وقتی یک درخواست چند هدف را همزمان دنبال میکند، پاسخ هوش مصنوعی ممکن است پراکنده، ناقص یا بیش از حد کلی شود. برای نمونه، برنامهریزی یک سفر خانوادگی فقط انتخاب مقصد نیست؛ بودجه، زمان، رفت‌وآمد، محل اقامت و برنامهٔ روزانه هم باید بررسی شوند.
راه‌حل این است که سؤالهای پیچیده را به چند کار کوچک‌تر و مرتبط تبدیل کنید. در این روش، ابتدا نتیجهٔ نهایی را مشخص می‌کنید، سپس اطلاعات لازم را جمع می‌کنید و هر مرحله را پیش از شروع مرحلهٔ بعدی بازبینی می‌کنید.
چرا باید سؤالهای پیچیده را مرحله‌به‌مرحله پیش ببریم؟
هوش مصنوعی معمولاً میتواند چند کار را در یک پاسخ انجام دهد، اما ترکیب کردن همهٔ آن‌ها در یک پیام، کنترل کیفیت را دشوار میکند. اگر بخشی از اطلاعات ناقص یا مبهم باشد، خطا به بخش‌های بعدی هم منتقل می‌شود.
مرحلهبندی سه فایدهٔ عملی دارد: هدف هر درخواست روشن‌تر می‌شود، اصلاح پاسخ آسان‌تر انجام می‌گیرد و میتوانید تشخیص دهید مشکل دقیقاً در کدام بخش به وجود آمده است. این روش به‌ویژه برای برنامهریزی، مقایسه، آموزش، تهیهٔ فهرست و تصمیم‌گیری کاربرد دارد.
یک سؤال بزرگ را چگونه به چند مرحلهٔ روشن تبدیل کنیم؟
پیش از نوشتن پیام، نتیجه‌ای را که در پایان می‌خواهید روی کاغذ یا در ذهن خود مشخص کنید. سپس مسیر رسیدن به آن را به کارهایی تقسیم کنید که هرکدام خروجی قابل‌بررسی دارند.
- نتیجهٔ نهایی را بنویسید: مشخص کنید در پایان به چه چیزی نیاز دارید؛ مثلاً یک برنامهٔ هفتگی، فهرست خرید یا مقایسهٔ دو گزینه.
- دادههای لازم را جدا کنید: بودجه، زمان، تعداد افراد، محدودیت‌ها، سلیقه‌ها یا اطلاعاتی را که پاسخ به آن‌ها وابسته است، فهرست کنید.
- کارها را به ترتیب منطقی بچینید: معمولاً باید ابتدا اطلاعات و گزینه‌ها بررسی شوند، سپس انتخاب انجام شود و در پایان خروجی نهایی شکل بگیرد.
- برای هر مرحله یک خروجی بخواهید: به‌جای درخواست مبهم، بگویید در پایان آن مرحله چه چیزی تحویل می‌خواهید؛ مانند فهرست سه گزینه با مزایا و معایب هرکدام.
- پیش از ادامه بازبینی کنید: اگر پاسخ مرحله‌ای نادرست، ناقص یا ناسازگار با شرایط شماست، همان‌جا اصلاحش کنید.
قالب ساده برای نوشتن درخواست‌های چندمرحله‌ای
میتوانید هر مرحله را با این چهار بخش بنویسید:
- هدف: در این مرحله دقیقاً چه کاری انجام شود؟
- اطلاعات زمینه‌ای: چه داده‌هایی باید در نظر گرفته شوند؟
- محدودیت: چه چیزهایی نباید نادیده گرفته شوند؟
- نوع خروجی: پاسخ به‌صورت فهرست، جدول، مقایسه یا برنامه ارائه شود؟
یک قالب کاربردی چنین است: «در این مرحله، بر اساس اطلاعات زیر، فقط گزینه‌های مناسب را شناسایی کن. هنوز برنامهٔ نهایی ارائه نده. برای هر گزینه دلیل کوتاهی بنویس و موارد نامطمئن را مشخص کن.» این جمله از مخلوط شدن چند وظیفه جلوگیری میکند.
نمونهٔ عملی: برنامهریزی غذای هفتگی خانواده
درخواست «برای خانوادهٔ چهار نفره یک برنامهٔ غذایی سالم، ارزان و متنوع برای هفته بنویس و فهرست خرید هم بده» چند کار را در خود دارد. اگر همهٔ آن‌ها یک‌جا مطرح شوند، ممکن است برنامه با بودجه یا مواد موجود در خانه سازگار نباشد.
مرحلهٔ اول: روشن کردن شرایط
ابتدا از هوش مصنوعی بخواهید بر اساس تعداد اعضای خانواده، بودجه، تعداد وعده‌ها، حساسیت‌های غذایی، زمان آشپزی و مواد موجود، محدودیت‌ها را مرتب کند. در این مرحله هنوز برنامهٔ نهایی نخواهید؛ هدف، ساختن تصویر دقیق مسئله است.
مرحلهٔ دوم: پیشنهاد گزینه‌ها
حالا میتوانید درخواست کنید برای هر روز چند گزینهٔ قابل‌اجرا پیشنهاد دهد و زمان آماده‌سازی، هزینهٔ تقریبی و امکان استفاده از مواد باقی‌مانده را در نظر بگیرد. اگر پیشنهادی با شرایط خانواده سازگار نیست، همان مورد را اصلاح کنید.
مرحلهٔ سوم: ساخت برنامه و فهرست خرید
پس از انتخاب غذاها، از هوش مصنوعی بخواهید برنامهٔ هفتگی را تنظیم کند و فهرست خرید را بر اساس مقدار موردنیاز بنویسد. این ترتیب کمک میکند فهرست خرید از روی یک برنامهٔ بررسی‌شده ساخته شود، نه از روی حدس اولیه.
چه زمانی تقسیم‌بندی کافی است؟
هر مرحله باید یک تصمیم یا خروجی مشخص داشته باشد. اگر هنوز نمی‌دانید پاسخ یک مرحله چه کاربردی دارد، احتمالاً آن مرحله بیش از حد کلی است و باید کوچک‌تر شود.
از طرف دیگر، تقسیم کردن یک درخواست ساده به پیام‌های متعدد هم فایده‌ای ندارد. برای پرسش‌هایی مانند تعریف یک واژه یا تبدیل یک متن کوتاه، یک درخواست دقیق کافی است. مرحلهبندی زمانی ارزش دارد که وابستگی میان اطلاعات، انتخاب‌ها یا خروجی‌ها وجود داشته باشد.
اشتباه‌هایی که دقت پاسخ را کم می‌کنند
- شروع با درخواست نهایی و مبهم: عباراتی مانند «همه‌چیز را کامل بررسی کن» مشخص نمی‌کنند چه چیزی باید بررسی شود.
- تغییر دادن معیارها در میانهٔ کار: اگر بودجه یا اولویت شما عوض شد، آن را صریح اعلام کنید تا پاسخهای قبلی مبنای نادرست نسازند.
- اعتماد بی‌بررسی به مرحلهٔ قبلی: خروجی تولیدشده واقعیت قطعی نیست و باید با اطلاعات واقعی شما سنجیده شود.
- درخواست چند خروجی نامرتبط: وقتی همزمان تحلیل، متن نهایی، جدول و توصیه می‌خواهید، ممکن است هیچ‌کدام با دقت کافی تولید نشوند.
جمع‌بندی: مرحلهبندی را به یک مسیر قابل‌کنترل تبدیل کنید
برای اینکه سؤالهای پیچیده را به چند مرحله تقسیم کنیم، ابتدا نتیجهٔ نهایی، دادههای لازم و محدودیت‌ها را مشخص می‌کنیم؛ سپس کارها را به ترتیب وابستگی پیش می‌بریم و خروجی هر مرحله را بازبینی می‌کنیم. این روش تعداد پیامها را بی‌دلیل زیاد نمی‌کند، بلکه کمک میکند پاسخ هوش مصنوعی دقیق‌تر، قابل‌اصلاح‌تر و متناسب با نیاز واقعی شما باشد.
