پرامپت کم‌به‌زیاد؛ حل مسئلهٔ پیچیده پله‌پله با هوش مصنوعی

چکیده. پرامپت کم‌به‌زیاد (Least-to-Most Prompting) یک روش دو مرحله‌ای است: اول از مدل می‌خواهی مسئله را به زنجیره‌ای از زیرمسئله‌های مرتب‌شده از ساده به دشوار تجزیه کند، بعد همان زیرمسئله‌ها را یکی‌یکی حل می‌کنی و جواب هر مرحله را به‌عنوان ورودی به مرحلهٔ بعد می‌دهی. این کار خطای استدلال را کم می‌کند، مسیر فکر مدل را قابل‌ردیابی می‌سازد و برای کارهای چندمرحله‌ای مثل ریاضی، برنامه‌ریزی پروژه، تحلیل مالی و کدنویسی نتیجهٔ به‌مراتب دقیق‌تری می‌دهد. در این آموزش ساختار، تفاوت آن با زنجیرهٔ تفکر، یک مثال کامل از صفر تا صد و یک الگوی آمادهٔ کپی را مرور می‌کنیم.

پرامپت کم‌به‌زیاد چیست و چه مشکلی را حل می‌کند

ایدهٔ اصلی از دنیای آموزش آمده است: هیچ معلمی سخت‌ترین تمرین کتاب را در جلسهٔ اول به دانش‌آموز نمی‌دهد. اول مفاهیم ساده، بعد ترکیب آن‌ها، و در پایان مسئلهٔ دشوار. «کم‌به‌زیاد» همین منطق پلکانی را وارد پرامپت‌نویسی می‌کند. تو به مدل یاد می‌دهی که پیش از پریدن به جواب نهایی، نردبانی از زیرمسئله‌های کوچک‌تر بسازد و از پلهٔ اول بالا برود.

مدل‌های زبانی وقتی همه‌چیز را هم‌زمان در ذهن نگه می‌دارند دچار سرریز می‌شوند؛ درست مثل انسانی که می‌خواهد یک محاسبهٔ طولانی را بدون کاغذ و قلم انجام دهد. با شکستن مسئله، هر مرحله سبک و قابل‌کنترل می‌شود و احتمال خطا به‌شکل چشمگیری پایین می‌آید. اگر تازه با مفاهیم پایه آشنا می‌شوی، پیشنهاد می‌کنیم اول راهنمای مقدماتی پرامپت‌نویسی را بخوانی تا این آموزش پیشرفته‌تر جا بیفتد.

مثال: «می‌خواهم هزینهٔ کل یک سفر چهارروزه به شمال را حساب کنم. قبل از جواب دادن، این مسئله را به زیرمسئله‌های ساده تا دشوار تقسیم کن؛ فعلاً چیزی را حساب نکن، فقط فهرست مرتب زیرمسئله‌ها را بده.»

چرا ترتیب ساده به دشوار جواب را دقیق‌تر می‌کند

راز کارآمدی این روش در «انباشت زمینه» است. وقتی زیرمسئله‌ها را از ساده به دشوار مرتب می‌کنی، هر پلهٔ حل‌شده یک تکه اطلاعات مطمئن به مدل می‌دهد که پلهٔ بعدی روی آن سوار می‌شود. مدل دیگر مجبور نیست همه‌چیز را از صفر حدس بزند؛ نیمی از راه را با داده‌های قطعیِ مراحل قبل جلو می‌رود.

تفاوت این‌جا با یک پرامپت معمولی خیره‌کننده است. در پرامپت ساده، مدل باید هم‌زمان مسئله را بفهمد، تجزیه کند و حل کند؛ سه کار سنگین در یک قدم. در روش کم‌به‌زیاد این سه کار به مراحل جدا تقسیم می‌شود و مدل در هر لحظه فقط روی یک چیز تمرکز دارد. همین تمرکز، همان چیزی است که کیفیت را بالا می‌برد. برای درک بهتر اینکه مدل‌های امروزی چه توانایی‌ها و چه محدودیت‌هایی دارند، این مرور بر ظرفیت‌ها و مرزهای هوش مصنوعی کمک‌کننده است.

مثال: «زیرمسئله‌ها را از کم‌اهمیت‌ترین و ساده‌ترین شروع کن تا پیچیده‌ترین. برای هر زیرمسئله فقط یک جملهٔ کوتاه بنویس که چه چیزی باید مشخص شود، بدون اینکه هنوز جوابش را بدهی.»

ساختار دو مرحله‌ای: اول فهرست، بعد حل زنجیره‌ای

هر پرامپت کم‌به‌زیاد از دو فاز روشن تشکیل شده است. فاز نخست «تجزیه» است: از مدل می‌خواهی فقط زیرمسئله‌ها را فهرست کند و هیچ محاسبه یا نتیجه‌گیری‌ای انجام ندهد. این تفکیک عمدی است؛ اگر اجازه بدهی مدل هم‌زمان تجزیه و حل کند، دوباره به همان دام پرامپت شلوغ می‌افتی.

فاز دوم «حل زنجیره‌ای» است: زیرمسئله‌ها را به‌ترتیب می‌گیری، اولی را حل می‌کنی، جوابش را کنار می‌گذاری و آن را به‌همراه زیرمسئلهٔ دوم به مدل می‌دهی. این حلقه تا آخرین پله ادامه پیدا می‌کند. می‌توانی این کار را دستی مرحله‌به‌مرحله انجام بدهی، یا در یک پرامپت واحد به مدل بگویی همین منطق را خودش دنبال کند و جواب هر مرحله را صریح در مرحلهٔ بعد به‌کار ببرد.

مثال: «حالا زیرمسئلهٔ شمارهٔ ۱ را حل کن. جوابش را در یک خط جداگانه با برچسب [نتیجهٔ مرحلهٔ ۱] بنویس، سپس با استفادهٔ صریح از همان نتیجه، به‌سراغ زیرمسئلهٔ شمارهٔ ۲ برو.»

تفاوت روشن با زنجیرهٔ تفکر و تجزیهٔ مسئله

خیلی‌ها این سه تکنیک را با هم قاطی می‌کنند، در حالی که هرکدام جای خودش را دارند. در زنجیرهٔ تفکر تو فقط می‌گویی «قدم‌به‌قدم فکر کن» و مدل در یک پاسخِ پیوسته استدلال می‌کند؛ ترتیب و مرزها را خودِ مدل تعیین می‌کند و تو کنترل کمی روی مسیر داری.

در تجزیهٔ مسئله، کار را به چند بخش می‌شکنی، اما این بخش‌ها اغلب مستقل‌اند و می‌توان هرکدام را جدا حل کرد. اما ویژگی متمایز روش کم‌به‌زیاد «وابستگی زنجیره‌ای» است: مرحله‌ها ترتیب اجباری دارند و جواب هر پله ورودی پلهٔ بعد است. پس اگر مسئله‌ات مرحله‌هایی دارد که واقعاً به هم وابسته‌اند و باید پشت سر هم حل شوند، کم‌به‌زیاد انتخاب درست است؛ اگر بخش‌ها مستقل‌اند، تجزیهٔ ساده کافی است.

مثال: «توضیح بده کدام‌یک از این زیرمسئله‌ها به جوابِ زیرمسئلهٔ قبلی وابسته‌اند و کدام مستقل‌اند؛ فقط مرحله‌های وابسته را در زنجیره نگه دار و بقیه را جدا علامت بزن.»

یک مثال کامل: از مسئلهٔ خام تا جواب نهایی

فرض کن می‌خواهی قیمت فروش یک محصول دست‌ساز را تعیین کنی. این یک تصمیم چندلایه است: هزینهٔ مواد، دستمزد، سربار، حاشیهٔ سود و قیمت رقبا همه در آن نقش دارند. اگر یک‌جا بپرسی «قیمت مناسب چند است؟» جواب سطحی می‌گیری. با کم‌به‌زیاد، مسیر شفاف می‌شود.

ابتدا از مدل می‌خواهی زیرمسئله‌ها را مرتب کند: (۱) هزینهٔ مواد هر واحد، (۲) دستمزد ساخت هر واحد، (۳) سهم سربار ماهانه روی هر واحد، (۴) بهای تمام‌شده، (۵) حاشیهٔ سود هدف، (۶) مقایسه با قیمت بازار. بعد پله‌پله جلو می‌روی؛ وقتی به مرحلهٔ چهار می‌رسی، سه عدد قطعی از مراحل قبل داری و مدل فقط باید آن‌ها را جمع بزند، نه اینکه از هوا حدس بزند. دقیقاً همین شفافیتِ عددی چیزی است که تصمیم‌گیری کسب‌وکار را نجات می‌دهد؛ اگر به این کاربرد علاقه داری، اهمیت هوش مصنوعی در کسب‌وکار را هم ببین.

مثال: «با استفاده از [نتیجهٔ مرحلهٔ ۱]، [نتیجهٔ مرحلهٔ ۲] و [نتیجهٔ مرحلهٔ ۳]، بهای تمام‌شدهٔ هر واحد را حساب کن و عدد نهایی را جدا بنویس؛ سپس این عدد را برای تعیین قیمت با حاشیهٔ سود ۳۵٪ در مرحلهٔ بعد به‌کار ببر.»

کاربردها: ریاضی، برنامه‌ریزی، تحلیل و کدنویسی

کم‌به‌زیاد در هر جایی که پاسخ نهایی به چند پاسخ میانی وابسته است می‌درخشد. در مسائل ریاضی و منطقی، از جمع اشتباه و پرش منطقی جلوگیری می‌کند. در برنامه‌ریزی پروژه، کمک می‌کند وابستگی وظیفه‌ها را رعایت کنی و کاری را قبل از پیش‌نیازش شروع نکنی.

در تحلیل داده و متن، می‌توانی اول موجودیت‌ها را استخراج کنی، بعد رابطه‌ها را بسازی و در پایان نتیجه بگیری. در کدنویسی هم فوق‌العاده است: اول ساختار داده را مشخص کن، بعد تابع‌های پایه، بعد منطق اصلی و در آخر تست‌ها. این ترتیب پلکانی همان چیزی است که مهندسان باتجربه به‌شکل طبیعی رعایت می‌کنند و به‌جای یک درخواستِ همه‌کاره، آن را به مدل تحمیل می‌کنی. برای دیدن نمونه‌های بیشتری از این دست تکنیک‌ها، بخش اخبار و آموزش‌های هوش مصنوعی را دنبال کن.

مثال: «برای ساخت این ماشین‌حساب بودجه، اول فقط ساختار دادهٔ ورودی و خروجی را طراحی کن. کد ننویس. بعد از تأیید ساختار، به‌سراغ تابع محاسبه و در پایان تست‌ها می‌رویم.»

خطاهای رایج و راه دوری از آن‌ها

رایج‌ترین خطا این است که در فاز اول اجازه بدهی مدل هم‌زمان حل هم بکند. اگر در پرامپت تجزیه ننویسی «فعلاً چیزی را حساب نکن»، مدل معمولاً یک جواب عجولانه هم می‌چسباند و کل مزیت روش از بین می‌رود. مرز میان تجزیه و حل را با جملهٔ صریح روشن نگه دار.

خطای دوم، نبستنِ زنجیره است: جواب هر مرحله را باید واقعاً به مرحلهٔ بعد بدهی. اگر مدل نتیجهٔ مرحلهٔ قبل را نادیده بگیرد، دوباره از صفر حدس می‌زند. با برچسب‌گذاری نتیجه‌ها (مثل [نتیجهٔ مرحلهٔ ۲]) و ارجاع صریح به آن‌ها، این پیوند را محکم کن. خطای سوم، شکستن بیش‌ازحد است؛ اگر مسئله‌ای ساده را به ده زیرمسئلهٔ بی‌فایده بشکنی فقط وقت تلف می‌کنی. این روش برای مسائل واقعاً چندمرحله‌ای است، نه هر پرسش کوتاه.

مثال: «قبل از حل، بررسی کن آیا این مسئله واقعاً چند مرحلهٔ وابسته دارد یا با یک پاسخ مستقیم حل می‌شود؛ اگر ساده است، همان جواب مستقیم را بده و زنجیره نساز.»

الگوی آمادهٔ پرامپت که همین حالا می‌توانی کپی کنی

این قالب را نگه دار و در هر کار چندمرحله‌ای استفاده کن. فقط کافی است مسئلهٔ خودت را جای بخش مشخص‌شده بگذاری. قالب هر دو فاز را در یک پرامپت جمع می‌کند تا مدل خودش زنجیره را کامل دنبال کند.

اگر بخواهی این تکنیک را کنار بقیهٔ روش‌ها بگذاری و ببینی هرکدام کجا به‌کار می‌آید، مقایسهٔ عملکرد مدل‌ها در کارهای استدلالی مثل این نبرد استدلالی میان دو مدل نشان می‌دهد که ساختاردادن به مسیر فکر چقدر در کیفیت نهایی اثر دارد.

مثال: «نقش تو یک حل‌کنندهٔ مسئلهٔ دقیق است. مسئله: [مسئلهٔ خودت را این‌جا بنویس]. مرحلهٔ اول: این مسئله را به زیرمسئله‌های مرتب از ساده به دشوار تجزیه کن و فقط فهرست را بده. مرحلهٔ دوم: زیرمسئله‌ها را یکی‌یکی حل کن، جواب هر مرحله را با برچسب مشخص کن و در مرحلهٔ بعد صریح به آن ارجاع بده. در پایان، جواب نهایی را جدا و خلاصه بنویس.»

پرسش‌های پرتکرار

پرسش: پرامپت کم‌به‌زیاد با زنجیرهٔ تفکر یکی نیست؟
پاسخ: نه. در زنجیرهٔ تفکر مدل خودش در یک پاسخ استدلال می‌کند، اما در کم‌به‌زیاد تو ترتیب زیرمسئله‌ها را از ساده به دشوار طراحی می‌کنی و جواب هر مرحله را ورودی مرحلهٔ بعد قرار می‌دهی؛ کنترل بیشتری داری.

پرسش: این روش برای چه کارهایی بهترین نتیجه را می‌دهد؟
پاسخ: کارهای چندمرحله‌ای که مرحله‌هایشان به هم وابسته‌اند؛ مثل مسائل ریاضی، تحلیل مالی، برنامه‌ریزی پروژه و کدنویسی. برای پرسش‌های کوتاه و تک‌مرحله‌ای لازم نیست.

پرسش: آیا باید حتماً مرحله‌به‌مرحله دستی جلو بروم؟
پاسخ: نه؛ می‌توانی هر دو فاز را در یک پرامپت جمع کنی و از مدل بخواهی خودش زنجیره را دنبال کند. اما برای کارهای حساس، جلو رفتن دستی کنترل و دقت بیشتری می‌دهد.