله می‌کند» جواب اشتباه می‌دهد. زنجیرهٔ تفکر یا Chain of Thought دقیقاً همین عجله را از مدل می‌گیرد و آن را وادار می‌کند قبل از جواب، مرحله‌به‌مرحله فکر کند. در این آموزش با مثال‌های واقعیِ فارسی یاد می‌گیری چطور با چند جملهٔ ساده، دقتِ پاسخ‌ها را در مسائل پیچیده به‌شکل چشمگیری بالا ببری.

۱) زنجیرهٔ تفکر (Chain of Thought) چیست؟

«زنجیرهٔ تفکر» یعنی به‌جای اینکه از مدل فقط خروجیِ نهایی را بخواهی، از او بخواهی مسیر فکری‌اش را بنویسد. درست مثل معلمی که به دانش‌آموز می‌گوید «فقط جواب را ننویس؛ راه‌حل را نشان بده». وقتی مدل مجبور می‌شود استدلالش را روی کاغذ بیاورد، ناخودآگاه مسئله را به بخش‌های کوچک‌تر می‌شکند، هر بخش را جداگانه حل می‌کند و در نهایت آن‌ها را کنار هم می‌گذارد.

این تکنیک برای مبتدی‌ها هم عالی است، چون به هیچ دانش فنی‌ای نیاز ندارد؛ فقط باید یاد بگیری «چطور بخواهی». اگر تازه وارد دنیای پرامپت‌نویسی شده‌ای، پیشنهاد می‌کنیم اول راهنمای پرامپت‌نویسی برای مبتدی‌ها را بخوانی و بعد با این تکنیک، کیفیت خروجی‌هایت را یک پله بالاتر ببری.

نکتهٔ مهم این است که زنجیرهٔ تفکر «دانشِ» مدل را زیاد نمی‌کند؛ بلکه کمک می‌کند از همان دانشی که دارد بهترین استفاده را ببرد. خیلی وقت‌ها مدل جوابِ درست را می‌داند، اما چون در یک قدم به آن نمی‌رسد، مسیر را گم می‌کند. گام‌به‌گام فکر کردن دقیقاً همین فاصله را پُر می‌کند.

مثال: «معنی این جمله را توضیح بده و قبل از نتیجه‌گیری، منطقِ پشت هر بخش را قدم‌به‌قدم بنویس: هرچه پرامپت دقیق‌تر باشد، خروجی هوشمندتر است.»

۲) چرا استدلالِ گام‌به‌گام دقت را بالا می‌برد؟

مدل‌های زبانی متن را کلمه‌به‌کلمه و بر اساس احتمال تولید می‌کنند. اگر آن‌ها را به سمت جوابِ فوری هل بدهی، عملاً از مدل می‌خواهی در یک قدم به مقصدی برسد که چند قدم فاصله دارد؛ نتیجه این می‌شود که با ظاهری قاطع، پاسخِ غلط تحویل می‌دهد. اما وقتی اجازه می‌دهی «بلند فکر کند»، هر جمله‌ای که می‌نویسد به جملهٔ بعدی جهت می‌دهد و مدل می‌تواند در میانهٔ راه خطایش را ببیند و اصلاح کند.

به همین دلیل است که تفاوتِ کیفیتِ استدلال بین مدل‌ها اهمیت پیدا می‌کند؛ اگر کنجکاوی که مدل‌ها در حل مسائل منطقی چقدر با هم فرق دارند، مقایسهٔ قدرت استدلال چت‌جی‌پی‌تی و دیپ‌سیک در شطرنج نمونهٔ خوبی است از اینکه «فکر کردنِ گام‌به‌گام» چطور برندهٔ بازی را مشخص می‌کند. برای آشنایی بیشتر با شرکت‌های پیشرو هم می‌توانی اوپن‌ای‌آی چیست را ببینی.

جالب است بدانی که همین ایدهٔ ساده، پایهٔ نسلِ جدیدِ «مدل‌های استدلالی» است؛ مدل‌هایی که پیش از پاسخ، به‌صورت داخلی برای خودشان زنجیره‌ای از تفکر می‌سازند. یعنی همان تکنیکی که تو با یک جمله فعالش می‌کنی، حالا در قلبِ پیشرفته‌ترین مدل‌های امروزی جای گرفته است.

مثال: «این معما را حل کن: اگر ۵ ماشین در ۵ دقیقه ۵ قطعه بسازند، ۱۰۰ ماشین در چند دقیقه ۱۰۰ قطعه می‌سازند؟ قبل از جواب، منطق را مرحله‌به‌مرحله توضیح بده و مراقب دام‌های ذهنی باش.»

۳) ساده‌ترین شکل: جملهٔ جادویی «قدم‌به‌قدم فکر کن»

گاهی فقط یک عبارتِ کوتاه، تفاوت بین جوابِ درست و غلط را می‌سازد. اضافه‌کردن «قدم‌به‌قدم فکر کن» یا «مرحله‌به‌مرحله و با نمایش محاسبات حل کن» به انتهای سؤال، ساده‌ترین و سریع‌ترین شکلِ زنجیرهٔ تفکر است. این روش که به آن zero-shot CoT هم می‌گویند، نیاز به هیچ مثال یا مقدمه‌ای ندارد.

این تکنیک مخصوصاً در مسائلِ پولی، درصدی و محاسباتی که یک اشتباهِ کوچک کل جواب را خراب می‌کند، طلایی است. اگر می‌خواهی نمونه‌های بیشتری از این‌جور پرامپت‌ها ببینی، مجموعهٔ آموزش‌های ChatGPT پر از تمرین‌های کاربردی است.

مثال: «۳ پیراهن، هرکدام ۲۴۰ هزار تومان، و یک شلوار ۵۸۰ هزار تومانی خریدم و روی کلِ خرید ۱۵٪ تخفیف گرفتم. مبلغ نهاییِ فاکتور چقدر می‌شود؟ قدم‌به‌قدم و با نمایش محاسبات حل کن، بعد جواب نهایی را در یک خط جدا بنویس.»

۴) زنجیرهٔ تفکر با مثال (Few-shot CoT)

اگر می‌خواهی مدل دقیقاً به «سبکِ فکر کردنِ موردنظر تو» جواب بدهد، یکی دو نمونهٔ حل‌شده جلویش بگذار. در این روش، خودت یک مسئلهٔ مشابه را با استدلالِ کامل حل می‌کنی و بعد مسئلهٔ اصلی را می‌پرسی؛ مدل الگوی استدلال تو را می‌گیرد و روی سؤال جدید پیاده می‌کند. این کار هم دقت را بالا می‌برد و هم قالبِ خروجی را یکدست می‌کند.

few-shot به‌خصوص وقتی به کار می‌آید که خروجی باید فرمتِ مشخصی داشته باشد یا نوعِ استدلال ظریف باشد؛ مثلاً دسته‌بندیِ نظرات مشتری، تشخیصِ لحن، یا امتیازدهی به گزینه‌ها.

مثال: «مثل این نمونه عمل کن. نمونه: ورودی «این محصول افتضاح بود» ← استدلال: کلمهٔ افتضاح بارِ منفیِ قوی دارد ← خروجی: منفی. حالا این‌ها را با همین شیوهٔ استدلال دسته‌بندی کن: ۱) «بسته‌بندی خوب بود ولی دیر رسید» ۲) «عالی بود، حتماً باز هم می‌خرم».»

۵) زنجیرهٔ تفکر ساختارمند: مرحله‌ها را خودت تعریف کن

در کارهای پیچیده، به‌جای اینکه فقط بگویی «قدم‌به‌قدم»، بهتر است خودت قدم‌ها را تعریف کنی. وقتی نقشهٔ راه را تو می‌کشی، مدل کمتر پرت می‌شود و خروجی منظم‌تر و قابل‌اتکاتر می‌شود. این شکل از زنجیرهٔ تفکر برای برنامه‌ریزی، تحلیل کسب‌وکار و تولید محتوا فوق‌العاده است.

همین رویکردِ «تعریفِ مرحله‌ها» یکی از دلایلی است که هوش مصنوعی در محیط‌های کاری این‌قدر ارزشمند شده؛ اگر می‌خواهی بدانی این ابزار چطور در کسب‌وکار تفاوت ایجاد می‌کند، مقالهٔ چرا هوش مصنوعی در کسب‌وکار مهم است دیدِ خوبی می‌دهد.

مثال: «می‌خواهم برای یک فروشگاه اینستاگرامیِ لوازم‌خانگی پلنِ محتوای یک‌ماهه بچینم. این‌طور پیش برو: ۱) اول مخاطب و هدف را مشخص کن، ۲) چهار ستونِ محتوایی پیشنهاد بده، ۳) برای هر هفته یک تم بگذار، ۴) در پایان یک جدولِ جمع‌بندی بده. هر مرحله را جداگانه و با استدلال بنویس.»

۶) وادار کردن مدل به راستی‌آزمایی پاسخ

یک ترفندِ حرفه‌ای این است که بعد از رسیدن به جواب، از مدل بخواهی کار خودش را بازبینی کند. درست مثل بازخوانیِ یک ایمیل قبل از ارسال، این مرحله بخش بزرگی از خطاهای سهوی را می‌گیرد. می‌توانی بخواهی فرض‌هایش را فهرست کند، محاسباتش را دوباره چک کند، یا حتی از یک زاویهٔ دیگر به مسئله نگاه کند و ببیند به همان جواب می‌رسد یا نه.

این عادت باعث می‌شود کمتر گرفتارِ خطاهای پرمدعای هوش مصنوعی شوی؛ چیزی که در مقالهٔ توهمِ هوش مصنوعی؛ توسعه‌دهندهٔ تنها در برابر مهندس واقعی هم دربارهٔ خطرِ اعتمادِ کورکورانه به خروجی‌ها هشدار داده شده است.

مثال: «جوابی که دادی را دوباره بررسی کن: فرض‌هایت را فهرست کن، محاسبات را از نو انجام بده، و اگر جایی خطا یا تناقض دیدی، نسخهٔ اصلاح‌شدهٔ جواب را بنویس. اگر هم درست بود، صریح بگو تأیید شد.»

۷) جدا کردن استدلال از جواب نهایی برای خروجی تمیز

مشکلِ رایجِ زنجیرهٔ تفکر این است که خروجی طولانی و شلوغ می‌شود. راه‌حل ساده است: از مدل بخواه اول فکر کند، اما جواب نهایی را جدا و برچسب‌دار بدهد. مثلاً بگو استدلالت را کوتاه بنویس و بعد از یک خط تیره، فقط جوابِ نهایی را زیر عنوانِ «پاسخ نهایی» بیاور. این‌طوری هم از دقتِ استدلال بهره می‌بری و هم خروجیِ تمیز و آمادهٔ استفاده می‌گیری.

این ترفند وقتی خروجی را در جای دیگری استفاده می‌کنی — مثل کپی در یک گزارش یا پیام — بسیار به کار می‌آید، چون بخشِ «فکر کردن» را از بخشِ «نتیجه» جدا نگه می‌دارد.

مثال: «مسئله را قدم‌به‌قدم و خلاصه تحلیل کن. بعد یک خط تیره بگذار و زیرِ عنوانِ «پاسخ نهایی» فقط نتیجهٔ نهایی را در حداکثر دو جمله بنویس، بدون تکرارِ استدلال.»

۸) چه وقت از زنجیرهٔ تفکر استفاده نکنیم؟

زنجیرهٔ تفکر جادویی است، اما نه برای همه‌چیز. برای سؤال‌های ساده، جست‌وجوی یک واقعیت، یا کارهای خلاقانه‌ای که استدلالِ منطقی نمی‌خواهند، این تکنیک فقط پاسخ را طولانی و خسته‌کننده می‌کند. قاعدهٔ سرانگشتی این است: هرجا مسئله چندمرحله‌ای، منطقی یا تصمیم‌محور بود، سراغ زنجیرهٔ تفکر برو؛ هرجا جواب یک‌خطی و مستقیم بود، رهایش کن.

همچنین یادت باشد که این تکنیک، هوش مصنوعی را «بی‌خطا» نمی‌کند؛ فقط احتمال خطا را کم می‌کند. برای شناختِ واقع‌بینانهٔ مرزهای این فناوری، مطالعهٔ توان و محدودیت‌های واقعی هوش مصنوعی را از دست نده و برای دنبال‌کردنِ تازه‌ترین تحولات هم به بخش اخبار سر بزن.

یک اشتباهِ رایجِ دیگر این است که کاربر فکر می‌کند هرچه پرامپت طولانی‌تر و پر از «قدم‌به‌قدم» باشد بهتر است. در عمل، زیاده‌رَوی خروجی را گیج و پراکنده می‌کند. تعادل را رعایت کن: یک جملهٔ روشن برای فعال‌کردنِ استدلال کافی است، نه یک پاراگرافِ دستورالعمل.

مثال: «یک شعرِ کوتاه دربارهٔ باران بنویس.» — اینجا نیازی به «قدم‌به‌قدم فکر کن» نیست؛ افزودن آن فقط خلاقیت را خشک می‌کند.

پرسش‌های پرتکرار

۱) آیا «قدم‌به‌قدم فکر کن» در همهٔ مدل‌ها جواب می‌دهد؟ بله، تقریباً در همهٔ مدل‌های امروزی اثر مثبت دارد؛ فقط توجه کن که بعضی مدل‌های استدلالیِ جدید این کار را خودشان به‌صورت داخلی انجام می‌دهند و دیگر لازم نیست خیلی روی آن تأکید کنی.

۲) زنجیرهٔ تفکر با few-shot فرق دارد؟ این دو مکمل‌اند. زنجیرهٔ تفکر یعنی «گام‌به‌گام استدلال کن»، و few-shot یعنی «چند نمونهٔ حل‌شده نشانت می‌دهم». ترکیب این دو، یعنی few-shot CoT، معمولاً بهترین نتیجه را می‌دهد.

۳) اگر خروجی طولانی و شلوغ شد چه کنم؟ از مدل بخواه استدلال را کوتاه نگه دارد و جوابِ نهایی را جدا و برچسب‌دار بدهد؛ همان ترفندِ «جدا کردن استدلال از جواب» که در گام هفتم توضیح دادیم.