একটি সহজ প্রম্পটিং কৌশল শিখুন, যেটা reasoning টাস্কে AI-এর নির্ভুলতা ১৮% থেকে ৭৯%-এ পৌঁছে দিয়েছে — দৈনন্দিন কাজের জন্য কপি-পেস্ট উদাহরণসহ।
ChatGPT-কে এমন একটা প্রশ্ন করেছিলেন যেখানে কিছুটা ভাবার দরকার ছিল — হয়তো দুটো অপশনের তুলনা, কোনো সিদ্ধান্ত বিশ্লেষণ, বা কয়েক ধাপের একটা সমস্যা। AI সঙ্গে সঙ্গে আত্মবিশ্বাসী একটা উত্তর দিল। সমস্যা শুধু একটাই: পুরো উত্তরটাই ছিল ভুল।
এমনটা আপনি যত ভাবেন, তার চেয়ে বেশি হয়। AI অ্যাসিস্ট্যান্টদের ট্রেইন করা হয় বিশ্বাসযোগ্য শোনায় এমন উত্তর তৈরি করতে — সমস্যাটা নিয়ে আসলে যুক্তি দিয়ে ভাবতে নয়। স্বাভাবিকভাবে কোনো জটিল প্রশ্ন করলে AI প্রায়ই ভাবার অংশটা স্কিপ করে সরাসরি উত্তরে চলে যায় — কখনো কখনো একদম ভুল উত্তর দেয়, অথচ শোনায় পুরোপুরি নিশ্চিতের মতো।
এর সমাধান আছে। ২০২২ সালে Google-এর গবেষকরা আবিষ্কার করেন যে প্রম্পটে শুধু একটা বাক্য — "Let's think step by step" — যোগ করলে গণিতের সমস্যায় নির্ভুলতা ১৭.৭% থেকে ৭৮.৭%-এ পৌঁছে যায়। এটা টাইপোও নয়। একটা বাক্য AI-কে চারগুণ বেশি নির্ভুল করে দিল।
এই কৌশলটার নাম chain-of-thought প্রম্পটিং, আর এটা কাজ করে কারণ এটা AI-কে সরাসরি সিদ্ধান্তে যেতে না দিয়ে নিজের কাজটা দেখাতে বাধ্য করে। কীভাবে এটা সত্যিকারের কাজে লাগাবেন — শুধু গণিতের সমস্যায় নয় — সেটাই এই লেখায়।
Chain-of-thought প্রম্পটিং আসলে কী?
Chain-of-thought (CoT) প্রম্পটিং নামটা যা বোঝায়, ঠিক সেটাই: চূড়ান্ত উত্তর দেওয়ার আগে AI-কে নিজের যুক্তিটা ধাপে ধাপে ব্যাখ্যা করতে বলা। "উত্তরটা কী?" জিজ্ঞেস করার বদলে আপনি বলেন "আপনার চিন্তাভাবনাটা আমাকে দেখান, তারপর উত্তর দিন।"
ব্যাপারটা এমন — যেন কোনো সহকর্মীকে তার কাজ দেখাতে বললেন। কেউ যদি আপনাকে কোনো কিছুর সুপারিশ করে অথচ কোনো ব্যাখ্যা না দেয়, তাহলে আপনি বুঝতেই পারবেন না সে আসলেই ভেবেচিন্তে বলছে নাকি অনুমানে বলছে। কিন্তু সে যদি যুক্তিটা খুলে বলে — "আমি X বিবেচনা করেছি, Y বাদ দিয়েছি Z-এর কারণে, তাই এই সিদ্ধান্তে এসেছি" — তাহলে যুক্তিতে কোথাও ফাঁক থাকলে আপনি ধরতে পারবেন।
AI-এর ক্ষেত্রেও একই নিয়ম খাটে। মাঝের ধাপগুলো বলতে বাধ্য করলে দুটো জিনিস ঘটে:
AI মাঝপথেই নিজের ভুল ধরতে পারে
উত্তর ভুল হলে আপনি ঠিক কোথায় যুক্তি গড়বড় হলো সেটা দেখতে পারেন
AI কেন ধাপ বাদ দেয় (আর ভুল করে)
একটা কথা বেশিরভাগ মানুষ বুঝতে পারে না: AI মডেলগুলো আসলে মানুষের মতো করে "ভাবছে" না। তারা বিলিয়ন বিলিয়ন টেক্সট উদাহরণের সঙ্গে প্যাটার্ন মিলিয়ে অনুমান করছে পরে কোন শব্দ আসা উচিত। আপনি সরাসরি কোনো প্রশ্ন করলে তারা পরিসংখ্যানগতভাবে সবচেয়ে সম্ভাব্য উত্তরে লাফ মেরে চলে যায়।
সহজ প্রশ্নে এটা ঠিকঠাক কাজ করে। "ফ্রান্সের রাজধানী কী?" — এতে কোনো reasoning দরকার নেই। AI এই প্রশ্ন আর উত্তরের জোড়া লক্ষ লক্ষ বার দেখেছে।
কিন্তু যেখানে আসলে যুক্তি লাগে — অপশনের তুলনা, ট্রেডঅফ বিশ্লেষণ, কয়েক ধাপের সমস্যা সমাধান — সেখানে প্যাটার্ন-মিলিয়ে যাওয়ার পদ্ধতিটা ভেঙে পড়ে। AI এমন একটা উত্তর বেছে নেয় যেটা শোনায় ঠিক, অথচ সেটা সত্যিই ঠিক কিনা যাচাই করে না।
Chain-of-thought প্রম্পটিং এই শর্টকাটটাই থামিয়ে দেয়। AI-কে যুক্তি বলে বলে চলতে বললে আপনি তাকে মাঝের ধাপগুলো তৈরি করতে বাধ্য করছেন — আর ওই ধাপগুলোই চূড়ান্ত উত্তরকে একটা সীমার মধ্যে রাখে। যে পথে পৌঁছেছেন সেটা দেখাতে হলে ভুল সিদ্ধান্তে পৌঁছানো অনেক কঠিন হয়ে যায়।
AI সরাসরি উত্তরে লাফ দেওয়া বনাম উত্তর দেওয়ার আগে ধাপে ধাপে যুক্তি তৈরি করার তুলনা
Chain-of-thought ব্যবহারের সবচেয়ে সহজ উপায়
সবচেয়ে সহজ ভার্সনটার জন্য কোনো সেটআপই লাগে না। শুধু আপনার প্রম্পটের শেষে এই বাক্যগুলোর একটা যোগ করুন:
"Let's think step by step."
"আপনার যুক্তিটা ধাপে ধাপে দেখান।"
"চূড়ান্ত উত্তর দেওয়ার আগে আপনার চিন্তাটা ব্যাখ্যা করুন।"
"এটাকে ধাপে ধাপে ভাগ করুন।"
গবেষকরা দেখেছেন তাদের পরীক্ষায় "Let's think step by step" সবচেয়ে ভালো কাজ করেছে, যদিও পরবর্তী একটি গবেষণা আরও ভালো একটা ফরমুলেশন বের করেছে: "Let's work this out in a step by step way to be sure we have the right answer."
বাস্তবে এটা দেখতে কেমন? ধরুন, একটা চাকরির অফার নেবেন কি নেবেন না সেটা নিয়ে দ্বিধায় আছেন।
Chain-of-thought ছাড়া:
একটা চাকরির অফার নেওয়া কি ঠিক হবে যেটায় ২০% বেশি বেতন কিন্তু এমন একটা শহরে যেতে হবে যেখানে জীবনযাত্রার খরচ ৪০% বেশি?
AI উপরিভাগের প্যাটার্ন মিলিয়ে দ্রুত একটা "হ্যাঁ" বা "না" বলে দিতে পারে।
Chain-of-thought দিয়ে:
একটা চাকরির অফার নেওয়া কি ঠিক হবে যেটায় ২০% বেশি বেতন কিন্তু এমন একটা শহরে যেতে হবে যেখানে জীবনযাত্রার খরচ ৪০% বেশি?
একটা সিদ্ধান্তে আসার আগে ব্যাপারটা ধাপে ধাপে ভাবুন — আর্থিক প্রভাব, জীবনযাত্রার মান এবং ক্যারিয়ারের প্রভাব বিবেচনা করে।
এখন AI প্রতিটা বিষয় আলাদা করে ভাঙবে, ২০% বেশি বেতন আসলেই ৪০% বাড়তি খরচ কভার করে কিনা সেটার হিসাব করবে, কী কী পাবেন বা হারাবেন সেটা ভাববে, আর তারপর যুক্তি দিয়ে একটা সুপারিশ দেবে।
Few-shot CoT: AI-কে ভাবার পদ্ধতি দেখিয়ে দিন
"Let's think step by step" পদ্ধতিকে বলা হয় zero-shot CoT, কারণ এতে আপনি কোনো উদাহরণ দিচ্ছেন না। এটা অনেক পরিস্থিতিতেই ভালো কাজ করে, তবে জটিল বা বিশেষায়িত কাজের ক্ষেত্রে আপনি যে reasoning প্যাটার্নটা চান সেটা দেখিয়ে দিলে আরও ভালো ফলাফল পাবেন।
এটাকে বলে few-shot CoT — আপনি এক বা দুটো বিস্তারিত উদাহরণ দিয়ে দেন, যেটা AI-কে ঠিক দেখিয়ে দেয় একই ধরনের সমস্যায় কীভাবে যুক্তি সাজাতে হবে।
ব্যবসায়িক সিদ্ধান্ত বিশ্লেষণের একটা টেমপ্লেট:
আমাকে কিছু অপশন মূল্যায়নে সাহায্য করুন। প্রতিটা নিয়ে আমি যেভাবে যুক্তি সাজাতে চাই, সেটা দেখাচ্ছি:
উদাহরণ:
প্রশ্ন: মাসিক বিলিং থেকে বার্ষিক বিলিং-এ যাওয়া কি উচিত?
ধাপ ১ - মূল বিষয়গুলো চিহ্নিত করা: ক্যাশ ফ্লো-র ভবিষ্যদ্বাণীযোগ্যতা, কাস্টমার চার্নের ঝুঁকি, প্রাইসিং সাইকোলজি।
ধাপ ২ - প্রতিটা বিষয় বিশ্লেষণ:
- ক্যাশ ফ্লো: বার্ষিক বিলিং-এ আমরা আগেভাগেই রেভিনিউ পাই, ভবিষ্যদ্বাণী সহজ হয়
- চার্ন ঝুঁকি: যারা বার্ষিক পেমেন্ট করেন তাদের চার্ন রেট কম
- প্রাইসিং: লোকসান ছাড়াই বার্ষিক প্ল্যানে ডিসকাউন্ট দেওয়া যায়
ধাপ ৩ - ট্রেডঅফ ওজন করা: প্রধান নেতিবাচক দিক — নতুন সাইনআপের জন্য বাড়তি বাধা।
ধাপ ৪ - সিদ্ধান্ত: হ্যাঁ, তবে দুটো অপশনই রাখুন, বার্ষিকটায় ১৫% ডিসকাউন্ট দিন।
এখন এই একই reasoning স্ট্রাকচার আমার প্রশ্নে প্রয়োগ করুন:
{{question}}
উদাহরণটা আপনার প্রশ্নের সঙ্গে হুবহু মেলার দরকার নেই — আপনি যে ধরনের reasoning স্ট্রাকচার চান, সেটা দেখাতে পারলেই হলো। AI প্যাটার্নটা আপনার নির্দিষ্ট পরিস্থিতিতে মানিয়ে নেবে।
Chain-of-thought কখন কাজে আসে (আর কখন আসে না)
CoT প্রম্পটিং প্রতিটা AI ইন্টারঅ্যাকশনের জন্য জাদুর সমাধান নয়। Wharton-এর একটি গবেষণা দেখিয়েছে যে এটা কঠিন সমস্যার পারফরম্যান্স বাড়ায় ঠিকই, কিন্তু সহজ সমস্যায় অপ্রয়োজনীয় জটিলতা যোগ করে নির্ভুলতা কমিয়েও দিতে পারে।
Chain-of-thought ব্যবহার করুন যখন:
একাধিক অপশনের তুলনা করছেন বা ট্রেডঅফ ওজন করছেন
কাজে কয়েক ধাপের reasoning বা হিসাব দরকার
কোনো সমস্যা ট্রাবলশুট বা ডায়াগনোজ করতে হবে
উত্তরের জন্য কারণ-ফলাফল বিশ্লেষণ লাগবে
AI কীভাবে যুক্তি সাজাচ্ছে সেটা বুঝতে চান, শুধু উত্তর নয়
Chain-of-thought এড়িয়ে চলুন যখন:
সাধারণ তথ্য বা সংজ্ঞা চাইছেন
ব্রেনস্টর্মিং বা লেখালেখির মতো ক্রিয়েটিভ আউটপুট দরকার
সারাংশ বা অনুবাদ চাইছেন
নির্ভুলতার চেয়ে গতি বেশি জরুরি
কাজে কোনো লজিকাল reasoning লাগে না
আরেকটা কথা মাথায় রাখবেন: ছোট AI মডেলে CoT প্রম্পটিং তেমন কাজ করে না। Google-এর মূল গবেষণায় দেখা গেছে যে অর্থপূর্ণ উন্নতি কেবল ১০০ বিলিয়ন+ প্যারামিটারের মডেলে দেখা যায়। ChatGPT-4, Claude আর Gemini-র মতো বর্তমান কনজিউমার AI টুল ব্যবহার করলে আপনি ঠিক জায়গাতেই আছেন। তবে পুরোনো বা ছোট মডেল ব্যবহার করলে ফলাফল ভিন্ন হতে পারে।
সত্যিকারের কাজে ব্যবহারের জন্য ৫টি রেডি CoT প্রম্পট
এই কপি-পেস্ট প্রম্পটগুলো আজ থেকেই ব্যবহার শুরু করতে পারেন। প্রতিটার মধ্যেই chain-of-thought স্ট্রাকচার বানানো আছে।
১. সিদ্ধান্ত বিশ্লেষণ
এই সিদ্ধান্তে আমাকে সাহায্য করুন: {{decision_to_make}}
ধাপে ধাপে ভাবুন:
১. আমার যেসব মূল বিষয় বিবেচনা করা উচিত সেগুলোর তালিকা দিন
২. প্রতিটা অপশন এই বিষয়গুলোর নিরিখে কেমন পারফর্ম করে বিশ্লেষণ করুন
৩. প্রধান ঝুঁকি এবং ট্রেডঅফগুলো চিহ্নিত করুন
৪. যুক্তি সহ আপনার সুপারিশ দিন
সাধারণ পরামর্শ নয়, আমার বাস্তব পরিস্থিতি ধরে নির্দিষ্টভাবে বলুন।
২. সুবিধা-অসুবিধার তুলনা
এই অপশনগুলোর তুলনা করুন: {{option_1}} বনাম {{option_2}}
ব্যবস্থিতভাবে ভাবুন:
১. প্রথমে এই ধরনের সিদ্ধান্তের জন্য সবচেয়ে গুরুত্বপূর্ণ ৫টি মাপকাঠি চিহ্নিত করুন
২. প্রতিটা মাপকাঠির বিরুদ্ধে প্রতিটা অপশন মূল্যায়ন করুন
৩. কোনো ডিলব্রেকার বা must-have থাকলে নোট করুন
৪. সামগ্রিক ট্রেডঅফ ওজন করুন
৫. একটা স্পষ্ট সুপারিশ দিন
শুধু সুবিধা-অসুবিধা তালিকা করবেন না — কোন বিষয়গুলো বেশি গুরুত্বপূর্ণ আর কেন, সেটা যুক্তি দিয়ে বুঝিয়ে বলুন।
৩. মূল কারণ বিশ্লেষণ
এটা কেন হচ্ছে সেটা বের করতে সাহায্য করুন: {{problem_description}}
এই reasoning প্রক্রিয়াটা ব্যবহার করুন:
১. আসলে কী হচ্ছে আর কী হওয়ার কথা ছিল — পরিষ্কার করুন
২. সম্ভাব্য সব কারণের তালিকা দিন (এমনকি যেগুলো অসম্ভাব্য মনে হয়)
৩. প্রতিটা কারণের জন্য, কী প্রমাণ এটাকে নিশ্চিত বা বাতিল করতে পারে সেটা ভাবুন
৪. উপলব্ধ তথ্যের ভিত্তিতে সবচেয়ে সম্ভাব্য মূল কারণ চিহ্নিত করুন
৫. কীভাবে এটা যাচাই করব আর কী করণীয় — সেটা বলুন
৪. ধাপে ধাপে পরিকল্পনা
আমাকে {{goal}} করতে হবে।
এটা ধাপে ভাগ করুন:
১. প্রথমে, অন্য কিছু শুরু করার আগে কী কী হতে হবে চিহ্নিত করুন (পূর্বশর্ত)
২. তারপর প্রধান পর্যায় বা মাইলফলকগুলো ম্যাপ করুন
৩. প্রতিটা পর্যায়ের জন্য নির্দিষ্ট অ্যাকশনগুলো তালিকা করুন
৪. কোনো নির্ভরশীলতা থাকলে ফ্ল্যাগ করুন (একটা শুরু হওয়ার আগে আরেকটা কী শেষ হতে হবে)
৫. সম্ভাব্য বাধা এবং সেগুলো কীভাবে সামলাবেন সেটা নোট করুন
কংক্রিট হোন — অস্পষ্ট পরামর্শ নয়, কাজে লাগানোর মতো ধাপ দিন।
৫. জটিল প্রশ্ন বিশ্লেষণ
{{complex_question}}
উত্তর দেওয়ার আগে এটা সাবধানে ভাবুন:
১. প্রশ্নটা আসলে কী জিজ্ঞেস করছে সেটা ভেঙে দেখুন
২. প্রশ্নের ভেতরে কোনো অনুমান লুকানো আছে কিনা চিহ্নিত করুন
৩. উত্তরকে প্রভাবিত করে এমন মূল বিষয়গুলো বিবেচনা করুন
৪. প্রতিটা বিষয় নিয়ে যুক্তি সাজান
৫. তারপর reasoning সহ আমাকে আপনার উত্তর দিন
সত্যিকারের কোনো অনিশ্চয়তা থাকলে নিশ্চিত হওয়ার ভান না করে সেটা স্বীকার করুন।
এই প্রম্পটগুলো একই প্যাটার্ন অনুসরণ করে: আপনি কী চান সেটা বলুন, তারপর AI-কে কোন reasoning প্রক্রিয়া অনুসরণ করতে হবে সেটা স্পষ্টভাবে বর্ণনা করুন। স্ট্রাকচারটা AI-কে সরাসরি সিদ্ধান্তে যেতে না দিয়ে পুঙ্খানুপুঙ্খ বিশ্লেষণে নিয়ে যায়।
একটা প্রম্পট টেমপ্লেট কার্ড, যেখানে ভিন্ন কাজের জন্য ভ্যারিয়েবল প্লেসহোল্ডার কাস্টমাইজ করা হচ্ছে
যদি এই প্রম্পটগুলো বারবার ব্যবহার করতে দেখেন — প্রতিবার ভিন্ন সিদ্ধান্ত, সমস্যা বা প্রশ্ন বসিয়ে — তাহলে PromptNest-এর মতো একটা টুল আপনাকে এগুলো {{variables}} সহ সেভ করে রাখতে দেয়। যখন দরকার, শুধু খালি জায়গাগুলো পূরণ করে পুরো প্রম্পট কপি করে নেবেন।
ট্রাবলশুটিং: যখন reasoning গড়বড় হয়
কখনো কখনো chain-of-thought প্রম্পটিং ব্যবহার করবেন আর AI ধাপগুলো দেখাবেও... কিন্তু তবু ভুল সিদ্ধান্তে পৌঁছাবে। এটা কীভাবে সামলাবেন সেটা দেখি।
Reasoning ঠিকঠাক দেখাচ্ছে কিন্তু সিদ্ধান্ত ভুল। AI হয়তো ভুল কোনো অনুমান থেকে শুরু করেছে। জিজ্ঞেস করুন: "এখানে আপনি কী কী অনুমান করছেন? সেগুলো স্পষ্টভাবে তালিকা করুন।" ভুলটা অনেক সময় যুক্তিতে নয়, কোনো না বলা পূর্বানুমানে থাকে।
AI গুরুত্বপূর্ণ বিষয় বাদ দিয়েছে। এভাবে রিপ্লাই দিন: "আপনি {{factor}} বিবেচনা করেননি। এটা আপনার বিশ্লেষণে কী পরিবর্তন আনে?" AI নতুন তথ্যটা যোগ করবে এবং প্রায়ই তার সিদ্ধান্ত পরিবর্তন করবে।
Reasoning গোলমেলে বা অস্পষ্ট। আরও নির্দিষ্টতা চান: "ধাপ ২-এ আপনি বলেছেন 'এটা ঝুঁকিপূর্ণ হতে পারে।' কোন নির্দিষ্ট ঝুঁকির কথা বলছেন, আর সেগুলো কীভাবে পরিমাপ করবেন?" কংক্রিট বিশদ চাইলে অস্পষ্ট চিন্তাভাবনা ধরা পড়ে।
মনে হচ্ছে AI অতিরিক্ত আত্মবিশ্বাসী। এটা চেষ্টা করুন: "Devil's advocate-এর ভূমিকা নিন। এই সিদ্ধান্তের বিরুদ্ধে সবচেয়ে শক্তিশালী যুক্তিটা কী?" প্রথমবার AI যেসব দুর্বলতা চাপা দিয়েছিল, এতে সেগুলো সামনে চলে আসে।
Chain-of-thought প্রম্পটিং-এর মূল উদ্দেশ্য শুধু ভালো উত্তর পাওয়া নয় — AI-এর reasoning দৃশ্যমান করা, যাতে আপনি ভুলগুলো ধরতে এবং ঠিক করতে পারেন। প্রথম উত্তরটাকে চূড়ান্ত উত্তর না ভেবে শুরুর জায়গা ভাবুন।
Chain-of-thought আজই কাজে লাগানো শুরু করুন
কোনো কৌশল মুখস্থ করার বা জটিল ফ্রেমওয়ার্ক অনুসরণ করার দরকার নেই। শুধু মূল ধারণাটা মনে রাখুন: যখন চান AI অনুমান করার বদলে সত্যিই ভাবুক, তাকে কাজটা দেখাতে বলুন।
এমন একটা কাজ দিয়ে শুরু করুন যেটায় আপনি নিয়মিত AI ব্যবহার করেন — যেখানে বিশ্লেষণ, তুলনা বা ট্রাবলশুটিং দরকার। শেষে "Let's think through this step by step" যোগ করুন আর দেখুন উত্তর কীভাবে বদলায়। একবার পার্থক্যটা দেখলে কখন এটা ব্যবহার করবেন সেটা নিজেই বুঝতে পারবেন।
উপরের মতো reasoning প্রম্পটের একটা লাইব্রেরি বানাতে চাইলে যেকোনো জায়গায় সেভ করতে পারেন — নোট অ্যাপ, কোনো ডকুমেন্ট, যেটা ইতিমধ্যেই ব্যবহার করছেন। আর যদি এই কাজের জন্যই বানানো কিছু চান, PromptNest একটা নেটিভ Mac অ্যাপ ($19.99 এককালীন, Mac App Store-এ; কোনো সাবস্ক্রিপশন নেই, কোনো অ্যাকাউন্ট নেই, লোকালি চলে), যা আপনার প্রম্পটগুলো ভ্যারিয়েবল সহ গুছিয়ে রাখে। যেভাবেই করুন না কেন, আসল কথা হলো — দরকারের সময় আপনার সবচেয়ে ভালো প্রম্পটগুলো হাতের কাছে থাকা, পুরোনো চ্যাট হিস্টোরির ভেতরে চাপা পড়ে নয়।
যে AI আপনাকে ভাবতে সাহায্য করে আর যে AI শুধু আত্মবিশ্বাসী শোনায় — দুটোর মধ্যে পার্থক্য অনেক সময় কয়েকটা শব্দেই: "Let's think through this step by step."
