ধাপে ধাপে চিন্তা — Chain-of-Thought

১ · Chain-of-Thought আসলে কী?

Chain-of-Thought (CoT)Chain-of-Thoughtএকটি প্রম্পটিং কৌশল যেখানে মডেলকে চূড়ান্ত উত্তর দেওয়ার আগে মধ্যবর্তী যুক্তির ধাপগুলো স্পষ্টভাবে লিখতে উৎসাহিত করা হয় — অনেকটা মানুষ কাগজে অঙ্ক কষার মতো। মানে হলো — মডেলকে সরাসরি চূড়ান্ত উত্তরে না গিয়ে, প্রথমে সমস্যাটিকে ছোট ছোট যুক্তির ধাপে ভেঙে "ভাবতে" বলা।

পাঠ ০১-এর প্রেক্ষাপটে এটি ব্যাখ্যা করা যায় এভাবে — মডেল যেহেতু টোকেন-বাই-টোকেন পরবর্তী সম্ভাবনা অনুমান করে, তাই যদি সে মাঝপথের যুক্তি না লিখে সরাসরি একটি সংখ্যা বা উপসংহার বসিয়ে দেয়, তাহলে সেই একটি টোকেন ভুল হলে পুরো উত্তর ভুল। কিন্তু যদি মডেল প্রথমে ধাপে ধাপে যুক্তি "লিখে ফেলে" (প্রতিটি ধাপ পরের ধাপের প্রেক্ষাপট হয়ে ওঠে), তাহলে প্রতিটি নতুন টোকেন আগের সঠিক যুক্তির উপর ভিত্তি করে অনুমান হয় — যা জটিল গণিত, লজিক ও মাল্টি-স্টেপ সমস্যায় নির্ভুলতা উল্লেখযোগ্যভাবে বাড়ায়।

২ · যে জিনিসটা বদলে গেছে — Adaptive Thinking

কয়েক বছর আগে পর্যন্ত, CoT ছিল সম্পূর্ণভাবে প্রম্পট-লেখকের দায়িত্ব — আপনাকে নিজে থেকে "let's think step by step" বা অনুরূপ বাক্য লিখে মডেলকে যুক্তি লিখতে বাধ্য করতে হতো। ২০২৬ সালে এই চিত্র বদলে গেছে। Claude-এর সাম্প্রতিক মডেলগুলো ব্যবহার করে adaptive thinking — মডেল নিজে থেকেই সিদ্ধান্ত নেয় কখন এবং কতটা গভীরভাবে "ভাবা" দরকার, যা একটি `effort` প্যারামিটার এবং প্রশ্নের জটিলতা অনুযায়ী ক্যালিব্রেট করা হয়।

ব্যবহারিক অর্থে — একটি সহজ প্রশ্নে ("ঢাকার রাজধানী কোন দেশের?") মডেল প্রায় কোনো অতিরিক্ত "চিন্তা" ছাড়াই সরাসরি উত্তর দেয়। কিন্তু একটি জটিল গাণিতিক প্রমাণ বা মাল্টি-স্টেপ কোডিং সমস্যায়, একই মডেল নিজে থেকেই বেশি সময় নিয়ে ধাপে ধাপে যুক্তি "চিন্তা" করে, তারপর চূড়ান্ত উত্তর দেয় — এটি ব্যবহারকারীকে ম্যানুয়ালি "step by step ভাবো" লিখতে হয় না।

৩ · কীভাবে নির্দেশনা দেবেন — প্রেসক্রিপটিভ নয়, সাধারণ

Anthropic-এর গাইডলাইন এখানে একটি গুরুত্বপূর্ণ পরামর্শ দেয় — নির্দিষ্ট ধাপ-ভিত্তিক পরিকল্পনা লিখে দেওয়ার বদলে (যেমন "প্রথমে X করো, তারপর Y করো, তারপর Z করো"), সাধারণ নির্দেশনা দেওয়া ভালো (যেমন "পুরোপুরি ভেবে দেখো")। কারণ — মডেলের নিজস্ব reasoning process প্রায়ই আপনার হাতে-লেখা পরিকল্পনার চেয়ে বেশি কার্যকর ও নমনীয়, বিশেষত এমন সমস্যায় যেখানে সঠিক পদ্ধতি আগে থেকে অনুমান করা কঠিন।

❌ কম কার্যকর (Less effective) — অতিরিক্ত প্রেসক্রিপটিভ ধাপ:

Solve this step by step: Step 1, identify the variables.
Step 2, write the equation. Step 3, isolate X. Step 4, check
your answer by substituting back in.

✅ বেশি কার্যকর (More effective) — সাধারণ, খোলামেলা নির্দেশনা:

Think through this problem thoroughly before answering, and verify
your final answer before responding.

দ্বিতীয় প্রম্পটটি মডেলকে তার নিজস্ব সবচেয়ে উপযুক্ত পদ্ধতি বেছে নেওয়ার স্বাধীনতা দেয়, অথচ এখনো স্পষ্টভাবে যুক্তি ও যাচাই করার নির্দেশ দেয় — এটাই "general instruction over prescriptive plan" নীতির বাস্তব প্রয়োগ।

৪ · <thinking>/<answer> ট্যাগ প্যাটার্ন — ম্যানুয়াল ফলব্যাক

যেসব ক্ষেত্রে মডেলের বিল্ট-ইন adaptive thinking যথেষ্ট নয়, বা আপনি চান মডেলের যুক্তি-প্রক্রিয়া ও চূড়ান্ত উত্তর স্পষ্টভাবে আলাদা থাকুক, সেখানে ম্যানুয়ালি `` ও `` ট্যাগ ব্যবহার করা যায় — পাঠ ০৬-এ আলোচিত XML গঠন-কৌশলের সরাসরি প্রয়োগ। এটি এখনো একটি বৈধ ও কার্যকর ফলব্যাক প্যাটার্ন।

A store had 84 apples. They sold 37 in the morning and received
a new shipment of 52 in the afternoon. How many apples do they
have now?

Work through this in <thinking> tags, then give your final
answer in <answer> tags.

৫ · স্ব-যাচাই — একটি সহজ কিন্তু শক্তিশালী সংযোজন

একটি ছোট কিন্তু কার্যকর কৌশল হলো — মডেলকে তার নিজের উত্তর জমা দেওয়ার আগে যাচাই করতে বলা। যেমন — "verify your answer against [test criteria] before finalizing it।" এই একটি নির্দেশনা কোডিং ও গণিতের মতো ক্ষেত্রে নির্ভরযোগ্যভাবে ভুল ধরতে সাহায্য করে, কারণ এটি মডেলকে তার নিজের আউটপুটের বিরুদ্ধে একটি দ্বিতীয়বার "সমালোচনামূলক" পাস করতে বাধ্য করে।

৬ · Reasoning মডেলে "step by step ভাবো" বলার দরকার নেই কেন

এখানে OpenAI-এর গাইডলাইন থেকে একটি গুরুত্বপূর্ণ, ভিন্ন কিন্তু সম্পর্কিত নীতি আসে। আধুনিক reasoning মডেল (যেগুলোর নিজস্ব অন্তর্নিহিত extended reasoning ক্ষমতা আছে) ইতিমধ্যেই অভ্যন্তরীণভাবে ধাপে ধাপে চিন্তা করে — তাদের আলাদাভাবে "think step by step" বলার প্রয়োজন নেই। বরং, সমস্যাটি ও কাঙ্ক্ষিত আউটপুট স্পষ্টভাবে বলাই যথেষ্ট।

সংক্ষেপে বলা যায় — chain-of-thought একটি ধারণা হিসেবে এখনো সত্য এবং কার্যকর, কিন্তু এর প্রয়োগ পদ্ধতি মডেল অনুযায়ী পাল্টে গেছে। এটি এখন "মডেলকে ভাবতে বাধ্য করা" থেকে "মডেলের ইতিমধ্যেই থাকা চিন্তাভাবনাকে সঠিকভাবে নির্দেশনা দেওয়া" দিকে সরে এসেছে — এবং কোন মডেলে কোনটা প্রযোজ্য তা জানাই প্রকৃত দক্ষতা।