ما هو Tree-of-Thought؟
📍 In One Sentence
يوجّه Tree-of-Thought prompting النموذج لاستكشاف فروع استدلال متعددة، وتقييمها، واختيار الأفضل قبل إنهاء الإجابة.
💬 In Plain Terms
بدلاً من التفكير خطوة بخطوة في اتجاه واحد، تطلب من النموذج توليد 3 مناهج مختلفة، ومقارنتها، واختيار الأفضل، ثم تنفيذه.
يوجّه Tree-of-Thought (ToT) Prompting نموذج اللغة لاستكشاف مسارات استدلال متعددة ممكنة — كفروع شجرة القرارات — وتقييم كل منها ثم اختيار أفضل مسار قبل تقديم الإجابة النهائية. على عكس chain-of-thought prompting الذي يتبع مساراً استدلالياً خطياً واحداً، يولّد ToT البدائل ويقارنها صراحةً. هذا يجعله مفيداً للاستراتيجية والتخطيط واتخاذ القرارات المعقدة حيث يؤدي استكشاف خيارات متعددة إلى نتائج أفضل.
يأتي المصطلح من ورقة 2023 لـ Yao et al. من Princeton و Google DeepMind: "Tree of Thoughts: Deliberate Problem Solving with Large Language Models" (NeurIPS 2023).
بعبارات بسيطة: chain-of-thought يشبه السير على مسار واحد وشرح خطواتك. Tree-of-Thought يشبه استكشاف تقاطع طرق، ومقارنة كلا المسارين، ثم الالتزام بالمسار الأكثر منطقية.
ما هو ReAct؟
📍 In One Sentence
ReAct هو نمط الاستدلال، واتخاذ إجراء، وملاحظة النتيجة، ثم تعديل استدلالك بناءً على ما تعلمته.
💬 In Plain Terms
تطلب من النموذج التفكير فيما يحتاجه، واتخاذ إجراء محدد (كالبحث عن معلومات)، ورؤية ما وجده، ثم تحديد ما يجب فعله بعد ذلك بناءً على النتائج.
ReAct (Reason + Act) هو إطار موجّه حيث يتناوب النموذج بين خطوات الاستدلال ("الأفكار") والإجراءات (استدعاء الأدوات، والبحث، والاستعلامات). بعد كل إجراء، يلاحظ النموذج النتيجة ويحدّث استدلاله. هذا النمط هو أساس وكلاء الذكاء الاصطناعي الحديثين — في كل مرة تبحث فيها أداة ذكاء اصطناعي على الويب، أو تقرأ ملفاً، أو تنفّذ كوداً، فهي تنفّذ حلقة ReAct.
يأتي النمط من ورقة 2023 لـ Yao et al.: "ReAct: Synergizing Reasoning and Acting in Language Models" (ICLR 2023).
تنسيق ReAct اليدوي (للتعليم أو التتبع الصريح):
```
Thought: ما الذي أحتاج فعله أولاً؟
Action: البحث على الويب، الاستعلام عن قاعدة بيانات، تنفيذ كود، إلخ
Observation: نتيجة ذلك الإجراء
Thought: بناءً على هذه النتيجة، ما هي خطوتي التالية؟
Action: الإجراء التالي
... (تكرار حتى الإجابة النهائية)
Final Answer: خلاصة مركّبة
```
أوجه الاختلاف بينهما
Chain-of-Thought (CoT) هو مسار استدلالي خطي واحد. تقول "فكر خطوة بخطوة" ويشرح النموذج منطقه من البداية إلى النهاية دون تفرّع أو توقف لاتخاذ إجراءات.
Tree-of-Thought (ToT) يُفرّع الاستدلال. يولّد النموذج مسارات متعددة، ويقيّم كل منها، ويختار الأفضل قبل الإنهاء.
ReAct يتشابك الاستدلال مع الإجراءات الخارجية. يستدلّ النموذج، يتخذ خطوة ملموسة (بحث، استعلام، تنفيذ كود)، يلاحظ النتيجة، ويعدّل استدلاله وفقاً لذلك.
ملخص حالات الاستخدام:
- CoT عندما: تحتاج استدلالاً واضحاً لمشكلة محددة جيداً (الرياضيات، المنطق، الشرح البسيط)
- ToT عندما: تستكشف الاستراتيجية، أو التخطيط، أو تتخذ قراراً عالي المخاطر حيث يهم مقارنة البدائل
- ReAct عندما: تحتاج استرجاع معلومات، أو تصحيح أخطاء، أو التفاعل مع أدوات أو أنظمة خارجية
جدول المقارنة: CoT مقابل ToT مقابل ReAct
| Dimensión | Chain-of-Thought (CoT) | Tree-of-Thought (ToT) | ReAct |
|---|---|---|---|
| شكل الاستدلال | خطي (مسار واحد) | متفرع (مسارات متعددة → اختيار الأفضل) | خطي مع حلقات أدوات |
| الإجراء المحوري | "فكر خطوة بخطوة" | "استكشف 3 مناهج، قيّم، اختر" | "استدلّ → تصرّف → الاحظ → كرّر" |
| هل تستخدم أدوات خارجية؟ | لا | لا (استدلال داخلي فقط) | نعم — البحث، APIs، تنفيذ الكود |
| تكلفة الرموز المميزة مقابل الأساس | ~1.5-2× | ~2-5× | متغيرة (تعتمد على استدعاءات الأدوات) |
| الأفضل لـ | الرياضيات، المنطق، الشرح | الاستراتيجية، التخطيط، الاستكشاف الإبداعي | البحث، التصحيح، التحقق من الحقائق |
| دعم النماذج في 2026 | جميع النماذج | الأفضل مع نماذج الاستدلال (Opus 4.8، o3) | مدمج في جميع النماذج الحدية عبر استخدام الأدوات |
| هل التنسيق اليدوي ضروري؟ | نعم (في النماذج غير الاستدلالية) | نعم (هيكل التفرع الصريح يساعد) | لا (استخدام الأدوات الأصلي)، باستثناء نماذج الأوزان المفتوحة |
كيفية كتابة موجّه Tree-of-Thought
- 1اذكر المشكلة وعدد الفروع صراحةً. مثال: "اولّد بالضبط 3 مناهج لـ المشكلة." التحديد الدقيق لعدد الفروع يساعد النموذج على الاستكشاف بشكل منهجي.
- 2حدّد معايير التقييم قبل مطالبة النموذج بالاختيار. مثال: "قارنها من حيث الجدوى، والتكلفة، ووقت التنفيذ." حدّد ما الذي يجعل فرعاً أفضل من آخر.
- 3اطلب من النموذج تقييم كل فرع. اطلب منه تسجيل النقاط أو تصنيف المناهج: "لكل منهج، اذكر الإيجابيات والسلبيات وعوامل الخطر."
- 4أضف تعليمات الاختيار. مثال: "اختر المنهج الذي يوازن بشكل أفضل معاييرك. اشرح اختيارك في جملتين."
- 5أكمل المهمة بالفرع المختار. بعد أن يلتزم النموذج بمسار، اجعله يُنفّذه باستدلال كامل: "الآن، قدّم تعليمات خطوة بخطوة لتنفيذ المنهج المختار."
كيفية كتابة موجّه ReAct
لتتبع ReAct الصريح (مفيد للتعليم أو التصحيح أو عندما تريد رؤية كل خطوة)، استخدم هذا التنسيق اليدوي:
```
Thought: ما المعلومات التي أحتاجها للإجابة على هذا السؤال؟
Action: البحث عن الموضوع X، الاستعلام عن Y في قاعدة البيانات، تنفيذ الأمر Z
Observation: نتيجة الإجراء — الصق البيانات الفعلية أو المخرجات هنا
Thought: بناءً على هذه النتيجة، ما هي خطوتي التالية؟
Action: الإجراء التالي
Observation: النتيجة
... (كرّر حسب الحاجة)
Final Answer: خلاصة مركّبة بناءً على جميع الملاحظات
```
للنماذج الحدية ذات استخدام الأدوات الأصلي (GPT-5.5، Claude Opus 4.8/Sonnet 4.6، Gemini 3.1 Pro)، لا تحتاج إلى تنسيق هذا يدوياً. فقط اذكر ما تريد فعله: "ابحث في مشهد نماذج الذكاء الاصطناعي لعام 2026 وقارن GPT-5.5 و Claude Opus 4.8 و Gemini 3.1 Pro." سيستدعي النموذج الأدوات تلقائياً، ويلاحظ النتائج، ويواصل الاستدلال.
ReAct في 2026: من نمط الموجّه إلى السلوك المدمج
اقترحت ورقة ReAct الأصلية (2023) حلقة Thought-Action-Observation كتنسيق موجّه — تقنية لهيكلة كيفية توجيه النموذج للاستدلال والتصرف. في 2023–2024، كان المستخدمون يضطرون إلى تنسيق هذا يدوياً في موجّهاتهم.
في 2026، تنفّذ جميع النماذج الحدية حلقة ReAct تلقائياً عبر استخدام الأدوات الأصلي / استدعاء الوظائف. عندما تطلب من GPT-5.5 أو Claude Opus 4.8 أو Gemini 3.1 Pro أو Claude Sonnet 4.6 البحث في موضوع، أو تنفيذ كود، أو البحث عن شيء، يقرر النموذج متى يستدعي أداة، ويستقبل النتيجة، ويواصل الاستدلال — لا تنسيق يدوي لـ `Thought: / Action: / Observation:` مطلوب.
متى لا يزال التنسيق اليدوي لـ ReAct وثيق الصلة:
- نماذج الأوزان المفتوحة بدون استخدام الأدوات الأصلي (مثل LLaMA 4، Mistral، إصدارات Qwen الأقدم). هذه النماذج لا تحتوي على استدعاء وظائف مدمج، لذا قد يحسّن تنسيق ReAct الصريح الاستدلال المنظم.
- السياقات التعليمية / التصحيحية حيث تريد رؤية مسار الاستدلال الكامل وكل خطوة يتخذها النموذج.
- السيناريوهات المحاكاة حيث تُعدّ بيئة محاكاة بدون APIs حقيقية متصلة.
Tree-of-Thought و ReAct في الأنظمة الوكيلية
Claude Code / OpenAI Codex / Cursor هي ReAct منتج: يستدلّ الوكيل على الكود المطلوب كتابته → يكتب الكود → يُشغّل الاختبارات → يلاحظ الأخطاء → يصحح ويكرر.
وكلاء البحث (Perplexity، وظائف Deep Research في Claude/ChatGPT) يستخدمون ReAct: يصوغون السؤال → يبحثون على الويب → يقرؤون النتائج → يُركّبون الإجابة → يبحثون مجدداً إذا لزم الأمر.
Claude Managed Agents (أُطلق في 2026) هو حزمة ReAct مُدارة بالكامل مع بيئة تجريب آمنة، وإدارة أدوات، ومعالجة حلقات مدمجة.
ToT في التخطيط الوكيلي: تستخدم بعض أطر الوكلاء المتقدمة ToT في مرحلة التخطيط — اقتراح استراتيجيات عالية المستوى متعددة، وتقييم الجدوى، ثم تنفيذ الأفضل عبر حلقات ReAct في كل خطوة.
MCP (Model Context Protocol) يوحّد اتصالات الأدوات، مما يجعل حلقات الوكلاء على غرار ReAct قابلة للتوصيل والتشغيل.
أمثلة على الموجّهات
❌ عام (بدون هيكل)
أعطني ثلاث طرق لتحسين الاحتفاظ بالعملاء. أيها الأفضل؟
✅ ToT مع معايير صريحة
اولّد بالضبط 3 استراتيجيات لتحسين الاحتفاظ بالعملاء. لكل استراتيجية، قيّمها وفق: (1) صعوبة التنفيذ (مقياس 1-5)، (2) التأثير المتوقع على الاحتفاظ (٪، 6 أشهر)، و(3) تكلفة التنفيذ. ثم اختر الاستراتيجية التي توازن بشكل أفضل بين التأثير والجدوى. اشرح اختيارك.
❌ بدون إجراءات صريحة
ما هو أحدث بحث حول قوانين قياس المحولات؟
✅ هيكل ReAct (ابحث، الاحظ، ركّب)
أحتاج إلى فهم قوانين قياس المحولات اعتباراً من 2026. من فضلك: (1) ابحث في المقالات أو المعايير الحديثة حول قوانين القياس، (2) ابحث عن بيانات حول العلاقة بين حجم النموذج والأداء، (3) ابحث عن معلومات حول العلاقات بين تكلفة التدريب وتكلفة الاستدلال. بعد جمع المعلومات، لخّص النتائج الرئيسية.
تكلفة الرموز المميزة
يستخدم Tree-of-Thought رموزاً مميزة أكثر بكثير من chain-of-thought الخطي لأن النموذج يولّد فروعاً متعددة قبل اختيار واحدة. توقع 2–5× رموز الإخراج لموجّه CoT قياسي.
مثال: قد يولّد موجّه CoT بسيط 500 رمز إخراج. قد يولّد موجّه ToT الذي يستكشف 3 فروع 3 × 500 = 1,500 رمز، بالإضافة إلى نحو 200 للتركيب النهائي. الإجمالي: ~1,700 رمز إخراج.
للاستخدام عالي الحجم، احتفظ بـ ToT للقرارات الاستراتيجية وعالية المخاطر حيث يستحق استكشاف البدائل التكلفة.
تكلفة ReAct متغيرة بحسب عدد استدعاءات الأدوات. كل جولة إجراء/ملاحظة تضيف رموزاً، لكن العمل قد يستحق الجهد إذا حسّنت البيانات الخارجية الإجابة بشكل ملحوظ.
كيفية البدء
- 1للاستراتيجية والتخطيط → استخدم Tree-of-Thought. أنت تتخذ قراراً عالي المخاطر (خارطة طريق المنتج، الاستثمار، معمارية الأنظمة). اطلب من النموذج صراحةً توليد 3 مناهج، وتقييمها وفق معاييرك، واختيار الأفضل.
- 2للبحث أو التصحيح أو البحث عن حقائق → استخدم ReAct أو استخدام الأدوات الأصلي. اطلب من النموذج البحث عن أشياء، ملاحظة النتائج، والتركيب. في النماذج الحدية (GPT-5.5، Claude Opus 4.8، Gemini 3.1 Pro)، يتعامل استخدام الأدوات الأصلي مع ReAct تلقائياً.
- 3ادمج كلتا التقنيتين. استخدم ToT في مرحلة التخطيط: "اولّد 3 استراتيجيات لـ X. لكل منها، اذكر الخطوات اللازمة." ثم استخدم ReAct داخل الاستراتيجية المختارة: "للاستراتيجية المختارة، ابحث فيما يلي: السؤال 1، السؤال 2. الاحظ النتائج، ثم نفّذ."
- 4اختبر كليهما في حالة الاستخدام الخاصة بك في PromptQuorum. قارن كيف يتعامل GPT-5.5 و Claude Opus 4.8 و Gemini 3.1 Pro و Mistral Large مع موجّه ToT أو ReAct المحدد لديك. سترى أي أسلوب استدلال للنموذج يناسب مهمتك أكثر.
الأخطاء الشائعة
❌ استخدام ToT للمهام البسيطة
Why it hurts: يضيف ToT 2–5× تكلفة الرموز المميزة. لمهمة "لخّص هذا البريد الإلكتروني"، يكون chain-of-thought الخطي أسرع وأرخص ودقيقاً بنفس القدر.
Fix: جرّب chain-of-thought أولاً. إذا كانت الدقة >90٪، لا ترقّ إلى ToT.
❌ طلب عدد كبير جداً من الفروع
Why it hurts: "اولّد 10 مناهج" يُرهق قدرة النموذج على التقييم الهادف. بعد 5 فروع، تنخفض جودة التقييم.
Fix: 3–5 فروع هي النقطة المثلى. للمشكلات المعقدة، استخدم 3. للعصف الذهني الإبداعي، استخدم 5.
❌ ReAct بدون أدوات حقيقية
Why it hurts: ReAct المحاكي (حيث يتخيّل النموذج نتائج الإجراءات) أضعف من ReAct الحقيقي (حيث يستدعي النموذج APIs/أدوات حقيقية). الإجراءات المحاكاة لا تزال تهلوس بيانات.
Fix: لـ ReAct الإنتاجي، استخدم إطار وكلاء (LangChain، CrewAI) مع ربط أدوات حقيقي.
❌ بدون معايير تقييم في ToT
Why it hurts: "اختر أفضل منهج" بدون معايير يعني أن النموذج يختار بشكل عشوائي أو بتفضيل افتراضي.
Fix: حدّد 3–5 معايير تقييم: "قيّم كل فرع على الجدوى (1-5)، التكلفة (1-5)، وقت التنفيذ (1-5). اختر أعلى مجموع نقاط."
❌ دمج ToT + ReAct في كل مشكلة
Why it hurts: الدمج قوي لكنه مكلف وبطيء. معظم المشكلات تحتاج تقنية واحدة، وليس كليهما.
Fix: استخدم ToT لمشكلات "أي استراتيجية". استخدم ReAct لمشكلات "إيجاد معلومات والاستدلال". ادمجهما فقط عند الحاجة لكليهما.
❌ عدم تحديد معايير اختيار الفروع في ToT
Why it hurts: غالباً ما تتوقف النماذج بعد توليد الفروع دون أن تُعلن بوضوح سبب اختيار واحدة على الأخرى.
Fix: اطلب الاستدلال الصريح: "بعد تقييم كل فرع، اذكر: الفرع A يسجّل X في المعيار Y لأن السبب. الاختيار النهائي: الفرع Z لأن مجموع النقاط والمبرر."
❌ استخدام ReAct بدون حلقات ملاحظة
Why it hurts: يستدلّ النموذج، يتخذ إجراءً، ثم يواصل فوراً دون التوقف لملاحظة النتيجة. هذا يُضيع فائدة التغذية الراجعة من العالم الحقيقي.
Fix: أنفّذ الحلقة: "بعد كل إجراء، تَوَقَّف وقل: الملاحظة: ما تعلمته. الاستدلال المحدّث: كيف يغيّر هذا منهجك. الإجراء التالي: ما ستفعله بشكل مختلف."
❌ السماح لفروع ToT بالانجراف نحو استكشاف غير وثيق الصلة
Why it hurts: بدون قيود واضحة، قد يولّد النموذج فروعاً خيالية لكنها غير ذات صلة ولا تساعد في حل المشكلة الأصلية.
Fix: ضع حدوداً للفروع: "اولّد 3 مناهج لـ مشكلة محددة. يجب أن يعالج كل منهج مباشرةً القيد."
❌ استخدام نفس عدد الفروع لكل مشكلة
Why it hurts: المشكلات البسيطة بـ 3 فروع قد تُظهر خياراً مهيمناً وتُضيع ميزانية الرموز. المشكلات المعقدة بفرعين فقط قد تفوّت بدائل مهمة.
Fix: كيّف عدد الفروع وفق تعقيد المشكلة: 2 للقرارات الثنائية، 3 للمشكلات النموذجية، 4–5 للعمل الإبداعي المفتوح، 1 (CoT فقط) للمهام البسيطة.
استخدام ToT و ReAct في PromptQuorum
يتيح لك PromptQuorum اختبار أنماط Tree-of-Thought و ReAct بالتوازي على GPT-5.5 و Claude Opus 4.8 و Claude Sonnet 4.6 و Gemini 3.1 Pro والنماذج ذات الأوزان المفتوحة مثل Mistral Large و LLaMA 4.
اكتب موجّه ToT أو ReAct مرة واحدة، وسيرسله PromptQuorum إلى جميع النماذج في آنٍ واحد. الاحظ كيف يفسّر كل منها هيكل التفرع أو حلقة الإجراء-الملاحظة. رؤية الفوارق تساعدك في تحسين موجّهاتك لحالات الاستخدام المحددة.
مثال على سير العمل:
1. اكتب موجّه ToT: "اولّد 3 طرق لتحسين استعلام قاعدة بيانات. قيّم على السرعة، والتعقيد، وقابلية الصيانة."
2. أرسل إلى GPT-5.5 و Claude Opus 4.8 و Gemini 3.1 Pro عبر PromptQuorum.
3. قارن النتائج. أي نموذج استكشف فروعاً أكثر؟ أي شرح كان أوضح؟ أي تحليل للمقايضات كان أكثر فائدة؟
4. في تكرارك التالي، ستعرف أي نموذج ونبرة تناسب فريقك أكثر.
قراءات ذات صلة
الأسئلة الشائعة
ما هو Tree-of-Thought prompting؟
يوجّه Tree-of-Thought (ToT) prompting النموذج لاستكشاف مسارات استدلال متعددة — كفروع شجرة القرارات — وتقييم كل منها ثم اختيار أفضل مسار قبل تقديم الإجابة النهائية. على عكس chain-of-thought الخطي، يولّد ToT البدائل ويقارنها صراحةً.
ما هو ReAct prompting؟
ReAct (Reason + Act) هو إطار موجّه حيث يتناوب النموذج بين خطوات الاستدلال ("الأفكار") والإجراءات (استدعاء الأدوات، والبحث، والاستعلامات). بعد كل إجراء، يلاحظ النموذج النتيجة ويحدّث استدلاله. هذا النمط هو أساس وكلاء الذكاء الاصطناعي الحديثين.
كيف يختلف Tree-of-Thought عن chain-of-thought؟
يتبع chain-of-thought مساراً استدلالياً خطياً واحداً. يتفرّع Tree-of-Thought إلى مسارات متعددة، ويقيّمها، ويختار الأفضل. فكّر في CoT كالسير على مسار واحد مقابل ToT كاستكشاف تقاطع طرق قبل اختيار أيها تسلك.
هل ما زلت بحاجة إلى تنسيق ReAct يدوياً في 2026؟
للنماذج الحدية ذات استخدام الأدوات الأصلي (GPT-5.5، Claude Opus 4.8، Gemini 3.1 Pro)، لا. تنفّذ هذه النماذج حلقة Reason-Act-Observe تلقائياً عبر APIs استدعاء الوظائف. لا يزال التنسيق اليدوي مفيداً لنماذج الأوزان المفتوحة بدون استخدام أدوات، ولأغراض تعليمية، أو في سيناريوهات محاكاة.
هل يمكنني دمج Tree-of-Thought و ReAct؟
نعم. استخدم ToT على المستوى الاستراتيجي لاستكشاف ومقارنة مناهج عالية المستوى متعددة، ثم استخدم ReAct داخل الفرع المختار لتنفيذ الخطوات التي تتطلب تفاعلات مع الأدوات أو استعلامات البيانات.
أي النماذج تتعامل مع Tree-of-Thought بشكل أفضل؟
النماذج ذات أوضاع التفكير الممتد / الاستدلال تتعامل مع ToT بشكل أكثر طبيعية: Claude Opus 4.8 (التفكير الممتد)، GPT-5.5 (وضع الاستدلال)، و Gemini 3.1 Pro (Deep Think).
ما هي التطبيقات الواقعية لـ ReAct؟
كل وكيل ذكاء اصطناعي حديث هو حلقة ReAct: Claude Code (الاستدلال على الكود → التعديل → تشغيل الاختبارات → الملاحظة → التكرار)، ومساعدو البحث (الاستدلال على السؤال → البحث على الويب → قراءة النتائج → التركيب)، وبوتات دعم العملاء.
كيف يؤثر Tree-of-Thought على تكلفة الرموز المميزة؟
يستخدم ToT رموزاً مميزة أكثر بكثير من CoT الخطي لأن النموذج يولّد فروعاً متعددة قبل اختيار واحدة. توقع 2–5× رموز الإخراج لموجّه CoT قياسي.
المصادر والقراءات الإضافية
- ياو، س.، يو، د.، ظاو، ج.، وآخرون (2023). "Tree of Thoughts: حل المشكلات المتأني بنماذج اللغة الكبيرة." NeurIPS 2023. arXiv:2305.10601
- ياو، س.، ظاو، ج.، يو، د.، وآخرون (2023). "ReAct: تآزر الاستدلال والتصرف في نماذج اللغة." ICLR 2023. arXiv:2210.03629
- وي، ج.، وانغ، إكس.، شورمانز، د.، وآخرون (2022). "Chain-of-Thought Prompting: استخلاص الاستدلال من نماذج اللغة الكبيرة." NeurIPS 2022. arXiv:2201.11903
- شين، ن.، كاسيرر، أ.، غويال، أ.، وآخرون (2023). "Reflexion: وكلاء اللغة بالتعزيز اللفظي." arXiv:2303.11366
- Anthropic. (2026). "توثيق استخدام الأدوات — Claude API." Retrieved from https://docs.anthropic.com
- OpenAI. (2026). "استدعاء الدوال — Responses API." Retrieved from https://platform.openai.com/docs