آموزش زنجیرهٔ تفکر (Chain of Thought) در پرامپت‌نویسی هوش مصنوعی

اگر تا حالا از هوش مصنوعی جوابِ سرسری، اشتباه یا سطحی گرفته‌ای، مشکل معمولاً از تو نیست؛ از این است که به مدل «فرصتِ فکر کردن» نداده‌ای. زنجیرهٔ تفکر (Chain of Thought) ساده‌ترین و درعین‌حال قدرتمندترین ترفندی است که با یک جملهٔ کوتاه، کیفیت پاسخ‌ها را به‌طور محسوس بالا می‌برد. در این آموزش، قدم‌به‌قدم و با مثال‌های واقعی یاد می‌گیری چطور از این تکنیک در ChatGPT، Gemini و Claude استفاده کنی.

۱. زنجیرهٔ تفکر (Chain of Thought) دقیقاً چیست؟

زنجیرهٔ تفکر یک الگوی پرامپت‌نویسی است که در آن به‌جای درخواستِ فقط «جواب»، از مدل می‌خواهی مراحل رسیدن به آن جواب را هم بنویسد. تصور کن از یک دانش‌آموز بخواهی مسئلهٔ ریاضی را حل کند: اگر فقط عدد نهایی را بگوید، نمی‌فهمی درست فکر کرده یا شانسی جواب داده؛ اما اگر «راه‌حل» را بنویسد، هم خطاها پیدا می‌شوند و هم اعتماد به جواب بیشتر می‌شود. مدل‌های زبانی هم دقیقاً همین‌طورند: وقتی مجبور می‌شوند استدلال را روی کاغذ بیاورند، با دقتِ بیشتری به مقصد می‌رسند.

این تکنیک برای اولین‌بار در پژوهش‌های یادگیری ماشین معرفی شد و خیلی زود به یکی از پایه‌ای‌ترین مهارت‌های هر کاربر حرفه‌ای تبدیل شد. خبر خوب این است که برای استفاده از آن نیازی به دانش فنی نداری؛ فقط باید یاد بگیری چطور درخواستت را بازنویسی کنی. اگر تازه‌کار هستی، پیشنهاد می‌کنیم اول مقالهٔ پرامپت‌نویسی برای مبتدی‌ها را بخوانی تا مفاهیم پایه دستت بیاید.

مثال: «به این سؤال جواب بده و پیش از جوابِ نهایی، استدلالت را مرحله‌به‌مرحله بنویس: کدام عدد بزرگ‌تر است، ۹.۹ یا ۹.۱۱؟ اول رقم‌ها را با هم مقایسه کن، بعد نتیجه بگیر.»

۲. چرا وقتی مدل «بلند فکر می‌کند» دقیق‌تر می‌شود؟

مدل‌های زبانی جواب را کلمه‌به‌کلمه و بر اساس آنچه تا این لحظه نوشته‌اند تولید می‌کنند. وقتی مدل را مجبور می‌کنی اول مراحل را بنویسد، در واقع به او «فضای محاسباتی» بیشتری می‌دهی تا هر گام را روی گامِ قبلی بنا کند. نتیجه این است که به‌جای یک پرشِ ناگهانی به سمتِ جواب، یک مسیرِ منطقی طی می‌شود و احتمالِ خطاهای عجولانه به‌شدت کم می‌شود.

یک تشبیه ساده: از کسی بخواه بدونِ کاغذ و قلم، حاصل‌ضرب دو عدد سه‌رقمی را بگوید؛ احتمالِ اشتباه بالاست. حالا همان فرد را بگذار با کاغذ و قلم مرحله‌به‌مرحله ضرب کند؛ دقت به‌طرز چشمگیری بالا می‌رود. زنجیرهٔ تفکر همان «کاغذ و قلم» را در اختیار مدل می‌گذارد. البته این تکنیک جادو نیست و محدودیت‌های خودش را دارد؛ برای درک بهترِ مرزهای توانایی این ابزارها، مطلبِ توان و محدودیت‌های واقعی هوش مصنوعی راهنمای خوبی است.

مثال: «۱۲۳ × ۴۵۶ چند می‌شود؟ حاصل را با روشِ ضربِ ستونی و مرحله‌به‌مرحله حساب کن، هر مرحله را جدا بنویس و در آخر عددِ نهایی را مشخص کن.»

۳. نسخهٔ صفرمثالی (Zero-shot CoT): جادوی یک جمله

ساده‌ترین شکلِ زنجیرهٔ تفکر اصلاً به مثال نیاز ندارد؛ فقط کافی است یک عبارتِ کوتاه به پرامپت اضافه کنی. معروف‌ترین نسخه‌اش همین جملهٔ کلاسیک است: «قدم‌به‌قدم فکر کن». این جمله مثل یک کلید عمل می‌کند و مدل را از حالتِ «حدسِ سریع» به حالتِ «استدلالِ منظم» می‌برد. می‌توانی نسخه‌های فارسیِ متنوعی از آن بسازی: «مرحله‌به‌مرحله توضیح بده»، «اول دلیل بیاور، بعد نتیجه بگیر»، یا «بلندبلند فکر کن و بعد جمع‌بندی کن».

نکتهٔ مهم این است که جای این جمله هم اهمیت دارد؛ بهتر است در انتهای درخواست و درست قبل از جایی که انتظارِ جواب داری قرار بگیرد. همچنین می‌توانی مشخص کنی که خروجی چطور تمام شود تا هم استدلال را ببینی و هم یک جوابِ تمیز داشته باشی.

مثال: «یک فروشگاه ۲۰٪ تخفیف روی کالای ۴۵۰ هزار تومانی داده و بعد ۹٪ مالیات اضافه می‌کند. قیمتِ نهایی چقدر است؟ قدم‌به‌قدم حساب کن و در خطِ آخر فقط عددِ نهایی را بنویس.»

۴. نسخهٔ حرفه‌ای (Few-shot CoT): با مثال، الگو بده

وقتی کار پیچیده‌تر می‌شود یا خروجیِ کاملاً یکدست می‌خواهی، نسخهٔ «چند مثالی» (few-shot) بهترین انتخاب است. در این روش، قبل از سؤالِ اصلی یک یا دو نمونه می‌آوری که در آن‌ها هم سؤال، هم مسیرِ استدلال و هم جواب را کامل نشان داده‌ای. مدل از روی این نمونه‌ها «الگوی فکر کردن» تو را یاد می‌گیرد و همان سبک را روی سؤالِ جدید پیاده می‌کند. این کار مخصوصاً وقتی مفید است که فرمتِ خاصی از استدلال یا خروجی مدنظرت باشد.

راز موفقیت در few-shot، کیفیتِ نمونه‌هاست: نمونه‌ها باید تمیز، درست و شبیهِ همان کاری باشند که می‌خواهی. اگر در نمونه‌ها شلخته استدلال کنی، مدل هم شلخته جواب می‌دهد. برای دیدنِ نمونه‌های بیشتر و سناریوهای کاربردی، مجموعهٔ آموزش‌های ChatGPT منبع خوبی برای تمرین است.

مثال: «نمونه ← جمله: “این فیلم عالی بود!” / استدلال: لحن مثبت و کلمهٔ «عالی» نشانهٔ رضایت است / برچسب: مثبت. حالا دقیقاً با همین سبکِ استدلال و برچسب‌گذاری، این جمله را تحلیل کن: “پول و وقتم را هدر دادم.”»

۵. زنجیرهٔ تفکر برای ریاضی، منطق و کدنویسی

بیشترین سود زنجیرهٔ تفکر در کارهایی است که ذاتاً چندمرحله‌ای‌اند. در ریاضی و مسائلِ منطقی، وادار کردنِ مدل به نوشتنِ هر گام باعث می‌شود خطاهای حسابی و پرش‌های منطقی زودتر آشکار شوند. در کدنویسی هم می‌توانی از مدل بخواهی قبل از نوشتنِ کد، ابتدا الگوریتم را به زبانِ ساده و مرحله‌به‌مرحله توضیح دهد؛ این کار باعث می‌شود کدِ نهایی ساختارمندتر و کم‌باگ‌تر باشد.

یک ترفندِ عالی برای کدنویسی این است که از مدل بخواهی «قبل از کد، نقشهٔ راه بنویس». به این ترتیب اگر منطقِ اولیه ایراد داشته باشد، همان‌جا اصلاحش می‌کنی و وقتت روی کدِ اشتباه هدر نمی‌رود. اگر به دنیای برنامه‌نویسی با کمکِ هوش مصنوعی علاقه داری، خواندنِ توهمِ توسعه‌دهندهٔ تنها در برابر مهندسِ واقعی دیدت را نسبت به نقشِ این ابزارها واقع‌بینانه‌تر می‌کند.

مثال: «می‌خواهم تابعی در پایتون بنویسم که بررسی کند یک عدد اول است یا نه. اول الگوریتم را مرحله‌به‌مرحله و به زبانِ فارسی توضیح بده، سپس کدِ تمیز و کامنت‌گذاری‌شده را بنویس، و در آخر یک نمونهٔ اجرا نشان بده.»

۶. زنجیرهٔ تفکر برای تصمیم‌گیری و تحلیلِ روزمره

زنجیرهٔ تفکر فقط مخصوصِ مسائلِ فنی نیست؛ برای تصمیم‌گیری‌های واقعی هم فوق‌العاده است. هر وقت با انتخابی روبه‌رو هستی که چند معیار دارد—خریدِ یک محصول، انتخابِ یک برنامهٔ کاری، یا مقایسهٔ چند گزینه—می‌توانی از مدل بخواهی به‌جای یک نظرِ کلیِ مبهم، یک تحلیلِ ساختارمند و امتیازدهی‌شده ارائه دهد. این کار پاسخ را از حالتِ «سلیقه‌ای» به حالتِ «قابل‌دفاع» می‌برد.

کلید کار این است که ابتدا از مدل بخواهی معیارها را مشخص کند، بعد هر گزینه را روی آن معیارها بسنجد و در پایان با یک دلیلِ روشن جمع‌بندی کند. همین ساختار در فضای کسب‌وکار هم بسیار ارزشمند است؛ اگر می‌خواهی بدانی چرا شرکت‌ها این‌قدر روی این ابزارها سرمایه‌گذاری می‌کنند، مقالهٔ اهمیت هوش مصنوعی در کسب‌وکار ۲۰۲۵ را از دست نده.

مثال: «می‌خواهم بین دو پیشنهادِ شغلی تصمیم بگیرم. اول ۵ معیارِ مهم (حقوق، مسیرِ رشد، تعادلِ کار و زندگی، اعتبارِ شرکت، فاصلهٔ محلِ کار) را فهرست کن، بعد به هر گزینه از ۱ تا ۱۰ امتیاز بده، جمعِ امتیازها را حساب کن و در آخر با یک دلیلِ کوتاه یکی را پیشنهاد بده.»

۷. ترکیب با «قالبِ خروجی»: استدلالِ پنهان، جوابِ تمیز

گاهی می‌خواهی مدل با دقتِ زنجیرهٔ تفکر جواب بدهد، اما خروجیِ نهایی طولانی و شلوغ نباشد. راه‌حل این است که استدلال را از خروجیِ نهایی جدا کنی. می‌توانی بگویی مدل ابتدا مرحله‌به‌مرحله فکر کند، ولی در پایان فقط نتیجهٔ نهایی را در قالبی مشخص—مثل یک جدول، یک فهرستِ کوتاه یا یک جملهٔ جمع‌بندی—ارائه دهد. این ترکیب، بهترین‌ِ هر دو دنیا را به تو می‌دهد: دقتِ بالا و خروجیِ تمیز.

این تکنیک وقتی محتوا برای انتشار یا گزارش‌دهی آماده می‌کنی طلایی است؛ چون هم از دقتِ استدلالِ مدل بهره می‌بری و هم چیزی که تحویل می‌گیری قابلِ استفادهٔ فوری است. کنترلِ دقیقِ فرمتِ خروجی یکی از مهارت‌هایی است که کاربرانِ حرفه‌ای را از تازه‌کارها جدا می‌کند.

مثال: «این سه محصول را از نظرِ قیمت، کیفیت و گارانتی مقایسه کن. مرحله‌به‌مرحله استدلال کن، اما در خروجیِ نهایی فقط یک جدولِ سه‌ستونه به‌همراه یک جملهٔ پیشنهادِ نهایی نشان بده و استدلالِ میانی را ننویس.»

۸. اشتباه‌های رایج و چک‌لیستِ طلایی

رایج‌ترین اشتباه این است که هم‌زمان از مدل «خلاصه» و «قدم‌به‌قدم» بخواهی؛ این دو با هم در تناقض‌اند و مدل گیج می‌شود. اشتباهِ دوم، مبهم بودنِ خودِ سؤال است؛ زنجیرهٔ تفکر ورودیِ بد را به جوابِ خوب تبدیل نمی‌کند، فقط استدلال را شفاف‌تر می‌کند. اشتباهِ سوم هم این است که فراموش می‌کنی جوابِ نهایی را جدا بخواهی و در انبوهی از توضیحات گم می‌شوی.

چک‌لیستِ طلایی: (۱) سؤال را دقیق و بدونِ ابهام بنویس؛ (۲) عبارتِ «قدم‌به‌قدم فکر کن» را اضافه کن؛ (۳) اگر فرمتِ خاصی می‌خواهی، جوابِ نهایی را جدا و مشخص طلب کن؛ (۴) برای کارهای حساس از few-shot و یک یا دو نمونهٔ باکیفیت استفاده کن؛ (۵) خروجی را بازخوانی کن و اگر لازم بود بگو «مرحلهٔ ۲ را دوباره و دقیق‌تر بررسی کن». همین پنج قدم، تفاوتِ یک پاسخِ معمولی و یک پاسخِ حرفه‌ای را رقم می‌زند.

مثال: «این استدلال را بازبینی کن: آیا در محاسبهٔ درصدِ تخفیف خطایی هست؟ فقط مرحله‌ای را که ایراد دارد پیدا کن، دلیلش را بگو و نسخهٔ اصلاح‌شدهٔ همان مرحله را بنویس.»

پرسش‌های پرتکرار (FAQ)

آیا زنجیرهٔ تفکر روی همهٔ مدل‌ها جواب می‌دهد؟ بله، روی مدل‌های امروزی مثل ChatGPT، Gemini و Claude به‌خوبی کار می‌کند؛ فقط در مدل‌های بسیار کوچک ممکن است اثرش کمتر باشد. برای مقایسهٔ توانایی‌های مدل‌های مختلف می‌توانی مطلبِ ChatGPT در برابر DeepSeek را بخوانی.

آیا این تکنیک پاسخ را کندتر یا طولانی‌تر نمی‌کند؟ کمی طولانی‌تر می‌شود چون مدل استدلال را هم می‌نویسد، اما با ترفندِ «استدلالِ پنهان، جوابِ تمیز» (بخش ۷) می‌توانی خروجیِ نهایی را کوتاه نگه داری.

برای شروع، ChatGPT بهتر است یا ابزارهای دیگر؟ هر کدام نقاطِ قوتِ خودشان را دارند؛ اگر می‌خواهی با اکوسیستمِ OpenAI آشنا شوی، مقالهٔ OpenAI چیست و همچنین بخشِ اخبار هوش مصنوعی را دنبال کن تا همیشه به‌روز بمانی.