رشتهٔ فکر؛ آموزش گرفتن جواب دقیق از متن‌های طولانی و شلوغ

چکیده. رشتهٔ فکر (Thread of Thought) یک تکنیک پرامپت‌نویسی برای کار با کانتکست‌های طولانی و پراکنده است. به‌جای پرسیدن مستقیم، از مدل می‌خواهیم متن را تکه‌تکه مرور و خلاصه کند و تازه بعد پاسخ بدهد. در این آموزش گام‌به‌گام یاد می‌گیرید این جملهٔ کلیدی چیست، ساختار کامل پرامپت چگونه است، چطور آن را دومرحله‌ای کنید، در چه کارهایی به درد می‌خورد و چه اشتباه‌هایی نتیجه را خراب می‌کند.

رشتهٔ فکر دقیقاً چیست؟

رشتهٔ فکر یک الگوی پرامپت‌نویسی است که در آن به‌جای درخواست پاسخ فوری، از مدل می‌خواهید کل متن ورودی را مثل یک نخ از ابتدا تا انتها دنبال کند، هر بخش را به‌صورت جداگانه خلاصه و تحلیل کند و در پایان بر پایهٔ همین مرور منظم به سؤال شما جواب بدهد. این کار برای مدل یک «حافظهٔ کاری» موقت می‌سازد؛ چیزی شبیه یادداشت‌برداری حاشیهٔ یک کتاب که کمک می‌کند خواننده رشتهٔ مطلب را گم نکند.

تفاوت کلیدی با پرسیدن معمولی اینجاست: وقتی مستقیم می‌پرسید، مدل تلاش می‌کند در یک نگاه کل متن را پردازش کند و همین باعث می‌شود بخش‌های میانی نادیده گرفته شوند. اما وقتی مسیر مرور را قدم‌به‌قدم تعریف می‌کنید، مدل مجبور می‌شود به تک‌تک بخش‌ها توجه کند. اگر تازه با مفهوم پرامپت آشنا شده‌اید، پیشنهاد می‌کنیم اول پرامپت‌نویسی به زبان ساده را بخوانید تا پایهٔ کار دستتان بیاید.

مثال: «متن زیر یک گفتگوی طولانی با پشتیبانی است. آن را بخش‌به‌بخش دنبال کن، هر پیام مهم را در یک جمله خلاصه کن، سپس بگو مشکل اصلی کاربر چه بود و در نهایت چه راه‌حلی به او داده شد.»

چرا مدل در متن‌های طولانی گم می‌شود؟

پژوهش‌ها نشان داده‌اند مدل‌های زبانی در متن‌های بلند دچار پدیده‌ای به‌نام «گم‌شدن در میانه» می‌شوند؛ یعنی اطلاعاتی که در ابتدا و انتهای متن قرار دارند بهتر دیده می‌شوند و آنچه در وسط است بیشتر از دست می‌رود. وقتی یک تِرد پنجاه‌پیامی یا چند مقالهٔ کپی‌شده را یک‌جا می‌دهید، مهم‌ترین جمله ممکن است دقیقاً در همان ناحیهٔ فراموش‌شده باشد.

رشتهٔ فکر این مشکل را با شکستن متن به بخش‌های کوچک حل می‌کند. وقتی مدل هر بخش را جداگانه خلاصه می‌کند، عملاً وسط متن هم به یک «ابتدا و انتهای کوچک» تبدیل می‌شود و شانس دیده‌شدنش بالا می‌رود. برای درک بهتر محدودیت‌های واقعی این مدل‌ها، خواندن توان و محدودیت‌های واقعی هوش مصنوعی کمک‌کننده است.

مثال: «این پنج ایمیل را که پشت سر هم چسبانده‌ام، یکی‌یکی و به‌ترتیب بررسی کن. برای هر ایمیل بنویس فرستنده چه خواسته‌ای داشته، بعد در انتها فهرست کاملی از همهٔ درخواست‌ها را کنار هم بده تا هیچ‌کدام جا نیفتد.»

جملهٔ کلیدی رشتهٔ فکر؛ همان یک خط تعیین‌کننده

قلب این تکنیک یک جملهٔ راهنماست که معمولاً در انتهای متن، درست قبل از سؤال اصلی، اضافه می‌شود. نسخهٔ کلاسیک آن چیزی شبیه این است: «این متن را بخش‌به‌بخش و گام‌به‌گام مرور کن، در هر بخش خلاصه و تحلیل کن، بعد جمع‌بندی نهایی را ارائه بده.» همین یک خط رفتار مدل را از حالت پاسخ عجولانه به حالت مرور روشمند تغییر می‌دهد.

نکته این است که جمله باید هم «مرور تکه‌تکه» و هم «خلاصهٔ هر تکه» را بخواهد؛ اگر فقط بگویید «خلاصه کن» دوباره به همان پاسخ کلی و ناقص می‌رسید. برای دیدن نمونه‌های بیشتر از پرامپت‌های آماده، بخش آموزش‌های چت‌جی‌پی‌تی پر از مثال کاربردی است.

مثال: «قبل از پاسخ، متن را مانند یک نخ از اول تا آخر دنبال کن؛ هر پاراگراف را در یک جملهٔ کوتاه خلاصه کن و شماره بزن. بعد از پایان مرور، به این سؤال جواب بده: نویسنده با چه استدلالی به نتیجهٔ نهایی رسیده است؟»

ساختار کامل یک پرامپت رشتهٔ فکر

یک پرامپت رشتهٔ فکرِ حرفه‌ای معمولاً چهار قسمت دارد: اول یک مرزبندی روشن برای متن (مثلاً قراردادن متن داخل سه خط تیره یا برچسب)، دوم دستور مرور بخش‌به‌بخش، سوم درخواست خلاصهٔ هر بخش، و چهارم سؤال نهایی و مشخص. اگر این چهار جزء کنار هم باشند، احتمال گرفتن پاسخ دقیق به‌شدت بالا می‌رود.

مرزبندی متن اهمیت زیادی دارد؛ چون به مدل می‌فهماند کجا دادهٔ خام تمام می‌شود و کجا دستور شما شروع می‌شود. اگر می‌خواهید عمیق‌تر با اهمیت مرزبندی و نظم خروجی آشنا شوید، مقالهٔ زنجیرهٔ تفکر هم مکمل خوبی برای این بحث است.

مثال: «متن زیر بین دو خط تیره قرار دارد. — [متن طولانی اینجا] — حالا این متن را بخش‌به‌بخش مرور کن، هر بخش را در یک جمله خلاصه کن، و در پایان فقط به این سؤال جواب بده: سه ریسک اصلی مطرح‌شده کدام‌اند؟ برای هر ریسک بگو از کدام بخش متن برداشت شده است.»

نسخهٔ دومرحله‌ای؛ اول مرور، بعد پاسخ

برای متن‌های خیلی طولانی یا کارهای حساس، بهتر است رشتهٔ فکر را به دو پیام جدا تقسیم کنید. در پیام اول فقط از مدل بخواهید متن را بخش‌به‌بخش مرور و خلاصه کند و صبر کنید تا خلاصه‌ها را بدهد. سپس در پیام دوم، بر پایهٔ همان خلاصه‌ها سؤال اصلی را بپرسید. این کار باعث می‌شود مدل ابتدا نظم پیدا کند و بعد با تمرکز کامل روی پاسخ کار کند.

روش دومرحله‌ای مزیت دیگری هم دارد: خلاصهٔ مرحلهٔ اول برای شما هم قابل بازبینی است و اگر جایی را اشتباه فهمیده بود، پیش از رسیدن به پاسخ نهایی می‌توانید اصلاحش کنید. این نگاه، پرامپت‌نویسی را از یک دستور یک‌طرفه به یک گفتگوی هدایت‌شده تبدیل می‌کند.

مثال (پیام اول): «فعلاً جواب نده. فقط این گزارش بلند را بخش‌به‌بخش مرور کن و هر بخش را در دو جمله خلاصه کن و شماره بزن.» مثال (پیام دوم): «حالا بر اساس همان خلاصه‌های شماره‌دار، بگو مهم‌ترین سه پیشنهاد گزارش چه بودند و کدام‌شان فوری‌ترند.»

کاربردهای واقعی در کار روزمره

رشتهٔ فکر یک تکنیک آکادمیک صرف نیست؛ در کارهای روزانه بسیار به درد می‌خورد. خلاصه‌کردن یک تِرد پشتیبانی طولانی، بیرون‌کشیدن تصمیم‌ها و اقدام‌های بعدی از متن یک جلسه، جمع‌بندی چند منبع پراکنده برای یک تحقیق، تحلیل بندهای یک قرارداد بلند، یا مرور بازخوردهای مشتریان همگی نمونه‌هایی هستند که این روش نتیجه را چشمگیر بهتر می‌کند.

اگر کارتان با کسب‌وکار گره خورده، ترکیب این تکنیک با نگاه تحلیلی می‌تواند در تصمیم‌گیری‌ها صرفه‌جویی زیادی ایجاد کند؛ در این‌باره اهمیت هوش مصنوعی در کسب‌وکار را از دست ندهید. برای خلاصهٔ تخصصی جلسه‌ها هم آموزش پرامپت خلاصه‌سازی جلسه مکمل عالی این مطلب است.

مثال: «متن کامل صورت‌جلسهٔ زیر را بخش‌به‌بخش مرور کن، هر موضوع را جدا خلاصه کن، سپس یک جدول با سه ستون بده: تصمیم، مسئول، مهلت. اگر برای موضوعی مسئول یا مهلت مشخص نشده بود، بنویس نامشخص.»

تفاوت رشتهٔ فکر با زنجیرهٔ تفکر و اسکلت پاسخ

این سه تکنیک اسم‌های شبیه به هم دارند اما کار متفاوتی می‌کنند. زنجیرهٔ تفکر برای وقتی است که یک مسئلهٔ تمیز و مشخص دارید و می‌خواهید مدل قدم‌به‌قدم استدلال کند؛ اسکلت پاسخ اول یک فهرست کلی می‌سازد و بعد جزئیات را پر می‌کند؛ اما رشتهٔ فکر روی «مرور یک ورودی شلوغ و طولانی» تمرکز دارد. به بیان ساده، زنجیرهٔ تفکر روی استدلال کار می‌کند و رشتهٔ فکر روی رام‌کردن کانتکست.

در عمل می‌توانید این‌ها را ترکیب کنید: اول با رشتهٔ فکر متن شلوغ را مرتب کنید، بعد با زنجیرهٔ تفکر روی خلاصهٔ مرتب‌شده استدلال بگیرید. اگر با متن‌های بسیار حجیم و پایگاه‌دانش کار می‌کنید، تکنیک بازیابی زمینه‌مند هم می‌تواند در کنار رشتهٔ فکر بنشیند.

مثال: «مرحلهٔ اول با رشتهٔ فکر: این مصاحبهٔ طولانی را بخش‌به‌بخش خلاصه کن. مرحلهٔ دوم با زنجیرهٔ تفکر: حالا قدم‌به‌قدم استدلال کن که نظر کلی مصاحبه‌شونده دربارهٔ آیندهٔ شغل‌ها مثبت است یا منفی، و چرا.»

اشتباه‌های رایج و راه اصلاحشان

رایج‌ترین اشتباه این است که جملهٔ مرور را می‌نویسند اما سؤال نهایی را مبهم می‌گذارند؛ در نتیجه مدل خلاصهٔ خوبی می‌دهد ولی جواب دقیقی نمی‌سازد. اشتباه دوم، نگذاشتن مرزبندی برای متن است که باعث می‌شود مدل دستور و داده را قاطی کند. اشتباه سوم هم این است که برای متن‌های خیلی بلند از نسخهٔ یک‌مرحله‌ای استفاده می‌کنند، در حالی‌که تقسیم به دو پیام نتیجهٔ بهتری می‌دهد.

راه اصلاح ساده است: سؤال نهایی را مشخص و قابل‌اندازه‌گیری بنویسید، متن را با خط تیره یا برچسب جدا کنید و برای هر نتیجه درخواست ذکر منبع بدهید. برای مرور خطاهای عمومی‌تر پرامپت‌نویسی، دیدن آشنایی با OpenAI و دنبال‌کردن اخبار هوش مصنوعی کمک می‌کند همیشه به‌روز بمانید.

مثال: «این نظرهای کاربران را بخش‌به‌بخش مرور و خلاصه کن، بعد فقط سه شکایت پرتکرار را با ذکر شمارهٔ نظری که از آن برداشت شده فهرست کن؛ اگر شواهد کافی نبود، صریح بگو داده کافی نیست.»

پرسش‌های پرتکرار

رشتهٔ فکر با زنجیرهٔ تفکر یکی است؟ نه. زنجیرهٔ تفکر برای استدلال روی یک مسئلهٔ مشخص است، اما رشتهٔ فکر برای مرور منظم یک متن طولانی و شلوغ ساخته شده است.

این تکنیک روی کدام مدل‌ها کار می‌کند؟ عملاً روی همهٔ مدل‌های زبانی مثل چت‌جی‌پی‌تی، جمینای و کلود؛ چون به یک قابلیت خاص وابسته نیست و فقط روش نوشتن پرامپت را تغییر می‌دهد.

چه زمانی از نسخهٔ دومرحله‌ای استفاده کنم؟ هر وقت متن خیلی بلند است یا کار حساس است و می‌خواهید پیش از پاسخ نهایی، درستی خلاصه‌ها را خودتان بررسی کنید.