مطالبة سلسلة التفكير (Chain of Thought) في 2026: متى تنجح ومتى تنقلب ضدك

لدى مطالبة سلسلة التفكير مشكلة في 2026 تتجاهلها معظم الأدلة الكبرى: الحيلة نفسها التي جعلت النماذج أذكى في 2022 قد تجعل نموذج استدلال اليوم أسوأ بصمت. قدّمها Wei وزملاؤه في 2022، ورفعت دقة النماذج في الرياضيات والمنطق الصعبين من خلال جعلها تُظهر خطوات تفكيرها. لكن كان هناك شرط: لم تعمل إلا بعد أن تجاوزت النماذج نحو 100 مليار معامل. أما اليوم فسلسلة o ونماذج GPT-5 الاستدلالية تنفّذ هذا التفكير داخلياً، فتوجيهها لـ"التفكير خطوة بخطوة" غالباً ما يُهدر الرموز فقط. فمتى ما زلت بحاجة لاستخدامها، ومتى عليك تجاهلها؟

أبرز النقاط:

• تُظهر مطالبة سلسلة التفكير خطوات تفكير النموذج وترفع الدقة في الرياضيات والمنطق والبرمجة متعددة الخطوات.
• إنها قدرة ناشئة: بالكاد تفيد النماذج الصغيرة، ونماذج الاستدلال تنفّذها داخلياً بالفعل.
• في سلسلة o وGPT-5 الاستدلالي وتفكير Claude الموسّع، كتابة "فكّر خطوة بخطوة" يدوياً غالباً زائدة عن الحاجة.
• ما زلنا نستخدم CoT اليدوية في النماذج غير الاستدلالية والمفتوحة المصدر المحلية، أو حين نحتاج مساراً قابلاً للتدقيق.

ما هي مطالبة سلسلة التفكير؟

مطالبة سلسلة التفكير (Chain of Thought / CoT) هي أسلوب يطلب من نموذج اللغة أن يحل المسألة عبر خطوات وسيطة صريحة قبل تقديم الإجابة النهائية. قدّمها Wei وزملاؤه في 2022، وهي تُحسّن الدقة في مهام الرياضيات والمنطق والحس السليم متعددة الخطوات، كما تجعل تفكير النموذج مرئياً.

اسأل نموذجاً عادياً مسألة كلامية مباشرة، وغالباً ما يلفظ رقماً خاطئاً. اطلب منه أن يفكر أولاً، وترتفع فرص النجاح فوراً. خذ مثالاً: "رفّ يحتوي 3 صناديق، كل صندوق فيه 7 كتب؛ أزلت 5 كتب. كم تبقّى؟" بلا تفكير، قد يجيب نموذج صغير "واحد وعشرون". أضف عبارة "لنفكر خطوة بخطوة" فيكتب: 3 × 7 = 21، ثم 21 - 5 = 16. النموذج نفسه، لكن إجابة أفضل، وتستطيع أن ترى أين زلّ إن أخطأ. CoT أداة واحدة ضمن مجموعة أدوات أوسع نغطيها في دليل هندسة الأوامر لدينا؛ هذا المقال يركّز عليها حصراً.

كيف تعمل (ولماذا لم تنجح إلا عند التوسع)؟

تعمل CoT بجعل النموذج يولّد مسار تفكير بلغة طبيعية رمزاً تلو الآخر، بحيث تؤثر كل نتيجة وسيطة على ما يليها. وجد Wei وزملاؤه (2022) أن هذه قدرة ناشئة (emergent ability): بالكاد تفيد النماذج الصغيرة، ولا تُحدث مكاسب دقة كبيرة إلا بعد أن تتجاوز النماذج نحو 100 مليار معامل.

تخيّلها مثل إظهار خطوات حلّك في حصة الرياضيات. النموذج يتنبأ برمز واحد في كل مرة، وكل كلمة يكتبها تصبح جزءاً من مدخلات الكلمة التالية. حين يكتب "21" كنتيجة وسيطة، تبقى "21" في السياق وتوجّه الخطوة الأخيرة نحو "16". أما إذا تخطّى الخطوات، فعلى النموذج أن يقفز مباشرة إلى الإجابة دون أي سند. والغريب أن هذه الفائدة لا تظهر إلا عند التوسع. في الورقة التأسيسية، وجد فريق Wei أن النماذج الصغيرة جداً لم تستفد تقريباً، بل أدّت أحياناً بشكل أسوأ. لهذا فإن الموجّه نفسه الذي يفشل على نموذج محلي بحجم 7B قد يحوّل نموذجاً متطوراً بالكامل.

الأنواع الثلاثة: Zero-Shot وFew-Shot والاتساق الذاتي

هناك ثلاثة أنواع رئيسية من CoT. Zero-shot CoT تكتفي بإضافة عبارة "لنفكر خطوة بخطوة" (Kojima وزملاؤه، 2022). Few-shot CoT تعرض أمثلة تفكير محلولة مسبقاً. أما الاتساق الذاتي (Self-consistency) (Wang وزملاؤه، 2022) فيأخذ عدة مسارات تفكير ويصوّت على الإجابة الأغلبية، وهو الأكثر موثوقية والأغلى تكلفة بين الثلاثة.

Zero-shot هي الحيلة السحرية الكسولة: تضيف جملة واحدة فيبدأ النموذج بالتفكير دون أي أمثلة. أظهر Kojima وزملاؤه أن عبارة "لنفكر خطوة بخطوة" وحدها تحوّل نموذجاً كبيراً إلى مُستدلّ لا بأس به في وضع zero-shot.

# Zero-shot CoT: append the trigger phrase. Best on non-reasoning models.
# Model names change fast, so treat the string below as a placeholder.
from openai import OpenAI
client = OpenAI()

prompt = (
    "Q: A shelf holds 3 boxes. Each box has 7 books. "
    "I remove 5 books. How many are left?\n"
    "A: Let's think step by step."
)

resp = client.chat.completions.create(
    model="your-non-reasoning-model",
    messages=[{"role": "user", "content": prompt}],
)
print(resp.choices[0].message.content)

Few-shot CoT تذهب أبعد: تعطي النموذج مثالين أو ثلاثة محلولين ليقلّد نمط التفكير في مجالك. أما الاتساق الذاتي فهو مقياس ضبط الدقة: بدل الوثوق بمسار واحد، تأخذ خمس عينات بدرجة حرارة أعلى وتترك التصويت يحسم. وجد Wang وزملاؤه أن إجابة الأغلبية عادة صحيحة حتى حين تنحرف بعض المسارات الفردية.

# Self-consistency: sample N reasoning paths, majority-vote the answer.
# More accurate, more expensive. Wang et al., 2022.
from collections import Counter

def self_consistency(prompt, n=5, temperature=0.7):
    answers = []
    for _ in range(n):
        resp = client.chat.completions.create(
            model="your-non-reasoning-model",
            messages=[{"role": "user", "content": prompt}],
            temperature=temperature,  # diversity across paths
        )
        answers.append(extract_final_answer(resp.choices[0].message.content))
    return Counter(answers).most_common(1)[0][0]  # majority vote

أتريد ذلك التفكير كـJSON منظّم بدل نص حر؟ اجمع بين CoT وأنماط دليل المخرجات المنظمة لدينا كي تستطيع خطوة لاحقة تحليله.

تحول 2026: نماذج الاستدلال غيّرت القواعد

نماذج الاستدلال، أي سلسلة o من OpenAI وGPT-5 الاستدلالي، وتفكير Claude الموسّع، وDeepSeek R1، تنفّذ سلسلة التفكير داخلياً قبل الإجابة. توجيهات OpenAI نفسها تقول صراحة إن مطالبة هذه النماذج بـ"التفكير خطوة بخطوة" غير ضرورية، وإن مطالبة نموذج استدلال بالتفكير أكثر قد يضر الأداء فعلياً. البنية الداعمة موجودة بالفعل داخل النموذج.

هذا هو الجزء الذي تتجاهله الأدلة القديمة وكأنه لا يحدث. نموذج الاستدلال يولّد سلسلة تفكير خاصة قبل أن يُظهر لك أي إجابة، فالخطوة بخطوة التي كنت تكتبها يدوياً تحدث الآن تحت الغطاء. تقول أفضل ممارسات الاستدلال من OpenAI بوضوح: "تجنّب مطالبات سلسلة التفكير: بما أن هذه النماذج تنفّذ الاستدلال داخلياً، فإن مطالبتها بـ'التفكير خطوة بخطوة' أو 'شرح تفكيرك' أمر غير ضروري." ويذهب دليل OpenAI للمطالبة بنماذج o3/o4-mini خطوة أبعد: "مطالبة نموذج استدلال بالتفكير أكثر قد يضر الأداء فعلياً."

التفكير الموسّع من Anthropic هو الفكرة نفسها في صورة منتج جاهز. تمنح Claude ميزانية تفكير بدل نص خطوة بخطوة، وأحدث النماذج تقرر بنفسها عمق تفكيرها. في هذه الفئة من النماذج تضبط reasoning_effort أو ميزانية التفكير، لا الصياغة. أما بالنسبة للنماذج الاستدلالية المفتوحة، بما فيها DeepSeek R1، فراجع مقارنتنا Qwen مقابل DeepSeek مقابل GLM.

متى لا تزال CoT اليدوية تفيد ومتى تنقلب ضدك

لا تزال CoT اليدوية تفيد في النماذج غير الاستدلالية والصغيرة أو المفتوحة المصدر المحلية، أو حين تحتاج بنية تفكير واحدة محددة أو مساراً قابلاً للتدقيق. لكنها ترتد سلباً على نماذج الاستدلال الأصلية (فهي زائدة وأبطأ)، وعلى المهام البسيطة أحادية الخطوة، وعلى المسارات الحساسة للكمون أو التكلفة، حيث تُهدر الرموز فقط دون أي مكسب في الدقة.

إليك مثالاً حقيقياً من عملنا نحن. خط الأنابيب المكوّن من 12 وكيلاً الذي كتب هذا المقال يعمل على نماذج Claude، ونحن متعمّدون في ألا نطلب أبداً من تلك الوكلاء "التفكير خطوة بخطوة"، لأن النماذج تفكر داخلياً بالفعل ولن يزيد ذلك سوى ضوضاء. ما نكتبه يدوياً فعلاً هو بنى تفكير صارمة وقابلة للبحث فيها بالنص. وكيل التدقيق لدينا يطبّق معياراً ثابتاً من 100 نقطة (50 للجودة و50 لتحسين محركات البحث) إضافة إلى ثماني بوابات فحص متتالية. وكيل الترجمة يتبع قائمة تحقق محددة: مطابقة عدد عناوين H2 في المصدر، وتشغيل بحث علامات تشكيل يجب أن يعيد أكثر من صفر، والبقاء ضمن نطاق عدد أسطر بين 80 و120 بالمئة. وكيل النشر يشغّل بوابات قبل النشر وبعده تتحقق عبر regex من قيمة تاريخ ووقت publishedAt، ثم يستعلم من نظام إدارة المحتوى للتأكد من أن المحتوى ليس فارغاً.

لا شيء من ذلك يتعلق بمزيد من التفكير. إنه مسار ثابت وقابل للتدقيق نستطيع فحصه والبحث فيه، وهذا بالضبط ما تعنيه حالة "CoT اليدوية ما زالت تفيد". أضفنا هذه البوابات لسبب محدد: قيمة publishedAt بتاريخ فقط دون وقت أخفت مرة مقالاً كاملاً بصمت عن فهرس مدونتنا، فأصبح تسلسل الخطوات الصارم موجوداً الآن لمنع النموذج من تخطي أي تحقق. تنويه صادق واحد: هذه ملاحظة تشغيلية وليست معياراً قياسياً. لم نُجرِ اختبار A/B مضبوطاً لدقة "فكّر خطوة بخطوة" مقابل عدم إعطاء أي تعليمة، فتعامل معها كدرس في البنية وقابلية التدقيق، لا كادعاء بأرقام.

هل تشغّل نماذج محلية ما زالت CoT اليدوية تجدي فيها نفعاً؟ يغطي مقالنا أفضل النماذج مفتوحة المصدر لعام 2026 هذا المجال. وإن كنت تعرض يوماً سلسلة تفكير نموذج على المستخدمين، فتعامل معها كمخرجات غير موثوقة؛ يشرح دليلنا الوقاية من حقن الأوامر السبب.

التكلفة الخفية: الرموز والكمون وفاتورتك

CoT ليست مجانية. كل خطوة تفكير هي رموز إخراج (output tokens) تدفع ثمنها، وكلما طال الناتج ارتفع الكمون. نماذج الاستدلال تفوترك أيضاً رموز استدلال (reasoning tokens) خفية إضافة إلى الإجابة المرئية. في نقاط النهاية عالية الحجم أو في الزمن الحقيقي، فرض ناتج خطوة بخطوة قد يضاعف التكلفة بصمت، لذا خصص ميزانية لذلك أو قيّده عبر reasoning_effort.

كل "الخطوة 1، الخطوة 2، الخطوة 3" التي يكتبها النموذج هي رموز إخراج، ورموز الإخراج هي النوع المكلف. سلسلة أطول بخمس مرات من الإجابة المجردة تكلّف تقريباً خمسة أضعاف على ذلك الاستدعاء، وتصلك أبطأ. نماذج الاستدلال تضيف التفافة أخرى: تفوترك رموز استدلال مقابل التفكير الداخلي الذي لا تراه أبداً، فقد تُخفي إجابة نهائية قصيرة سلسلة طويلة مدفوعة الثمن. على نقطة نهاية منخفضة الحجم هذا مجرد ضوضاء؛ أما على نقطة عالية الحركة فيتراكم سريعاً. عادتان تُبقيان الأمر معقولاً. خزّن الأجزاء الثابتة من سياقك مؤقتاً كي لا تدفع لإعادة قراءتها (يوضّح دليل التخزين المؤقت للمطالبات لدينا الطريقة)، وقِس ما إذا كانت الرموز الإضافية تشتري فعلاً دقة أعلى قبل نشر CoT في كل مكان. يغطي دليل تقييم LLM لدينا ذلك القياس، كي لا تدفع مقابل استدلال لا يحرّك النتيجة.

كيف تستخدم CoT في 2026: قائمة قرار

أولاً، حدد فئة نموذجك. على نموذج استدلال، تجاوز CoT اليدوية واضبط reasoning_effort أو ميزانية التفكير بدلاً منها. على نموذج غير استدلالي أو محلي، أضف zero-shot "لنفكر خطوة بخطوة"، وارتقِ إلى few-shot للمهام المتخصصة، ولا تضف الاتساق الذاتي إلا حين تكون الدقة أهم من تكلفة الرموز.

إليك القرار كاملاً في خمس خطوات:

1. حدد فئة نموذجك. نموذج استدلال أم لا؟ هذه الحقيقة الواحدة تحدد كل ما يلي.
2. على نموذج استدلال، لا تكتب CoT يدوياً. اضبط reasoning_effort أو ميزانية التفكير بدلاً من ذلك، ودع النموذج يفكر داخلياً.
3. على نموذج غير استدلالي أو محلي، أضف zero-shot "لنفكر خطوة بخطوة". إنها سطر واحد ومجانية التجربة.
4. للمهام المتخصصة، ارتقِ إلى few-shot CoT مع مثالين أو ثلاثة محلولين. أضف الاتساق الذاتي فقط حين تتفوق الدقة على تكلفة الرموز.
5. إن كشفت عن التفكير، قِسه بالتقييمات وتعامل مع السلسلة المرئية كمخرجات غير موثوقة.

العبارة المحفّزة نفسها تعيش عادة في موجّه النظام لديك. يوضّح أمثلة موجّهات النظام لدينا أين تضعها وكيف تصيغها.

# On a reasoning model, don't hand-write CoT. Tune the effort instead.
# Param names and levels change per provider and version, so check current docs.
resp = client.responses.create(
    model="your-reasoning-model",
    reasoning={"effort": "medium"},   # e.g. low | medium | high
    input="Prove that the square root of 2 is irrational.",
)

# Anthropic equivalent: an extended-thinking budget.
# budget_tokens MUST be less than max_tokens.
# thinking = {"type": "enabled", "budget_tokens": 4000}

ربط هذا بحزمة إنتاجية أكثر تعقيداً مما يوحي به مثال في مدونة. إن كنت تفضّل عدم ضبط ميزانيات الاستدلال وأطر التقييم بنفسك، فريقنا يبني خطوط الأنابيب هذه من الطرف إلى الطرف. راجع تكامل الذكاء الاصطناعي أو تواصل معنا.

عن الكاتب

Mert Batur Gurbuz هو المؤسس المشارك لـTechsy.io، حيث يقدّم الفريق وكلاء ذكاء اصطناعي، وأنظمة أتمتة، وخطوط أنابيب صوتية/SDR لعملاء B2B. يدرس في جامعة برمنغهام (University of Birmingham) ويكتب عن حزمة أدوات LLM التي يستخدمها فريق Techsy فعلياً في الإنتاج.

المؤسس المشارك، Techsy.io — جامعة برمنغهام. تواصل عبر LinkedIn.

الأسئلة الشائعة

هل ما زالت مطالبة سلسلة التفكير ذات صلة في 2026؟

نعم، لكن دورها تقلّص. في النماذج غير الاستدلالية والصغيرة أو المفتوحة المصدر المحلية، ما زالت CoT اليدوية ترفع الدقة في المهام متعددة الخطوات. أما في نماذج الاستدلال فهي زائدة في الغالب. أقوى استخدام متبقٍّ لها هو فرض مسار تفكير واحد ثابت وقابل للتدقيق يمكنك فحصه.

هل تعمل مطالبة سلسلة التفكير على نماذج استدلال مثل GPT-5 أو o3 أو Claude؟

هذه النماذج تفكر داخلياً بالفعل، لذا فإن CoT اليدوية زائدة عادة وضارة أحياناً. توثيق OpenAI يقول إن مطالبتها بـ"التفكير خطوة بخطوة" غير ضرورية، وإن مطالبتها بالتفكير أكثر "قد يضر الأداء فعلياً". اضبط جهد الاستدلال بدل كتابة الخطوات.

ما هو Zero-Shot CoT؟

Zero-shot CoT يعني إضافة عبارة محفّزة، عادة "لنفكر خطوة بخطوة"، دون تقديم أي أمثلة محلولة مسبقاً. أظهر Kojima وزملاؤه (2022) أن هذا وحده يحوّل نموذجاً كبيراً إلى مُستدلّ لا بأس به. إنه أرخص أنواع CoT: سطر واحد، بلا حاجة لإعداد أمثلة، وسريع الاختبار.

ما هو الاتساق الذاتي في مطالبة سلسلة التفكير؟

الاتساق الذاتي، من Wang وزملائه (2022)، يأخذ عدة سلاسل تفكير مستقلة بدرجة حرارة أعلى، ثم يصوّت على الإجابة النهائية بالأغلبية. إنه أدق أنواع CoT لأن السلاسل الخاطئة نادراً ما تتفق، لكنك تدفع مقابل كل مسار يتم أخذ عينة منه، لذا فهو الأغلى أيضاً.

ما الفرق بين مطالبة سلسلة التفكير والمطالبة بـ Few-Shot؟

Few-shot prompting تعرض على النموذج أزواج مدخلات-مخرجات كأمثلة. أما سلسلة التفكير فتركّز على التفكير الواقع بين المدخل والمخرج. يجتمعان جيداً: Few-shot CoT تقدّم أمثلة محلولة تتضمن خطوات التفكير، فيقلّد النموذج نمط تفكيرك، لا مجرد تنسيق إجابتك.

سلسلة التفكير مقابل تسلسل المطالبات مقابل شجرة التفكير: ما الفرق؟

سلسلة التفكير تفكر داخل مطالبة واحدة. أما تسلسل المطالبات (Prompt Chaining) فيقسّم المهمة عبر عدة استدعاءات منفصلة للنموذج، وتُمرَّر المخرجات إلى الأمام. وشجرة التفكير (Tree of Thought) تستكشف عدة فروع تفكير وتستبعد الضعيفة منها. CoT مسار خطي واحد؛ بينما يضيف الأسلوبان الآخران بنية خارجية حول النموذج.

من اخترع مطالبة سلسلة التفكير؟

قدّم Jason Wei وزملاؤه في Google مطالبة سلسلة التفكير في ورقة 2022 بعنوان "Chain-of-Thought Prompting Elicits Reasoning in Large Language Models". أضاف Kojima وزملاؤه لاحقاً Zero-shot CoT، وأضاف Wang وزملاؤه الاتساق الذاتي، وكلاهما أيضاً في 2022.

هل تعمل مطالبة سلسلة التفكير في توليد الأكواد؟

نعم، على النماذج غير الاستدلالية. مطالبة النموذج بتخطيط المنطق قبل كتابة الكود يلتقط الحالات الحدّية ويقلل الأخطاء في المهام المعقدة. أما على نماذج الاستدلال فيحدث التخطيط داخلياً، لذا فإن تعليمة بسيطة تعمل عادة أفضل من بادئة مكتوبة يدوياً مثل "فكّر خطوة بخطوة".