Chain-of-Thought Prompting

يُعدّ التلقين بتسلسل الأفكار (CoT) تقنية متقدمة في هندسة المطالبات، تُمكّن نماذج اللغة الكبيرة (LLMs) من حل مهام الاستدلال المعقدة عبر تقسيمها إلى خطوات منطقية وسيطة. وبدلاً من مطالبة النموذج بتقديم إجابة نهائية فورية، يشجع CoT النظام على إنشاء «تسلسل أفكار» يحاكي حل المشكلات لدى البشر. ويؤدي هذا الاستدلال المتدرج إلى تحسين الأداء بشكل كبير في المهام التي تتضمن الحساب والمنطق الرمزي والاستدلال القائم على الفطرة السليمة، مما يغيّر طريقة تفاعلنا مع أنظمة الذكاء الاصطناعي (AI).

آلية الاستدلال#

غالبًا ما تواجه نماذج اللغة القياسية صعوبة في حل المشكلات متعددة الخطوات لأنها تحاول ربط الإدخال بالإخراج مباشرةً في تمريرة واحدة. وقد يؤدي هذا النهج القائم على «الصندوق الأسود» إلى أخطاء، ولا سيما عندما تكون القفزة المنطقية كبيرة جدًا. ويعالج التلقين بتسلسل الأفكار هذه المشكلة من خلال إدراج خطوات استدلال بين سؤال الإدخال والإخراج النهائي.

تعمل هذه العملية عمومًا بطريقتين:

• CoT دون أمثلة: يضيف المستخدم إلى المطالبة عبارة تحفيزية بسيطة مثل «لنفكر خطوةً بخطوة». ويؤدي ذلك إلى تفعيل قدرات النموذج الكامنة على الاستدلال دون الحاجة إلى أمثلة محددة.
• CoT بأمثلة قليلة: تتضمن المطالبة بعض الأمثلة (النماذج التوضيحية) لأسئلة مقترنة بحلولها المتدرجة. ويستفيد هذا الأسلوب من التعلم بأمثلة قليلة ليوضح للنموذج بدقة كيفية تنظيم منطقه قبل محاولة حل مسألة جديدة.

من خلال إنشاء استدلال وسيط بصورة صريحة، تتاح للنموذج فرص أكثر لتصحيح نفسه، كما يوفر شفافية بشأن كيفية وصوله إلى الاستنتاج. ويُعد ذلك أمرًا بالغ الأهمية للحد من الهلوسة في LLMs، إذ قد تصرّح النماذج بخلاف ذلك بوقائع غير صحيحة بثقة.

التطبيقات الواقعية#

مع أن التلقين بتسلسل الأفكار طُوّر في البداية للمنطق القائم على النصوص، فإنه يتمتع بتطبيقات فعالة عند دمجه مع مجالات أخرى من الذكاء الاصطناعي، مثل الرؤية الحاسوبية وتوليد التعليمات البرمجية.

1. تحسين توليد التعليمات البرمجية للرؤية الحاسوبية#

يستخدم المطورون CoT لتوجيه LLMs في كتابة نصوص برمجية معقدة لمهام مثل اكتشاف الكائنات. فبدلاً من طلب غامض مثل «اكتب تعليمات برمجية للعثور على السيارات»، قد تنظم مطالبة CoT الطلب على النحو التالي: «أولًا، استورد المكتبات اللازمة. ثانيًا، حمّل النموذج المدرّب مسبقًا. ثالثًا، حدّد مصدر الصورة. وأخيرًا، شغّل حلقة التنبؤ». ويضمن هذا النهج المنظم أن تكون التعليمات البرمجية المُولّدة لنماذج مثل YOLO26 صحيحة نحويًا وسليمة منطقيًا.

2. اتخاذ القرارات المستقل#

في مجال المركبات المستقلة، يجب على الأنظمة معالجة البيانات المرئية واتخاذ قرارات بالغة الأهمية للسلامة. ويتيح نهج تسلسل الأفكار للنظام التعبير عن منطقه: «أرصد أحد المشاة بالقرب من ممر العبور. والمشاة مواجه للطريق. وإشارة المرور خضراء بالنسبة إليّ، لكن قد يخطو المشاة إلى الطريق. لذلك سأبطئ السرعة وأستعد للتوقف». ويجعل ذلك قرارات الذكاء الاصطناعي قابلة للتفسير، كما يتوافق مع مبادئ الذكاء الاصطناعي القابل للتفسير (XAI).

تسلسل الأفكار قيد التنفيذ#

مع أن CoT تقنية تُستخدم أساسًا في اللغة الطبيعية، فإنه يمكن تنفيذها برمجيًا لضمان اتساق التفاعلات مع نماذج الرؤية. يوضح مثال Python التالي كيف يمكن لمطور أن ينظم مطالبة لتوجيه LLM (المحاكى هنا) إلى توليد تعليمات برمجية صالحة للاستدلال في منصة Ultralytics.

# Example of structuring a Chain-of-Thought prompt for an LLM
# This prompt guides the model to write a valid YOLO26 inference script

cot_prompt = """
Task: Write a Python script to detect objects using YOLO26.

Chain of Thought:
1. Import the YOLO class from the 'ultralytics' library.
2. Load the 'yolo26n.pt' model weights (the latest nano model).
3. Load a sample image using a URL or local path.
4. Run the predict() function and save the results.

Based on these steps, generate the Python code below:
"""

# In a real application, you would send 'cot_prompt' to an LLM API
print(f"Structured Prompt for LLM:\n{cot_prompt}")

التمييز بين المفاهيم ذات الصلة#

من المهم التمييز بين التلقين بتسلسل الأفكار والمصطلحات المشابهة في مجال التعلم الآلي (ML):

• تسلسل المطالبات: يتضمن ذلك ربط استدعاءات متعددة ومنفصلة للنموذج، بحيث يصبح إخراج إحدى الخطوات إدخالًا للخطوة التالية. يحدث CoT ضمن مطالبة واحدة لاستنباط الاستدلال الداخلي، في حين يعمل تسلسل المطالبات على تنسيق سير عمل عبر تفاعلات متعددة.
• التوليد المعزّز بالاسترجاع (RAG): يركّز RAG على جلب بيانات خارجية (مثل المستندات أو قواعد البيانات) لترسيخ معرفة النموذج. أما CoT فيركّز على عملية الاستدلال نفسها. وغالبًا ما يُدمجان معًا، باستخدام RAG للحصول على الحقائق وCoT للاستدلال بشأنها.
• ضبط المطالبات: هذه طريقة للضبط الدقيق الفعّال من حيث عدد المعلمات، تعمل على تحسين المطالبات الناعمة المستمرة (المتجهات) أثناء التدريب. أما CoT فهو استراتيجية متقطعة قائمة على اللغة الطبيعية، تُطبَّق عند الاستدلال في الوقت الفعلي من دون تغيير أوزان النموذج.

التوقعات المستقبلية#

مع استمرار تطور النماذج الأساسية، أصبح التلقين بتسلسل الأفكار من أفضل الممارسات القياسية لإطلاق كامل إمكاناتها. وتشير الأبحاث التي تجريها جهات مثل Google DeepMind إلى أنه كلما زاد حجم النماذج، تحسنت قدرتها على إجراء الاستدلال باستخدام CoT تحسنًا كبيرًا. ويمهّد هذا التطور الطريق أمام وكلاء أكثر موثوقية واستقلالًا، قادرين على التعامل مع سير عمل معقد في صناعات تمتد من الرعاية الصحية إلى التصنيع الذكي.