Is chain-of-thought prompting only useful for AI models, or does it reflect human problem-solving as well?

Chain-of-thought prompting is useful for both AI models and reflects human problem-solving, as it mimics how people naturally tackle complex problems by reasoning through them step by step.

How is chain-of-thought reasoning different from just “thinking step by step”?

While "thinking step by step" is a general approach, chain-of-thought reasoning is more structured and deliberate, encouraging an AI model to articulate intermediate reasoning steps explicitly rather than jumping to conclusions.

Why do some LLMs not use chain-of-thought reasoning by default?

Some LLMs, especially earlier or smaller models, don’t use chain-of-thought reasoning by default because they weren’t fine-tuned to produce multi-step outputs and instead focus on predicting likely answers based on training data patterns.

Is chain-of-thought prompting a form of “training” the model during inference?

No, chain-of-thought prompting is not a form of training; it doesn't alter the model’s weights or knowledge. Instead, it guides the model’s output behavior during inference by encouraging structured reasoning through the prompt.

Does chain-of-thought prompting always improve accuracy?

Chain-of-thought prompting does not always improve accuracy. It tends to help on tasks that require multi-step reasoning, but on simple tasks it can add unnecessary complexity and even reduce performance.

ما هو الإيعاز بسلسلة الأفكار؟

كتابة

سارة تشادلي

باحثة وقائدة محتوى الذكاء الاصطناعي

جدول المحتويات

الخطوة 1. عنوان الخطوة يوضع هنا كما هو متوقع

الملخص

يقود التحفيز بسلسلة التفكير نماذج الذكاء الاصطناعي إلى التفكير خطوة بخطوة، مما يساعدها على حل المهام المعقدة بدقة أكبر من مجرد توقع الكلمة التالية.
يُفضل استخدامها في المشكلات متعددة الخطوات، مثل المسائل الرياضية، الألغاز المنطقية، أو المهام الإجرائية، لكنها غير ضرورية للاستفسارات البسيطة أو ذات الخطوة الواحدة.
تختلف تقنية ربط التعليمات (Prompt chaining) عن تقنية التفكير المتسلسل (chain-of-thought) بأن الأولى تقسم المهمة إلى عدة تعليمات منفصلة، بينما الثانية تبقى ضمن تدفق واحد من التعليمات والردود.

إذا استخدمت روبوت دردشة GPT مثل ChatGPT، ربما لاحظت تفاوت جودة النتائج.

أحياناً يقدم لك بالضبط ما تحتاجه. وأحياناً أخرى تشعر أن "الذكاء" في الذكاء الاصطناعي مجرد مبالغة.

يمكنك رفع مستوى استخدامك لـ ChatGPT من خلال تحسين طريقة توجيهك له. تشجع طريقة التفكير المتسلسل وكلاء النماذج اللغوية الكبيرة على التفكير خطوة بخطوة أثناء تنفيذ المهمة قبل توليد الرد.

بدأت النماذج والميزات الأحدث للذكاء الاصطناعي في تضمين الاستدلال المتسلسل بشكل مباشر، بحيث تقوم النماذج تلقائياً بتحليل المشكلة دون الحاجة إلى تعليمات إضافية.

أنشئ روبوتات دردشة ذكية

أنشئ روبوتات دردشة مخصصة تعتمد على الوكلاء الذكيين

ابدأ الآن

ما هو الإيعاز بسلسلة الأفكار؟

الاستدلال المتسلسل في الذكاء الاصطناعي هو تقنية في هندسة التعليمات توجه النماذج إلى تقسيم المهام المعقدة وتحليل كل خطوة قبل الرد.

قد تسمع أيضاً بمصطلح 'الاستدلال المتسلسل'. يشير ذلك إلى العملية خطوة بخطوة التي يتبعها النموذج لتحليل المهمة المطروحة.

نماذج OpenAI o1 لا تتطلب تحفيز التفكير المتسلسل، لأنها تتضمنه بالفعل. لكن يمكنك استخدام تحفيز التفكير المتسلسل مع أي روبوت دردشة مدعوم بنموذج لغوي كبير.

كيف يعمل أسلوب chain-of-thought؟

تعني طريقة التفكير المتسلسل تقسيم المشكلة إلى خطوات منطقية أصغر ليقوم روبوت الدردشة الذكي بحلها بالتسلسل.

أولاً، يحدد الذكاء الاصطناعي الأجزاء الرئيسية من المشكلة. ثم يعالج كل جزء بالتسلسل، مع الأخذ في الاعتبار كيف يؤدي كل خطوة إلى التالية. كل خطوة تبنى على السابقة، مما يسمح للذكاء الاصطناعي بالتحرك بشكل منهجي نحو استنتاج منطقي.

أمثلة على إعداد المطالبات بأسلوب التفكير المتسلسل

التلقين الشهير بـ 'الفراولة'

ChatGPT ونماذج اللغة الكبيرة الأخرى لديها نقاط ضعف موثقة جيدًا. أحدها هو عدم قدرتها على تحديد عدد أحرف 'R' في كلمة ‘strawberry’ بشكل صحيح. (غالبًا ما يكون هذا هو القيد الشهير وراء الاسم الرمزي لنماذج o1: Strawberry.)

لا يستخدم ChatGPT-4o أسلوب التفكير المتسلسل. بدلاً من ذلك، يعتمد على بيانات تدريبه ويولد استجابة بناءً على احتمالية تتابع الكلمات. قد يبدو صحيحًا في معظم الأحيان، لكنه فقط يحاكي اللغة البشرية — دون تفكير أو بحث فعلي.

عند سؤال ChatGPT-4o سؤال الفراولة الشهير، لا يتمكن من إعطاء الإجابة الصحيحة:

Screenshot: ChatGPT replies there are 2 'r's in the word strawberry. — *لا يستخدم ChatGPT-4o أسلوب التفكير المتسلسل ويصل إلى إجابة غير صحيحة.*

‍

ومع ذلك، يمكنك استخدام تقنية التحفيز المتسلسل للأفكار لمساعدة روبوت الدردشة المدعوم بالنماذج اللغوية الكبيرة على الوصول إلى الإجابة الصحيحة:

Screenshot: ChatGPT is asked to show its thinking and spells out the word strawberry, correctly identifying the 3 'r's. — *يقوم ChatGPT-4o بتهجئة كلمة strawberry، محددًا بشكل صحيح عدد أحرف 'R'.*

‍

الإصدار الأحدث من ChatGPT، المدعوم من OpenAI o1-preview، هو أول نموذج لغوي كبير يستخدم أسلوب chain-of-thought تلقائيًا دون الحاجة لمطالبة إضافية.

يصل إلى الإجابة من المحاولة الأولى، لأنه تم توجيهه تلقائيًا لاتباع نفس العملية كما في مطالبة ChatGPT-4o الثانية أعلاه. الفرق الوحيد أنه ينفذ هذه العملية دون مطالبة إضافية.

Screenshot: ChatGPT using an o1 model replies that it is 'thinking for a ew seconds' before responding that there are 3 'r's in the word strawberry. — *يفكر نموذج o1-preview لبضع ثوانٍ ليحدد الرقم الصحيح بدقة.*

الرياضيات

إذا سألت إصدارًا أقدم من ChatGPT سؤالًا رياضيًا من كتاب مدرسي ابتدائي، فلن يجيب عليه دائمًا بشكل صحيح.

حل المسائل الرياضية متعددة الخطوات يتطلب تفكيرًا منطقيًا، وهو ما لم يكن متوفرًا في نماذج اللغة الكبيرة السابقة. كان بإمكانك تقسيم كل خطوة من المشكلة، لكن إذا لم تكن تعرف الخطوات الصحيحة، فلن يتمكن النموذج من المساعدة.

يستطيع ChatGPT-4o التوصل إلى الإجابة عن طريق تحليل خطوات حل المسألة خطوة بخطوة:

Screenshot: ChatGPT-4o lists the steps of a math problem in order to solve it. — *يقوم ChatGPT-4o بسرد خطوات مسألة رياضية بالترتيب لحلها.*

وكلاء الذكاء الاصطناعي المتصلون بـ Hubspot

لتوضيح عملي، لنأخذ وكيل ذكاء اصطناعي مدعوم بـ LLM تم دمجه في Hubspot. يستخدم فريق المبيعات هذا الوكيل لمعالجة العملاء المحتملين الجدد الذين يتم جمعهم عبر القنوات المختلفة.

سيناريو

‍يرسل مندوب المبيعات عميلاً جديداً إلى وكيل الذكاء الاصطناعي ويطلب منه تسجيله في Hubspot وإرسال بريد إلكتروني أولي، ولكن دون إدخاله إذا كان العميل يعمل في شركة هي بالفعل من العملاء المحتملين.

نموذج لغة كبير بدون تفكير متسلسل

‍يسجل وكيل الذكاء الاصطناعي المدعوم بنموذج LLM العميل المحتمل ويرسل البريد الإلكتروني دون التحقق مما إذا كانت الشركة بالفعل من العملاء المحتملين، متجاهلاً الشرط الأساسي.

نموذج لغوي كبير مع تفكير متسلسل

‍يتحقق وكيل الذكاء الاصطناعي المدعوم بـ LLM مما إذا كانت الشركة بالفعل عميلاً محتملاً قبل اتخاذ أي إجراء. إذا كانت كذلك، يتجاوز التسجيل والإرسال؛ إذا لم تكن، يسجل العميل ويرسل البريد الإلكتروني، متبعاً تعليمات مندوب المبيعات بدقة.

متى يجب أن أستخدم أسلوب التفكير المتسلسل في إعداد المطالبات؟

التوجيه بسلسلة الأفكار هو الأنسب في السيناريوهات التي تتطلب تفكيراً خطوة بخطوة.

المهام المثالية هي تلك التي تتطلب استنتاجات منطقية أو مسائل رياضية أو مهام إجرائية أو أي موقف يحتاج إلى إجابات متعددة الخطوات.

لكن انتظر: التفكير المنطقي يبدو رائعًا – لماذا لا أستخدمه دائمًا؟

سؤال جيد. ليست كل الأسئلة تتطلب الاستدلال أو التفكير. على سبيل المثال:

أسئلة واقعية بسيطة، مثل: 'ما هي عاصمة كندا؟'
مشكلات من خطوة واحدة، مثل 'ما هو 145 + 37؟'
مهام إنشاء المحتوى، مثل: "اكتب بريداً إلكترونياً مهذباً من 3 جمل تسأل فيه زميلي عما إذا كان قد أنهى مشروعه بعد."

تغيير أسلوب التلقين مقابل التلقين المتسلسل للأفكار

على الرغم من التشابه في الاسم، فإن سلسلة التحفيز والتحفيز بسلسلة الأفكار هما استراتيجيتان مختلفتان لتحسين مخرجات الذكاء الاصطناعي التوليدي.

هل تقوم بنشر وكلاء الذكاء الاصطناعي؟

اقرأ دليلنا لتنفيذ وكلاء الذكاء الاصطناعي

اقرأ الآن

التحفيز بسلسلة الأفكار

مع أسلوب chain-of-thought، يوجه المستخدم الذكاء الاصطناعي لشرح المنطق وراء إجابته في رد واحد. هذا يدفع الذكاء الاصطناعي لاستعراض كل خطوة من خطوات حل المشكلة، لكن يتم ذلك من خلال مطالبة واحدة ورد واحد.

على سبيل المثال، يمكن تحقيق تحفيز سلسلة التفكير في رسالة واحدة:

"يحتاج فريق الموارد البشرية إلى مراجعة 5 تقييمات أداء للموظفين. سيستغرق كل تقييم 30 دقيقة ويحتاجون إلى 15 دقيقة للتحضير مسبقاً. التقييمات العليا ستتطلب 10 دقائق إضافية لكل منها. كم من الوقت سيستغرق إكمال 5 تقييمات عليا و25 تقييم عادي؟ وضح خطواتك بالتفصيل."

سلسلة المطالبات

مع تسلسل التعليمات، يتم تقسيم المهمة إلى خطوات منفصلة مع تعليمات متعددة، كل واحدة تبني على نتيجة السابقة. هذا يساعد في تنظيم وتوجيه الذكاء الاصطناعي خلال مهمة معقدة غالباً ما تتطلب تفكيراً منطقياً.

قد تبدو التعليمية الأولى هكذا:

المطالبة 1: حدد التحديات الرئيسية التي قد تواجهها الشركة عند الانتقال إلى العمل عن بُعد.

الناتج:

فجوات التواصل
الحفاظ على الإنتاجية
البنية التحتية التقنية
مشاركة الموظفين

قد تتعمق التعليمات التالية في هذه المفاهيم أكثر. على سبيل المثال:

المطالبة 2: يرجى إخباري كيف يمكن للشركة إيجاد حلول للفجوات في التواصل عند الانتقال إلى العمل عن بُعد.

بعد الجولة التالية من المخرجات، قد تكون الحلقة التالية من السلسلة:

الموجه 3: ما هي التحديات الشائعة التي تواجهها الشركات عند تبني هذه الحلول؟

لذا، رغم التشابه بين الطريقتين، إلا أنهما تتبعان نهجين مختلفين لاستخلاص المحتوى الأكثر عمقاً وملاءمة من أدوات الذكاء الاصطناعي التوليدي.

التلقين المتسلسل للأفكار على Botpress

مستخدمو Botpress على دراية بالفعل بميزة تستخدم أسلوب التفكير المتسلسل.

تم إطلاق العقدة المستقلة في يوليو 2024 على Botpress، وهي منصة لبناء وكلاء الذكاء الاصطناعي. العقدة المستقلة قادرة على أتمتة سير العمل متعدد الخطوات واتخاذ القرارات بشكل مستقل.

يمكن إنشاء عقدة مستقلة وتوجيهها بسطر نصي بسيط، مثل: "مهمتك هي توليد عملاء محتملين مؤهلين. أنشئ عملاء في Salesforce عندما يظهر المستخدم نية الشراء."

العُقد الذاتية

سيقوم وكيل الذكاء الاصطناعي الذي تبنيه باستخدام هذه العقدة المستقلة باتخاذ مجموعة من الإجراءات لتحقيق هدفه، بشكل مستقل عن سير العمل الذي صممه البشر. كما يمكنه التبديل بين نماذج اللغة الكبيرة المختلفة حسب الحاجة، واتخاذ قرار بإعطاء الأولوية للسرعة أو القوة.

بناء وكيل مستقل مخصص

Botpress هي منصة وكلاء الذكاء الاصطناعي الوحيدة التي تتيح لك بناء وكلاء مستقلين بالكامل.

توفر Botpress Studio المفتوحة والمرنة إمكانيات لا حصر لها عبر مختلف القطاعات، من الموارد البشرية إلى توليد العملاء المحتملين. تتيح مكتبة التكاملات الجاهزة ودروسنا الشاملة للمستخدمين بناء وكلاء ذكاء اصطناعي بسهولة من البداية.

ابدأ البناء اليوم. إنها مجانية.

أو تواصل مع فريق المبيعات لدينا.

بناء وكيل ذكاء اصطناعي

أنشئ وكلاء مستقلين مخصصين

ابدأ الآن

الأسئلة الشائعة

1. هل التفكير المتسلسل مفيد فقط لنماذج الذكاء الاصطناعي، أم أنه يعكس أيضًا حل المشكلات البشري؟

التلقين المتسلسل للأفكار مفيد لكل من نماذج الذكاء الاصطناعي ويعكس حل المشكلات البشري، حيث يحاكي الطريقة الطبيعية التي يتبعها الأشخاص في معالجة المشكلات المعقدة من خلال التفكير خطوة بخطوة.

2. كيف يختلف التفكير بسلسلة منطقية عن مجرد "التفكير خطوة بخطوة"؟

بينما "التفكير خطوة بخطوة" هو نهج عام، فإن أسلوب chain-of-thought أكثر تنظيمًا وتعمدًا، ويشجع نموذج الذكاء الاصطناعي على توضيح خطوات التفكير الوسيطة بدلاً من القفز مباشرة إلى الاستنتاجات.

3. لماذا لا تستخدم بعض النماذج اللغوية الكبيرة أسلوب التفكير المتسلسل بشكل افتراضي؟

بعض النماذج اللغوية الكبيرة، خاصة الإصدارات الأقدم أو الأصغر، لا تستخدم أسلوب chain-of-thought افتراضيًا لأنها لم تُدرّب على إنتاج مخرجات متعددة الخطوات، بل تركز على توقع الإجابات الأكثر احتمالاً بناءً على أنماط بيانات التدريب.

4. هل يُعتبر التحفيز المتسلسل نوعًا من “تدريب” النموذج أثناء الاستدلال؟

لا، التلقين المتسلسل للأفكار ليس نوعًا من التدريب؛ فهو لا يغير أوزان النموذج أو معرفته. بل يوجه سلوك النموذج أثناء الاستدلال من خلال تشجيع التفكير المنظم عبر التلقين.

5. هل يؤدي التحفيز بسلسلة التفكير دائمًا إلى تحسين الدقة؟

التحفيز بسلسلة الأفكار لا يحسن الدقة دائماً. غالباً ما يساعد في المهام التي تتطلب تفكيراً متعدد الخطوات، لكنه قد يضيف تعقيداً غير ضروري في المهام البسيطة ويقلل من الأداء.