Symulacja Myślenia: Jak Dwuetapowy Prompt Niemal Podwaja Skuteczność LLM w Rozwiązywaniu Złożonych Problemów

Symulacja Myślenia: Jak Dwuetapowy Prompt Niemal Podwaja Skuteczność LLM w Rozwiązywaniu Złożonych Problemów

Od „Dwóch Umysłów” do „Symulacji Myślenia” – Ewolucja Idei

W moim poprzednim artykule, „Zwiększanie potencjału modeli językowych: Dwa podejścia bez dodatkowego treningu”, eksplorowałem złożone architektury promptów, aby poprawić jakość odpowiedzi modeli językowych. Ten projekt jest kolejnym krokiem w moich poszukiwaniach, prezentując ewolucję poprzednich koncepcji: metodę znacznie prostszą, a jednocześnie zaskakująco potężniejszą – „Symulację Myślenia”.

Metodologia: Potęga w Prostocie

„Symulacja Myślenia” odchodzi od skomplikowanych cykli na rzecz eleganckiego, dwuetapowego procesu, który naśladuje ludzkie podejście do rozwiązywania problemów: najpierw analiza, potem synteza.

1. Krok 1: Dekompozycja Analityczna. W pierwszym kroku zmuszamy model, aby wcielił się w rolę zimnego, bezbłędnego analityka. Przy niskiej temperaturze generowania (temp=0.2), jego zadaniem jest rozłożenie problemu na czynniki pierwsze, zidentyfikowanie wszystkich warunków i ograniczeń. Nie tworzy on jeszcze odpowiedzi, a jedynie logiczny, surowy szkielet rozumowania.
2. Krok 2: Synteza Kreatywna. Wyniki analizy z pierwszego kroku stają się fundamentem dla kroku drugiego. Teraz model, wcielając się w rolę eksperta, przy wyższej temperaturze (temp=0.7), ma za zadanie na podstawie dostarczonego szkieletu analitycznego sformułować kompletną, dobrze uzasadnioną i przystępną dla człowieka odpowiedź.

Ta prosta zmiana paradygmatu przyniosła rezultaty, które przerosły moje oczekiwania. Główne testy przeprowadziłem przy użyciu API najnowszego modelu Claude 4 Sonnet (claude-sonnet-4-20250514), a autorskie, unikatowe zagadki testowe zostały wykonane we współpracy z Gemini 2.5 Pro.

Dlaczego to Działa? Mechanizm „Korekcyjnej Syntezy”

Kluczem do skuteczności tej metody jest sposób, w jaki drugi etap (synteza) wykorzystuje dane z pierwszego. Model w kroku syntezy, otrzymując zarówno oryginalne pytanie, jak i „myśli” analityka, zyskuje unikalną perspektywę. Nawet jeśli analityk popełni błąd lub jego analiza jest niedoskonała, model w trybie kreatywnym (temp=0.7) nie jest ślepo związany tą ścieżką. Widząc potencjalną pomyłkę lub niekompletność, jest w stanie ją skorygować lub poszukać alternatywnego rozwiązania, mając jednocześnie solidny fundament logiczny. To rodzaj wbudowanego mechanizmu korekty, który nie występuje w prostych interakcjach.

Wyniki: Druzgocąca Przewaga Ilościowa i Jakościowa

Aby uniknąć błędnych wniosków i zapewnić rzetelność porównania, testy przeprowadziłem w sposób kontrolowany. Każde z 17 zadań zostało rozwiązane przez ten sam model w trzech niezależnych konfiguracjach:

1. Standardowe podejście (Baseline): Pojedynczy prompt z temperaturą ustawioną na temp=0.7, symulujący typową, kreatywną interakcję.
2. Podejście czysto analityczne: Pojedynczy prompt z temperaturą temp=0.2, wymuszający deterministyczne, „sztywne” odpowiedzi.
3. Moja metoda „Symulacji Myślenia”: Dwuetapowy proces opisany powyżej.

Dzięki takiemu podejściu miałem pewność, że unikatowe rezultaty mojej metody nie są przypadkowe. Wyniki procentowe okazały się jednoznaczne:

• Standardowe podejście (Baseline): ~35% skuteczności
• „Symulacja Myślenia” (moja metoda): ~65% skuteczności

To niemal dwukrotny wzrost skuteczności. Jednak prawdziwa siła tej metody leży nie w liczbach, a w jakości.

Studium Przypadków: Gdzie Metoda Błyszczy Najbardziej

Przykład 1: Nieszablonowe Rozumowanie (Problem, z którym AI sobie nie radzi)

W zagadce z „Książką i stalowym jajem” (spopularyzowanej na kanale testującym AI, AI Review), większość modeli podaje intuicyjną, lecz błędną odpowiedź, że jajo pozostanie w skrytce.

• Odpowiedź Standardowa (Porażka): „Osoba znajdzie stalowe jajo nadal w skrytce, ale w innym miejscu niż pierwotnie.”
• Odpowiedź „Symulacji Myślenia” (Sukces): „Najbardziej prawdopodobny scenariusz: osoba znajdzie pustą skrytkę. (…) siła uderzenia w połączeniu z bezwładnością ciężkiego stalowego jaja sprawi, że 'wyskoczy’ ono przez tę szczelinę.”

Przykład 2: Kompletność Analizy (Gdy inni też mają rację, ale nie do końca)

W zadaniu z „Labiryntem Kauzalnym” istniały trzy równoważne, najkrótsze drogi do celu.

• Odpowiedź Standardowa (Sukces Podstawowy): Znalazła tylko jedną z trzech poprawnych ścieżek (A1 → C1 → C2 → C3).
• Odpowiedź „Symulacji Myślenia” (Sukces z Głębią): Zidentyfikowała wszystkie trzy istniejące, optymalne rozwiązania, co świadczy o pełnym zrozumieniu przestrzeni problemu.

Przykład 3: Wykrywanie Wadliwych Danych (Najwyższy Poziom Rozumowania)

W teście użyliśmy również zadania z „Kodem do sejfu”, stworzonego przez Gemini 2.5 Pro, które, jak się okazało, zawierało wewnętrzną sprzeczność – jego warunki były niemożliwe do jednoczesnego spełnienia.

• Odpowiedź Standardowa (Porażka): Model zignorował sprzeczność i podał jedną z niepoprawnych odpowiedzi, która łamała jeden z warunków.
• Odpowiedź „Symulacji Myślenia” (Sukces): Jako jedyna, moja metoda pozwoliła modelowi na sformułowanie meta-komentarza: „Po dokładnej analizie wszystkich możliwości, jedyne rozwiązania spełniające wskazówki 2 i 3 (…) dają sumę cyfr równą 15, która nie jest liczbą pierwszą! Najbardziej prawdopodobna odpowiedź to kod 825, zakładając możliwą pomyłkę w pierwszej wskazówce.”

Zdolność do zakwestionowania samego zadania, zamiast ślepego generowania błędnej odpowiedzi, jest przejawem znacznie wyższego poziomu rozumowania.

Uniwersalność i Dalszy Potencjał

Co istotne, skuteczność tej metody potwierdziłem również na mniejszych, lokalnie uruchamianych modelach, takich jak Bielik-11B-v2.6-Instruct oraz Bielik-4.5B-v3.0-Instruct. Mimo ich mniejszych możliwości, w zadaniach dostosowanych do ich skali również obserwowałem znaczącą poprawę jakości rozumowania.

Kluczowe zalety mojej metody to:

• Uniwersalność: Działa na każdym modelu tekstowym bez potrzeby dodatkowego treningu.
• Wydajność: Czas wnioskowania, choć wydłużony, jest akceptowalny i z moich obserwacji wynika, że jest znacznie krótszy niż w przypadku generowania bardzo długich monologów w „Chain-of-Thought”.
• Ogromny potencjał: Należy podkreślić, że użyte przeze mnie prompty są jedynie wersją roboczą. Dalsze ich dopracowanie może prowadzić do jeszcze wyższej skuteczności i eliminacji błędów, które zaobserwowałem w najtrudniejszych zadaniach.

Projekt ten udowodnił, że dwuetapowa architektura analityczno-syntetyczna jest potężnym, a zarazem prostym w implementacji narzędziem. Nie tylko znacząco zwiększa wskaźnik poprawnych odpowiedzi, ale fundamentalnie podnosi jakość i głębię rozumowania AI. Poniżej kod źródłowy i instrukcja mojej metody, gotowy do adaptacji i dalszych eksperymentów.

Wersja w języku angielskim artykułu i kodu:

Thought Simulation: How a Two-Step Prompt Nearly Doubles LLM Efficacy in Solving Complex Problems

🇵🇱 Instrukcja Uruchomienia

Przed pierwszym uruchomieniem skryptu upewnij się, że wykonałeś poniższe kroki.

1. Ustawienie Klucza API

Skrypt wymaga klucza API do usługi Anthropic. Musisz ustawić go jako zmienną środowiskową. Otwórz terminal i wpisz poniższą komendę, zastępując 'twoj-klucz-api' swoim rzeczywistym kluczem:

export ANTHROPIC_API_KEY='twoj-klucz-api'

Ważne: Komendę tę należy wykonać w tej samej sesji terminala, w której będziesz uruchamiać skrypt.

2. Uruchomienie Skryptu

Po ustawieniu klucza, możesz uruchomić skrypt standardową komendą:

python nazwa_skryptu.py

3. Lokalizacja Logów

Po każdym zadanym pytaniu, skrypt generuje dwa rodzaje danych wyjściowych:

• Finalna odpowiedź: Wyświetlana bezpośrednio w konsoli.
• Szczegółowy log rozumowania: Zapisywany jako plik .json w folderze o nazwie symulacja_myslenia_logs. Folder ten zostanie utworzony automatycznie w tej samej lokalizacji, w której znajduje się skrypt.

---

import time
import json
import os
import anthropic

# — Implementacja Metody „Symulacja Myślenia” dla Claude API —

class SymulatorMyslenia:
„””
Implementuje dwuetapową architekturę „Symulacja Myślenia” dla modeli Claude.
„””
def __init__(self, api_key: str, model_name: str = „claude-sonnet-4-20250514”):
„””
Inicjalizuje klienta API.

Args:
api_key (str): Klucz API Anthropic.
model_name (str): Nazwa modelu do użycia, np. „claude-sonnet-4-20250514”.
„””
if not api_key:
raise ValueError(„Klucz ANTHROPIC_API_KEY nie został znaleziony. Ustaw zmienną środowiskową.”)

self.model_name = model_name
self.client = anthropic.Anthropic(api_key=api_key)
print(f”INFO: Klient API Anthropic zainicjalizowany. Używany model: {self.model_name}”)

def _uruchom_wnioskowanie(self, system_prompt: str, user_prompt: str, temperature: float, max_tokens: int = 4096) -> str:
„””
Prywatna metoda do wykonywania zapytań do API Claude.
„””
try:
message = self.client.messages.create(
model=self.model_name,
max_tokens=max_tokens,
temperature=temperature,
system=system_prompt,
messages=[
{„role”: „user”, „content”: user_prompt}
]
)
return message.content[0].text.strip()
except Exception as e:
print(f”BŁĄD API: {e}”)
return f”Błąd podczas komunikacji z API: {e}”

def uruchom_proces(self, zapytanie_uzytkownika: str) -> (str, dict):
„””
Uruchamia pełny, dwuetapowy proces „Symulacji Myślenia”.

Args:
zapytanie_uzytkownika (str): Oryginalne pytanie od użytkownika.

Returns:
tuple[str, dict]: Krotka zawierająca finalną odpowiedź oraz słownik z pełnymi logami procesu.
„””
logi = {„timestamp_utc”: time.time(), „oryginalne_zapytanie”: zapytanie_uzytkownika, „model”: self.model_name}

try:
# — KROK 1: DEKOMPOZYCJA ANALITYCZNA —
prompt_analityka = f”””
Twoim zadaniem jest wcielenie się w rolę bezbłędnego, zimnego analityka.
Przeanalizuj poniższy problem krok po kroku. Rozłóż go na czynniki pierwsze.
Zidentyfikuj wszystkie warunki, ograniczenia, potencjalne pułapki i kluczowe dane.
Nie próbuj jeszcze udzielać finalnej, przyjaznej odpowiedzi.
Przedstaw tylko swój wewnętrzny, surowy proces myślowy.

Problem do analizy:
„{zapytanie_uzytkownika}”
„””
start_b1 = time.time()
analiza_wewnetrzna = self._uruchom_wnioskowanie(
„Jesteś precyzyjnym, logicznym analitykiem.”,
prompt_analityka,
temperature=0.2
)
czas_b1 = (time.time() – start_b1) * 1000
logi[„krok1_analiza”] = {
„prompt”: prompt_analityka,
„wynik”: analiza_wewnetrzna,
„czas_ms”: f”{czas_b1:.2f}”
}

# — KROK 2: SYNTEZA KREATYWNA —
prompt_syntezatora = f”””
Twoim zadaniem jest wcielenie się w rolę światowej klasy eksperta i komunikatora.
Otrzymałeś poniżej surową, wewnętrzną analizę problemu od swojego asystenta-analityka.
Twoim zadaniem jest użycie tej analizy jako fundamentu do sformułowania
finalnej, kompletnej, dobrze uzasadnionej i przyjaznej dla człowieka odpowiedzi na pierwotne pytanie.
Pamiętaj, aby odpowiedzieć na wszystkie części oryginalnego pytania.

Oryginalne pytanie od użytkownika:
„{zapytanie_uzytkownika}”

Wewnętrzna analiza od Twojego asystenta:
—
{analiza_wewnetrzna}
—

Twoja finalna, wyczerpująca odpowiedź:
„””
start_b2 = time.time()
finalna_odpowiedz = self._uruchom_wnioskowanie(
„Jesteś pomocnym asystentem, który potrafi klarownie tłumaczyć skomplikowane problemy.”,
prompt_syntezatora,
temperature=0.7
)
czas_b2 = (time.time() – start_b2) * 1000
logi[„krok2_synteza”] = {
„prompt”: prompt_syntezatora,
„wynik”: finalna_odpowiedz,
„czas_ms”: f”{czas_b2:.2f}”
}
logi[„finalna_odpowiedz”] = finalna_odpowiedz
logi[„calkowity_czas_ms”] = f”{czas_b1 + czas_b2:.2f}”

return finalna_odpowiedz, logi

except Exception as e:
logi[„krytyczny_blad”] = str(e)
return f”Wystąpił krytyczny błąd w trakcie przetwarzania: {e}”, logi

# — Główny blok wykonawczy —
if __name__ == „__main__”:
api_key = os.environ.get(„ANTHROPIC_API_KEY”)
if not api_key:
print(„BŁĄD: Zmienna środowiskowa ANTHROPIC_API_KEY nie jest ustawiona.”)
print(„Wskazówka: Uruchom `export ANTHROPIC_API_KEY=’twoj-klucz’` w terminalu.”)
else:
# Wybierz model Claude, np. „claude-sonnet-4-20250514” lub „claude-3-opus-20240229”
MODEL_DO_UZYCIA = „claude-sonnet-4-20250514”
KATALOG_LOGOW = „symulacja_myslenia_logs”

os.makedirs(KATALOG_LOGOW, exist_ok=True)

try:
symulator = SymulatorMyslenia(api_key=api_key, model_name=MODEL_DO_UZYCIA)

print(„-” * 60)
print(„Uruchomiono tryb 'Symulacja Myślenia’.”)
print(„Wpisz 'wyjdz’, aby zakończyć.”)
print(„-” * 60)

while True:
user_input = input(„Użytkownik: > „)
if user_input.lower().strip() == 'wyjdz’:
break

print(„\nPrzetwarzanie (Symulacja Myślenia)… Proszę czekać.\n”)
finalna_odpowiedz, szczegolowe_logi = symulator.uruchom_proces(user_input)

print(„— Odpowiedź Modelu —„)
print(finalna_odpowiedz)
print(„-” * 26, „\n”)

# Zapisywanie logów
log_timestamp_str = time.strftime(’%Y%m%d_%H%M%S’, time.localtime(szczegolowe_logi[’timestamp_utc’]))
log_filename = os.path.join(KATALOG_LOGOW, f”log_myslenia_{log_timestamp_str}.json”)
with open(log_filename, 'w’, encoding=’utf-8′) as f:
json.dump(szczegolowe_logi, f, ensure_ascii=False, indent=4)
print(f”INFO: Szczegółowy log rozumowania zapisano w: {log_filename}\n”)

except Exception as e:
print(f”\n\nWystąpił nieoczekiwany błąd: {e}”)