پرامپت دانش‌سازی مقدماتی؛ اول واقعیت‌ها، بعد پاسخ

وقتی از هوش مصنوعی سؤالی می‌پرسید، مدل بلافاصله شروع به نوشتن جواب می‌کند. مشکل اینجاست که در همان چند کلمه‌ی اول، مسیر پاسخ تعیین می‌شود و اگر آن مسیر اشتباه باشد بقیه‌ی متن هم روی همان خطا ساخته می‌شود. «دانش‌سازی مقدماتی» یک گام میانی اضافه می‌کند: اول واقعیت‌های زمینه‌ای، بعد پاسخ. همین یک گام، دقت خروجی را در سؤال‌های تخصصی به شکل محسوسی بالا می‌برد.

۱) دانش‌سازی مقدماتی چیست؟

روش در قالبی که پژوهشگران معرفی کردند دو مرحله دارد. در مرحله‌ی اول، مدل با دیدن پرسش چند گزاره‌ی دانشی مرتبط تولید می‌کند؛ نه پاسخ، بلکه واقعیت‌ها و اصولی که برای رسیدن به پاسخ لازم‌اند. در مرحله‌ی دوم، همان گزاره‌ها به‌عنوان زمینه در کنار پرسش قرار می‌گیرند و مدل پاسخ نهایی را می‌سازد.

مقاله‌ی اصلی این روش با عنوان «دانش‌سازی مقدماتی برای استدلال عرفی» در مجموعه‌مقالات کنفرانس ACL در سال ۲۰۲۲ منتشر شد و نشان داد این تکنیک روی چند مجموعه‌داده‌ی استدلال عرفی، عملکرد مدل‌ها را بهبود می‌دهد. طبق گزارش‌ها، همین ایده بعدها به یکی از تکنیک‌های پایه در راهنماهای پرامپت‌نویسی تبدیل شد.

منطق پشت آن ساده است. مدل زبانی همه‌ی چیزی را که «می‌داند» به‌طور خودکار در پاسخ به کار نمی‌گیرد؛ آنچه در متن پیش از تولید پاسخ حاضر باشد، وزن بسیار بیشتری دارد. با وادار کردن مدل به نوشتن دانش زمینه‌ای، عملاً آن دانش را وارد میدان دید مدل می‌کنید.

۲) چرا این کار جواب می‌دهد؟

سه سازوکار همزمان کار می‌کنند. اول، فعال‌سازی حافظه: نوشتن گزاره‌های مرتبط، بخش‌های مربوطه‌ی دانش مدل را به متن می‌آورد و احتمال استفاده از آن‌ها را بالا می‌برد.

دوم، جدا کردن دو نوع خطا. وقتی مدل مستقیم جواب می‌دهد، اگر خروجی غلط باشد نمی‌دانید مشکل از دانش ناقص بوده یا از استدلال اشتباه. در این روش، دانش را جداگانه می‌بینید و می‌توانید همان‌جا اصلاحش کنید.

سوم، ایجاد نقطه‌ی بازرسی. فهرست گزاره‌ها کوتاه و قابل خواندن است؛ می‌توانید در چند ثانیه ببینید مدل موضوع را درست فهمیده یا نه، و پیش از تولید متن بلند، مسیر را اصلاح کنید. اگر با مبانی نوشتن دستور دقیق آشنا نیستید، راهنمای پرامپت‌نویسی برای مبتدی‌ها نقطه‌ی شروع خوبی است.

۳) متن کامل پرامپت دانش‌سازی مقدماتی

این متن را پیش از پرسش اصلی یا همراه آن بفرستید:

قبل از پاسخ به پرسش من، اول چند حقیقت و اصل کلیدی مرتبط با موضوع را که برای جواب درست لازم است فهرست کن. بعد بر پایهٔ همان دانش، پاسخ نهایی را بساز.

دو بخش این پرامپت هرکدام نقشی دارند. «چند حقیقت و اصل کلیدی» مدل را از تولید مقدمه‌ی توصیفی بازمی‌دارد و به سمت گزاره‌های قابل استفاده می‌برد. «بر پایهٔ همان دانش» پیوند دو مرحله را برقرار می‌کند؛ بدون این قید، مدل ممکن است فهرستی بنویسد و بعد جواب را مستقل از آن بدهد.

نسخه‌ی تقویت‌شده

برای موضوع‌های تخصصی این دو جمله را اضافه کنید: «کنار هر گزاره بنویس چقدر به آن مطمئنی؛ قطعی، محتمل یا نامطمئن.» و «اگر گزاره‌ای هست که اگر غلط باشد کل پاسخ عوض می‌شود، آن را جداگانه علامت بزن.» گزاره‌های علامت‌خورده دقیقاً همان‌هایی هستند که باید خودتان راستی‌آزمایی کنید.

۴) چهار نسخه‌ی موقعیتی

نسخه‌ی تحلیل تخصصی

پیش از تحلیل، ابتدا هشت تا ده اصل و واقعیت پایه‌ای این حوزه را که برای تحلیل درست لازم است بنویس. کنار هرکدام میزان اطمینانت را مشخص کن. سپس تحلیل نهایی را فقط بر پایهٔ همان فهرست بساز و هر جا از گزاره‌ای استفاده کردی به شماره‌اش اشاره کن.

نسخه‌ی نوشتن محتوا

قبل از نوشتن متن، اول فهرست کن مخاطب این متن چه چیزهایی را از قبل می‌داند، چه چیزهایی را نمی‌داند و چه باورهای اشتباه رایجی درباره‌اش دارد. بعد متن را طوری بنویس که دقیقاً همان شکاف‌ها را پر کند.

نسخه‌ی حل مسئله و تصمیم

پیش از پیشنهاد راه‌حل، اول محدودیت‌ها، منابع در دسترس، معیارهای موفقیت و مفروضات پنهان این مسئله را فهرست کن. بعد بر پایهٔ همان فهرست سه راه‌حل بده و برای هرکدام بگو کدام مفروضه اگر غلط باشد آن راه‌حل را از بین می‌برد.

نسخه‌ی یادگیری یک موضوع تازه

می‌خواهم این موضوع را یاد بگیرم. اول ده مفهوم پایه‌ای که بدون آن‌ها نمی‌شود موضوع را فهمید فهرست کن و هرکدام را در یک جمله توضیح بده. بعد بر پایهٔ همان‌ها موضوع اصلی را برایم توضیح بده و در پایان بگو نفهمیدن کدام مفهوم بیشترین سوءتفاهم را ایجاد می‌کند.

۵) تفاوت با زنجیره‌ی تفکر

این دو تکنیک شبیه به نظر می‌رسند اما کار متفاوتی می‌کنند. زنجیره‌ی تفکر یا Chain of Thought مدل را وادار می‌کند مراحل استدلال را گام‌به‌گام بنویسد؛ یعنی روی «چگونه فکر کردن» کار می‌کند. دانش‌سازی مقدماتی روی «با چه چیزی فکر کردن» کار می‌کند و ورودی استدلال را غنی می‌کند.

به همین دلیل کاربردشان هم فرق دارد. برای مسائل ریاضی و منطقی که همه‌ی داده‌ها در صورت مسئله هست، زنجیره‌ی تفکر مؤثرتر است. برای پرسش‌هایی که پاسخشان به دانش زمینه‌ای بیرون از متن نیاز دارد، دانش‌سازی مقدماتی کارآمدتر است.

بهترین حالت، ترکیب هر دو است: اول دانش زمینه‌ای، بعد استدلال گام‌به‌گام روی همان دانش، و در پایان پاسخ. این ترکیب برای تحلیل‌های پیچیده به‌شکل محسوسی خروجی منسجم‌تری می‌دهد.

۶) اشتباه‌های رایج

اشتباه اول، رد نکردن گزاره‌های غلط. اگر در فهرست دانش چیزی اشتباه دیدید و اصلاحش نکردید، پاسخ نهایی روی همان خطا ساخته می‌شود. کل ارزش این روش در همین لحظه‌ی بازرسی است.

اشتباه دوم، فهرست بیش از حد بلند. بیشتر از ده تا دوازده گزاره معمولاً باعث می‌شود مدل در پاسخ نهایی فقط بخشی از آن‌ها را به کار بگیرد. فهرست کوتاه و مرتبط بهتر از فهرست کامل و پراکنده است.

اشتباه سوم، پذیرفتن اعداد بدون بررسی. مدل ممکن است در فهرست دانش، آمار و تاریخ‌هایی بنویسد که واقعی به نظر می‌رسند اما نیستند. این همان مرزی است که در بررسی توان و محدودیت‌های واقعی هوش مصنوعی بر آن تأکید شده؛ گزاره‌های عددی را جداگانه راستی‌آزمایی کنید.

اشتباه چهارم، استفاده در جای نامناسب. برای درخواست‌های ساده مثل خلاصه‌سازی یا تغییر لحن، این روش فقط طول پاسخ را زیاد می‌کند.

یک مثال عملی از تفاوت

فرض کنید می‌پرسید کدام روش قیمت‌گذاری برای یک سرویس اشتراکی تازه مناسب‌تر است. در حالت معمول، مدل معمولاً سه مدل رایج را نام می‌برد و مزیت و عیب هرکدام را می‌گوید؛ پاسخی درست اما بی‌ربط به شرایط شما. در حالت دانش‌سازی مقدماتی، مدل ابتدا می‌نویسد که رفتار مشتری در سرویس‌های اشتراکی به چه عواملی حساس است، نرخ ریزش چطور با دوره‌ی رایگان تغییر می‌کند، هزینه‌ی جذب چه نسبتی با ارزش طول عمر مشتری باید داشته باشد و کدام از این‌ها در بازار ایران متفاوت است. حالا وقتی پاسخ نهایی می‌آید، روی این چارچوب سوار است و می‌توانید ببینید هر توصیه از کدام فرض بیرون آمده. اگر با یکی از گزاره‌ها موافق نباشید، فقط همان را اصلاح می‌کنید و پاسخ را دوباره می‌گیرید؛ لازم نیست کل گفت‌وگو را از اول شروع کنید.

۷) ترکیب با تکنیک‌های دیگر

دانش‌سازی مقدماتی مقدمه‌ی خوبی برای تکنیک‌های نقادانه است. اگر پیش از اجرای «وکیل شیطان» یا «تیم قرمز» ابتدا دانش زمینه‌ای را بسازید، اعتراض‌ها و حمله‌ها بسیار مشخص‌تر و کمتر کلیشه‌ای می‌شوند.

ترکیب دوم با «کالبدشکافی پیش‌مرگ» است؛ تحلیل شکست وقتی روی فهرستی از واقعیت‌های حوزه سوار شود، سناریوهای واقع‌بینانه‌تری تولید می‌کند. برای دیدن اینکه چنین روش‌هایی در محیط کسب‌وکار چه ارزشی می‌سازند، اهمیت هوش مصنوعی در کسب‌وکار مرور خوبی است.

۸) چک‌لیست اجرای درست

یک، پرسش را دقیق و با زمینه بنویسید. دو، تعداد گزاره‌ها را مشخص کنید تا فهرست از کنترل خارج نشود. سه، فهرست را بخوانید و گزاره‌های اشتباه یا نامرتبط را حذف کنید. چهار، از مدل بخواهید فقط بر پایه‌ی فهرست اصلاح‌شده پاسخ بدهد. پنج، گزاره‌های عددی و تاریخی را جداگانه بررسی کنید. رعایت همین پنج گام تفاوت بین یک پاسخ طولانی و یک پاسخ قابل اتکا است. برای تکنیک‌های بیشتر، بخش آموزش چت‌جی‌پی‌تی و صفحه‌ی اخبار هوش مصنوعی به‌طور منظم به‌روز می‌شوند.

پرسش‌های پرتکرار درباره‌ی دانش‌سازی مقدماتی

آیا این روش جای جست‌وجوی وب را می‌گیرد؟

خیر. دانش تولیدشده از حافظه‌ی مدل می‌آید و ممکن است قدیمی یا نادرست باشد. برای موضوع‌های به‌روز، بهتر است این روش را با جست‌وجو ترکیب کنید.

چند گزاره ایده‌آل است؟

معمولاً پنج تا ده گزاره برای بیشتر پرسش‌ها کافی است. برای موضوع‌های پیچیده تا دوازده مورد هم منطقی است، اما بیشتر از آن بازده نزولی دارد.

می‌شود دانش زمینه‌ای را خودم بنویسم؟

بله و در بسیاری موارد نتیجه‌ی بهتری می‌دهد. اگر در حوزه‌ای تخصص دارید، نوشتن فهرست توسط خودتان هم دقت را بالا می‌برد و هم جلوی خطاهای مدل را می‌گیرد.

تفاوتش با دادن یک سند به مدل چیست؟

وقتی سند می‌دهید، دانش از بیرون می‌آید و قابل اتکاتر است. دانش‌سازی مقدماتی زمانی به کار می‌آید که سندی در دسترس نیست و می‌خواهید دانش خود مدل را منظم وارد میدان کنید.

روی همه‌ی مدل‌ها به یک اندازه اثر دارد؟

نه لزوماً. مدل‌های مختلف پایگاه دانش و رفتار متفاوتی دارند؛ نمونه‌ای از این تفاوت‌ها را در مقایسه‌ی چت‌جی‌پی‌تی و دیپ‌سیک می‌بینید. آزمایش روی دو مدل و مقایسه‌ی فهرست‌ها معمولاً روشنگر است.