باختصار
Least-to-Most Prompting (التوجيه من الأسهل للأصعب) نوع من Prompt Chaining بيقسّم المشكلة المعقّدة لمجموعة مرتّبة من المشاكل الأبسط، ويحلّهم بالترتيب.
بالتفصيل
الطريقة حسب مسرد Google:
- قسّم المشكلة لقائمة مرتّبة من مشاكل فرعية أبسط، ونفترض إنهم تلاتة.
- الموجّه الأوّل: اطلب من النموذج يحلّ المشكلة الفرعية الأولى، فيرجّع الإجابة الأولى.
- الموجّه التاني: حطّ الإجابة الأولى (أو جزء منها) جوّه الموجّه عشان يحلّ المشكلة التانية.
- الموجّه التالت: نفس الفكرة، وإجابته هي الحلّ النهائي للمشكلة الأصلية.
كل خطوة بتعتمد على حلّ اللي قبلها.
ليه اتعملت؟ الورقة الأصلية (2022) لاحظت إن Chain-of-Thought Prompting (التوجيه بسلسلة الأفكار) أداؤها بيضعف لما المشكلة أصعب من الأمثلة اللي في الموجّه. فالباحثين اقترحوا الطريقة دي عشان النموذج يقدر يعمّم من الأسهل للأصعب.
مثال عملي
النتيجة الأبرز في الورقة: نموذج GPT-3 بإصدار code-davinci-002 مع الطريقة دي حلّ اختبار SCAN للتعميم التركيبي بدقّة لا تقلّ عن 99% باستخدام 14 مثال بس، مقابل 16% مع سلسلة الأفكار. والنماذج المتخصّصة في SCAN كانت بتتدرّب على أكتر من 15 ألف مثال.
تطبيق يومي: عايز تكتب خطّة تسويق كاملة؟ بدل ما تطلبها مرّة واحدة: اطلب الأوّل وصف الجمهور المستهدف، وبعدين حطّ الوصف ده في موجّه يطلب الرسايل المناسبة، وبعدين حطّ الرسايل في موجّه يطلب الخطّة.
مصطلحات مرتبطة
- Prompt Chaining — تسلسل الموجّهات.
- Chain-of-Thought Prompting — التوجيه بسلسلة الأفكار.
- Tree-of-Thought Prompting — التوجيه بشجرة الأفكار.
- Task Decomposition — تفكيك المهام.
المصادر: Google ML Glossary، arXiv — Least-to-Most Prompting (Zhou et al.) — 2022-05-21
