التلقين بالتفكير المتسلسل
استخلاص الاستدلال خطوة بخطوة.
التلقين بالتفكير المتسلسل درس مجاني في AI Prompt Engineering على CoddyKit. هذا هو الدرس 1 من أصل 4. يمكنك قراءة الدرس كاملاً أدناه مجاناً — ثم تمرن عليه مباشرة في المتصفح باستخدام محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7. هذا الدرس جزء من مسار التعلم في AI Prompt Engineering، وتقدمك يتزامن عبر الويب وتطبيق CoddyKit. تتضمن دورة AI Prompt Engineering 4 دروس في المجموع.
الاستدلال بوصفه ميزانية من الرموز
يستحث التلقين باستخدام سلسلة التفكير (CoT) خطوات الاستدلال الوسيطة قبل الإجابة النهائية. وتتمثل الفكرة الأساسية في أن المحوّلات تنفذ مقدارًا ثابتًا من الحساب لكل رمز، ولذلك فإن السماح للنموذج بإنتاج رموز الاستدلال يمنحه فعليًا مزيدًا من الحساب التسلسلي للوصول إلى الإجابة.
إن فرض إجابة فورية يحد مقدار الحساب المتاح لمسألة صعبة؛ أما CoT فيزيل هذا الحد بتوزيع الحساب على الرموز المولّدة.
# Direct: model must compute everything before the first token
DIRECT = 'Q: ' + q + '\nA:'
# CoT: model can use tokens as scratch space
COT = 'Q: ' + q + '\nA: Let us reason step by step.'CoT دون أمثلة
تستحث العبارة الشهيرة Let us think step by step (Kojima et al., 2022) الاستدلال من دون أمثلة. وتنجح لأنها تجعل النماذج المضبوطة بالتعليمات تستبطن النمط الذي تسبق فيه هذه العبارة حلًا مشروحًا.
يتميز CoT دون أمثلة بانخفاض التكلفة وفعالية تفوق المتوقع، لكن جودة استدلاله أقل قابلية للتحكم من CoT قليل الأمثلة مع أمثلة توضيحية منسقة.
def zero_shot_cot(question):
stage1 = llm('Q: ' + question + '\nA: Let us think step by step.')
# Extract the final answer in a second, constrained call
stage2 = llm(stage1 + '\nTherefore, the final answer is:')
return parse_answer(stage2)CoT قليل الأمثلة
يوفر CoT قليل الأمثلة (Wei et al., 2022) أمثلة توضيحية تتضمن مسار الاستدلال، لا الإجابة وحدها. وهذا يعلّم النموذج كيفية الاستدلال، كما يعلّمه التنسيق المطلوب، مما ينتج سلاسل أكثر موثوقية واتساقًا من حالة عدم تقديم الأمثلة.
نسّقوا أمثلة توضيحية يتوافق أسلوب استدلالها ودرجة تفصيلها وطولها مع ما تريدون من النموذج نسخه. ويؤدي عدم اتساق استدلال الأمثلة التوضيحية إلى سلاسل غير متسقة.
FS_COT = (
'Q: Roger has 5 balls, buys 2 cans of 3. How many balls?\n'
'A: 5 + 2*3 = 5 + 6 = 11. The answer is 11.\n\n'
'Q: ' + question + '\nA:'
)فصل الاستدلال عن الإجابة
احرصوا دائمًا على أن تكون الإجابة النهائية قابلة للاستخراج آليًا: أنهوا السلسلة بعلامة ثابتة (مثل The answer is X أو حقل JSON). إن تحليل السلاسل الحرة الصياغة هش.
في المنتجات الموجهة إلى المستخدمين، يمكنكم إخفاء السلسلة وإظهار الإجابة التي تم تحليلها فقط، مع إبقاء الاستدلال بمثابة مسودة داخلية.
import re
def extract(chain):
m = re.search(r'[Tt]he answer is\s*(.+?)[.\n]', chain)
if not m:
raise ValueError('no answer marker found')
return m.group(1).strip()لا تُضمن أمانة الاستدلال
ثمة تحفظ مهم: قد لا تعكس سلسلة الاستدلال المعبَّر عنها الحساب الحقيقي للنموذج. إذ تُظهر الدراسات أن النماذج قد تنتج استدلالًا يبدو معقولًا لكنه يبرر بأثر رجعي إجابة تحركها تحيزات خفية (مثل موضع أحد الخيارات).
لا تتعاملوا مع CoT بوصفه شرحًا أمينًا أو سجلًا للتدقيق. فهو يحسّن الدقة في مهام كثيرة، لكنه ليس نافذة على الآلية الفعلية للنموذج.
# Faithfulness probe: perturb an irrelevant cue (e.g., always make
# option A correct in the few-shot). If the chain still 'justifies'
# choosing A, the stated reasoning is unfaithful to the real cause.إعدادات فك الترميز لـ CoT
بالنسبة إلى سلسلة حتمية واحدة، تقلل درجة الحرارة المنخفضة التباين. لكن CoT يقترن بفاعلية كبيرة مع أخذ العينات: فعند درجة حرارة متوسطة يمكنكم توليد سلاسل متعددة ومتنوعة وتجميعها (وهو ما يتناوله الاتساق الذاتي).
تجنبوا فك الترميز الجشع عندما تنوون أخذ عينات من مسارات متعددة؛ إذ يقضي فك الترميز الجشع على التنوع ويفشل التجميع.
single = llm(COT, temperature=0.0) # one stable chain
paths = [llm(COT, temperature=0.7) for _ in range(10)] # diverseالاستدلال المنظم والجدولي
في المسائل المعقدة، افرضوا بنية على سلسلة الاستدلال: خطوات مرقمة، أو جدول حالة، أو تقسيمًا إلى مرحلتي التخطيط ثم التنفيذ. تقلل البنية من الخطوات المتجاوزة وتجعل الحالة الوسيطة قابلة للتحقق.
تتقدم الأساليب المدعومة بالبرمجة خطوة أخرى، إذ تنتج شيفرة قابلة للتنفيذ بوصفها الاستدلال وتفوض العمليات الحسابية إلى مفسر، مما يلغي فئة كاملة من أخطاء الحساب.
PAL = (
'Solve by writing Python. Q: ' + q + '\n'
'A:\ndef solve():\n'
' # the model writes code here, then we exec() it\n'
)
# Offload arithmetic to a deterministic interpreterالطول والتكلفة وزمن الاستجابة
يضاعف CoT عدد رموز المخرجات، مما يرفع التكلفة وزمن الاستجابة. أما في العناصر السهلة فلا يحقق هذا الحمل أي فائدة، في حين يكون ضروريًا للعناصر الصعبة. ومن الأساليب العملية الاستدلال التكيفي: لا تستحثوا CoT إلا عندما يبرر ذلك تقدير رخيص للصعوبة أو إجابة مباشرة منخفضة الثقة.
أما في نماذج الاستدلال المزودة بالتفكير المدمج، فتحكموا بدلًا من ذلك في ميزانية جهد الاستدلال، عوضًا عن استحثاث السلسلة بأنفسكم.
def adaptive(question):
direct = llm('Q: ' + question + '\nA (answer only):', temperature=0)
if confidence(direct) > 0.85:
return direct
return zero_shot_cot(question) # escalate to reasoning only if neededCoT في نماذج الاستدلال الأصلية
تُجري نماذج الاستدلال الحديثة مداولات داخلية مطولة تلقائيًا. وقد يكون إغراقها بتعليمات مطولة من قبيل Let us think step by step زائدًا عن الحاجة أو حتى ذا أثر عكسي، لأنه يتداخل مع عملية التفكير التي دُرّبت عليها.
في هذه النماذج، فضّلوا عبارات موجزة تصف المهمة ومتطلبات صريحة لتنسيق الإجابة، واضبطوا معلمة جهد الاستدلال بدل صياغة السلاسل يدويًا.
# Reasoning-native model: let it think, just constrain the output
resp = reasoning_model(
prompt=question,
reasoning_effort='medium',
output_format='Final answer on the last line as: ANSWER=<x>'
)عندما يأتي CoT بنتائج عكسية
قد يضرّ CoT بالأداء في المهام التي يطغى فيها التفكير المتأني على الحدس الصحيح، أو في مطابقة الأنماط البسيطة، أو عندما تؤدي صياغة التفكير لفظيًا إلى أخطاء ما كان النموذج ليرتكبها ضمنيًا. كما أنه يوسّع سطح الهجوم لحقن التعليمات داخل السلاسل الطويلة.
قارن أداء CoT بالإجابة المباشرة لكل مهمة؛ ولا تفترض قط أن موجّهات الاستدلال مفيدة على نحو شامل.
def should_use_cot(task_acc_cot, task_acc_direct, cot_cost_mult):
gain = task_acc_cot - task_acc_direct
# Only adopt CoT if accuracy gain justifies the token multiplier
return gain > MIN_GAIN and gain / cot_cost_mult > MIN_EFFICIENCYإدخال CoT إلى بيئة الإنتاج
يتطلب استخدام CoT في بيئة الإنتاج إعداد أمثلة توضيحية متسقة (أو الاعتماد على الاستدلال الأصلي للنموذج)، وفرض محدد إجابة قابل للتحليل، وأخذ عينات من سلاسل متعددة للعناصر الصعبة، والتحقق من الحسابات عبر تنفيذ الشيفرة حيثما أمكن، وعدم تفعيل الاستدلال إلا وفق تقدير للصعوبة للتحكم في التكلفة.
سجّل السلاسل لتحليلها دون اتصال، لكن لا تعرضها أبدًا على أنها شروحات مرجعية صحيحة.
def production_solve(q):
if easy(q):
return extract(llm(DIRECT_PROMPT.format(q=q), temperature=0))
chains = [llm(FS_COT.format(q=q), temperature=0.7) for _ in range(8)]
return majority_vote([extract(c) for c in chains])تحقق سريع
استدل على سبب فائدة CoT والمواضع التي لا يكون مفيدًا فيها.
خلاصة
أهم النقاط:
- يستبدل CoT رموزًا إضافية بقدر إضافي من المعالجة التسلسلية؛ وهو مفيد للمهام متعددة الخطوات، لا للمهام البسيطة.
- يستخدم CoT بطريقة zero-shot عبارة تشغيلية، بينما يزوّد CoT بطريقة few-shot بأمثلة توضيحية متسقة للاستدلال.
- اختم دائمًا بمحدد إجابة قابل للاستخراج آليًا؛ فالسلاسل ليست شروحات faithful.
- خذ عينات من سلاسل متعددة للعناصر الصعبة، وأوكل الحسابات إلى الشيفرة، ولا تفعّل CoT إلا وفق مستوى الصعوبة.
- في النماذج ذات الاستدلال الأصلي، فضّل الموجّهات الموجزة مع ميزانية لجهد الاستدلال بدلًا من تعليمات السلسلة المطولة.
الأسئلة الشائعة
هل درس «التلقين بالتفكير المتسلسل» مجاني؟
نعم — نص درس «التلقين بالتفكير المتسلسل» كامل متاح مجاناً هنا على الويب. لتمرينه بشكل تفاعلي (محرر أكواد مدمج ومدرس ذكاء اصطناعي متاح 24/7) وفتح باقي دورة AI Prompt Engineering، انتقل إلى CoddyKit PRO. تتضمن دورة AI Prompt Engineering 4 دروس في المجموع.
ماذا ستتعلم في «التلقين بالتفكير المتسلسل»؟
استخلاص الاستدلال خطوة بخطوة. تتمرن على AI Prompt Engineering مع أكواد عملية تشغلها مباشرة في المتصفح، ومدرس ذكاء اصطناعي متاح 24/7 يجيب على أسئلتك أثناء عملك.
هل أحتاج إلى خبرة سابقة لأبدأ AI Prompt Engineering؟
لا تُشترط خبرة سابقة. AI Prompt Engineering على CoddyKit منظم للمبتدئين حتى المتقدمين، لذا يمكنك البدء من هنا أو من البداية والتقدم بسرعتك الخاصة. هذا هو الدرس 1 من أصل 4.
كم من الوقت يستغرق درس «التلقين بالتفكير المتسلسل»؟
معظم دروس CoddyKit تستغرق حوالي 5–10 دقائق. كل منها موجز وتفاعلي، لذا تحرز تقدماً مستمراً وتستأنف من حيث توقفت عبر الويب والتطبيق.
هل يمكنني كتابة وتشغيل أكواد في درس AI Prompt Engineering هذا؟
نعم. كل درس في AI Prompt Engineering يتضمن محرر أكواد مدمج، لذا تكتب وتشغل أكواداً حقيقية مباشرة في متصفحك وتحصل على تعليقات فورية من الذكاء الاصطناعي — بدون إعداد محلي.
جميع الدروس في هذه الدورة
- التلقين بالتفكير المتسلسل
- أخذ عينات الاتساق الذاتي
- استكشاف شجرة الأفكار
- متى تفيد تلقينات الاستدلال