Chain-of-Thought Prompting

التوجيه التسلسلي للتفكير (CoT) هو تقنية متقدمة في الهندسة التوجيهية تتيح لنماذج اللغات الكبيرة (LLMs) حل مهام الاستدلال المعقدة عن طريق تقسيمها إلى خطوات منطقية وسيطة. بدلاً من مطالبة النموذج بتقديم إجابة نهائية فورية، يشجع التوجيه التسلسلي للتفكير النظام على توليد "سلسلة تفكير" محاكاة لعملية حل المشكلات البشرية. هذا الاستدلال خطوة بخطوة يحسن بشكل ملحوظ الأداء في المهام التي تتضمن الحساب، والمنطق الرمزي، والاستدلال السليم، مما يحول طريقة تفاعلنا مع أنظمة الذكاء الاصطناعي (AI).

آلية الاستدلال#

غالبًا ما تواجه النماذج اللغوية القياسية صعوبة في حل المشكلات متعددة الخطوات لأنها تحاول ربط المدخلات بالمخرجات مباشرة في تمريرة واحدة. يمكن لهذا النهج القائم على "الصندوق الأسود" أن يؤدي إلى حدوث أخطاء، خاصة عندما تكون القفزة المنطقية كبيرة جدًا. تعالج استراتيجية التفكير المتسلسل (CoT) ذلك عن طريق إدراج خطوات استدلالية بين سؤال الإدخال والمخرجات النهائية.

تعمل هذه العملية عمومًا بطريقتين:

• التفكير المتسلسل بصفر من الأمثلة (Zero-Shot CoT): يقوم المستخدم بإلحاق عبارة تحفيزية بسيطة مثل "دعنا نفكر خطوة بخطوة" بالأمر. هذا ينشط قدرات الاستدلال الكامنة لدى النموذج دون الحاجة إلى أمثلة محددة.
• التوجيه التسلسلي للتفكير قليل الأمثلة: يتضمن التوجيه أمثلة قليلة (أمثلة توضيحية) للأسئلة مقترنة بحلولها خطوة بخطوة. يستفيد هذا من التعلم قليل الأمثلة ليظهر للنموذج بدقة كيفية هيكلة منطقه قبل محاولة حل مشكلة جديدة.

من خلال توليد الاستدلال الوسيط صراحةً، يحصل النموذج على فرص أكبر لتصحيح أخطائه ويوفر شفافية بشأن كيفية وصوله إلى الاستنتاج. هذا أمر بالغ الأهمية لتقليل الهلوسة في نماذج اللغات الكبيرة، حيث قد تذكر النماذج بخلاف ذلك حقائق غير صحيحة بثقة.

تطبيقات العالم الحقيقي#

على الرغم من تطويرها في البداية للمنطق القائم على النصوص، إلا أن لاستراتيجية التفكير المتسلسل تطبيقات قوية عند دمجها مع مجالات الذكاء الاصطناعي الأخرى، مثل الرؤية الحاسوبية وتوليد الأكواد.

تعزيز توليد الأكواد للرؤية الحاسوبية#

يستخدم المطورون التوجيه التسلسلي للتفكير لتوجيه نماذج اللغات الكبيرة في كتابة نصوص برمجية معقدة لمهام مثل اكتشاف الكائنات. بدلاً من طلب غامض مثل "اكتب كوداً للعثور على السيارات"، قد يهيكل التوجيه التسلسلي للتفكير الطلب هكذا: "أولاً، استورد المكتبات اللازمة. ثانياً، قم بتحميل النموذج المدرب مسبقاً. ثالثاً، حدد مصدر الصورة. وأخيراً، قم بتشغيل حلقة التنبؤ." هذا النهج المنظم يضمن أن الكود الناتج لنماذج مثل YOLO26 صحيح نحوياً وسليم منطقياً.

اتخاذ القرار الذاتي#

في مجال المركبات ذاتية القيادة، يجب على الأنظمة معالجة البيانات المرئية واتخاذ قرارات حرجة تتعلق بالسلامة. يتيح نهج التوجيه التسلسلي للتفكير للنظام التعبير عن منطقه: "أنا أكتشف أحد المشاة بالقرب من ممر المشاة. المشاة يواجه الطريق. إشارة المرور خضراء بالنسبة لي، لكن المشاة قد يخطو للخارج. لذلك، سأبطئ السرعة وأستعد للتوقف." هذا يجعل قرارات الذكاء الاصطناعي قابلة للتفسير وتتماشى مع مبادئ الذكاء الاصطناعي القابل للتفسير (XAI).

التفكير المتسلسل قيد التنفيذ#

على الرغم من أن التوجيه التسلسلي للتفكير هو في الأساس تقنية لغة طبيعية، إلا أنه يمكن تنفيذه برمجياً لضمان تفاعلات متسقة مع نماذج الرؤية. يوضح مثال [Python] التالي كيف يمكن للمطور هيكلة توجيه لتوجيه نموذج لغات كبير (محاكى هنا) في توليد كود استدلال صالح لـ 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 التوجيه التسلسلي للتفكير والمصطلحات المشابهة في مشهد التعلم الآلي (ML):

• تسلسل التوجيه: يتضمن هذا ربط عدة استدعاءات نموذجية منفصلة، حيث تصبح مخرجات خطوة واحدة مدخلات للخطوة التالية. يحدث التوجيه التسلسلي للتفكير داخل توجيه واحد لاستنباط الاستدلال الداخلي، بينما ينظم تسلسل التوجيه سير عمل عبر تفاعلات متعددة.
• التوليد المعزز بالاسترجاع (RAG): يركز التوليد المعزز بالاسترجاع (RAG) على جلب بيانات خارجية (مثل المستندات أو قواعد البيانات) لتأسيس معرفة النموذج. يركز التوجيه التسلسلي للتفكير على عملية الاستدلال نفسها. غالباً ما يتم الجمع بينهما—باستخدام RAG للحصول على الحقائق والتوجيه التسلسلي للتفكير للاستدلال عليها.
• ضبط التوجيه: هذه طريقة ضبط دقيق ذات كفاءة في المعلمات تحسين التوجيهات الناعمة المستمرة (المتجهات) أثناء التدريب. التوجيه التسلسلي للتفكير هو إستراتيجية لغة طبيعية منفصلة يتم تطبيقها في الاستدلال في الوقت الفعلي دون تغيير أوزان النموذج.

النظرة المستقبلية#

مع استمرار تطور النماذج الأساسية، يصبح التوجيه التسلسلي للتفكير أفضل ممارسة قياسية لإطلاق العنان لإمكاناتهم الكاملة. تشير الأبحاث الصادرة عن مجموعات مثل Google DeepMind إلى أنه كلما زاد حجم النماذج، تحسنت قدرتهم على أداء استدلال التوجيه التسلسلي للتفكير بشكل كبير. يمهد هذا التطور الطريق لوكلاء أكثر موثوقية وذاتية القادرة على التعامل مع مهام العمل المعقدة في صناعات تتراوح من الرعاية الصحية إلى التصنيع الذكي.