The cognitive verifier pattern: Technika sebedotazování v AI ✓

Kognitivní ověřovatel je vzor prompt engineeringu, který vede jazykový model k tomu, aby neodpovídal hned na složitou nebo „příliš obecnou“ otázku, ale nejdřív ji rozložil na menší podotázky, které odhalí chybějící informace, skryté předpoklady a důležité dimenze problému. Teprve potom model zodpoví dílčí otázky (buď sám z dostupného kontextu, nebo na základě odpovědí od uživatele) a nakonec syntetizuje finální odpověď na původní otázku.

Princip je jednoduchý: pokud je vstupní dotaz příliš „na vysoké úrovni“ (high-level), model snadno sklouzne k vágní odpovědi, domýšlení detailů nebo vynechá klíčové souvislosti. Kognitivní ověřovatel proto vytváří „mikro-dotazy“, které zúží prostor nejistoty. Výsledkem je odpověď, která je obvykle konkrétnější, úplnější a lépe ukotvená v kontextu.

Proč to funguje

Složitý dotaz často obsahuje více problémů najednou: nejasné cíle, neupřesněné vstupy, chybějící omezení (čas, rozpočet, publikum), i implicitní předpoklady (např. že existují data, že platí určitá pravidla, že „lepší“ znamená to či ono). Vzor kognitivního ověřovatele modelu explicitně dovolí (a přikáže) udělat to, co by udělal dobrý konzultant nebo analytik: nejdřív se doptat a až pak navrhnout řešení.

Jádro vzoru

V nejběžnější podobě má vzor tři kroky:

Decomposition (rozklad): model vygeneruje několik doplňujících otázek, které jsou potřeba pro přesnou odpověď.
Answering (zodpovězení): model odpoví na podotázky (a) z poskytnutých dat, nebo (b) vyžádá odpovědi od uživatele.
Synthesis (syntéza): model spojí dílčí odpovědi do jedné finální odpovědi na původní dotaz.

Důležitý detail: podotázky nejsou „pro forma“. Mají být takové, aby reálně měnily kvalitu výsledku: vyjasní cíle, doplní zásadní parametry, nebo rozdělí problém na části, které lze řešit postupně.

Kdy se vyplatí Cognitive Verifier použít

Nejasné nebo široké otázky: „Jak zlepšit výsledky?“, „Jak udělat strategii?“, „Co je nejlepší řešení?“ – bez upřesnění se nedá odpovědět konkrétně.
Komplexní rozhodování: výběr variant, plánování, návrh architektury, strategie, risk management.
Vysoce náročné vysvětlení: témata, kde odpověď závisí na kontextu (cílové publikum, úroveň znalostí, cíle).
Situace s vysokou chybovostí: když je riziko, že model „domyslí“ fakta, nebo že přehlédne podmínky zadání.

Typické přínosy

Přesnost: méně vágních odpovědí, více ukotvení v kontextu.
Úplnost: menší šance, že se vynechá důležitý aspekt.
Odhalení předpokladů: model vytáhne na světlo, co bylo „nevyslovené“.
Struktura: místo jedné dlouhé odpovědi vznikne jasný rámec, který se dá kontrolovat.
Robustnost: když se upřesní vstupy, klesá riziko nesmyslných závěrů.

Rizika a limity (na co si dát pozor)

Tento vzor je velmi užitečný, ale není zadarmo:

Vyšší interaktivita: často vyžaduje více kol (model se ptá, uživatel odpovídá, model syntetizuje). To může být nevhodné, pokud potřebuješ jednorázový výstup bez dialogu.
Špatně zvolené podotázky: pokud jsou příliš obecné („Jaký je váš cíl?“ bez kontextu) nebo naopak příliš detailní, vzor ztrácí efekt. Podotázky musí být „správně kalibrované“ k úloze.
Falešný pocit ověření: vzor zlepší strukturu uvažování, ale sám o sobě nezaručí pravdivost faktů. K faktické verifikaci může být potřeba citace zdrojů, kontrolní seznamy, nebo externí ověřování.

Jak psát dobré podotázky (praktická heuristika)

Dobré podotázky typicky pokryjí několik kategorií. Není nutné vždy použít všechny, ale pomáhá mít je v hlavě:

Upřesnění cíle: Co přesně je „úspěch“? Jak se bude hodnotit výsledek?
Kontext: Pro koho je výstup? V jakém prostředí se použije?
Omezení: Čas, rozpočet, nástroje, pravidla, povolené a zakázané postupy.
Vstupy a data: Jaká data jsou k dispozici? Jsou spolehlivá? Chybí něco?
Varianty a trade-offy: Jaké jsou alternativy? Co obětuješ a co získáš?
Rizika: Co se může pokazit? Jaká jsou největší neznámá?

Šablona promptu (obecná, znovupoužitelná)

Níže je „meta-prompt“ (šablona), kterou můžeš používat opakovaně. Je napsaná tak, aby model nejdřív vytvořil otázky, potom čekal na odpovědi (nebo si řekl, že odpovědi nemá), a nakonec vše spojil do výsledku.

Když ti položím otázku, nepokoušej se odpovědět hned.

1) Nejdřív vygeneruj přesně N doplňujících otázek, které potřebuješ k přesné odpovědi.
   - Otázky musí být konkrétní a směřovat k doplnění chybějících informací.
   - Každá otázka má mít jasný důvod: jak zlepší finální odpověď.

2) Počkej na moje odpovědi na tyto otázky.
   - Pokud odpovědi nedostaneš, explicitně uveď, co je neznámé a jaké dopady to má.

3) Až budu hotový, zkombinuj:
   - původní otázku
   - moje odpovědi na doplňující otázky
   a vytvoř finální odpověď.

FORMÁT:
- Nejprve: "Doplňující otázky" (číslovaný seznam) + krátké zdůvodnění u každé otázky
- Poté: "Finální odpověď" (strukturovaně, s odrážkami a doporučeními)

Dvě běžné varianty vzoru

Varianta A: Interaktivní (model se ptá uživatele)

Tohle je nejčistší Cognitive Verifier. Model položí otázky a bez odpovědí nepředstírá, že „ví“. Pokud odpovědi nedostane, dá alespoň odpověď s jasně vyznačenými nejistotami a návrhem, co doplnit.

Varianta B: Interní (model si podotázky zodpoví z poskytnutého kontextu)

Pokud už máš dost dat v zadání (např. dlouhý brief, specifikaci, tabulku), můžeš model požádat, aby si podotázky vytvořil, ale odpověděl na ně z toho, co je v textu. Kde data chybí, má označit „neznámé“ místo domýšlení. Tato varianta je méně dialogová a hodí se, když chceš jednorázový výstup, ale pořád těžíš z rozkladu.

Jak to navázat na tvoje poznatky

Tvůj popis sedí přesně: vzor rozkládá složitou otázku na zvládnutelné podotázky a pak kombinuje odpovědi do jedné komplexní odpovědi. Prakticky je to „proces ověřování a konsolidace“: nejdřív se získají dílčí informace, potom se sjednotí do robustního finálního výstupu.

Důležité je vnímat, že „ověření“ v názvu vzoru často znamená kognitivní ověření (tj. zlepšení uvažování, úplnosti a přesnosti díky rozkladu), nikoli automaticky ověření faktů proti externím zdrojům. Pokud chceš i faktickou kontrolu, dá se tento vzor dobře kombinovat s dalšími technikami (např. checklisty, požadavek na zdroje/citace, nebo samostatný fact-check krok).

Praktické tipy pro stabilní použití

N nastav rozumně: typicky 3–7 otázek. Příliš málo = nepokryješ dimenze; příliš mnoho = zbytečná zátěž.
Vynucuj důvod u každé otázky: „Proč se ptáš?“ pomáhá, aby otázky nebyly náhodné.
Zakázat domýšlení: pokud není odpověď k dispozici, má být označená jako neznámá.
Definuj výstupní formát: díky tomu se syntéza lépe kontroluje (shrnutí, kroky, rizika, doporučení).
U dlouhých úkolů použij fáze: např. (1) otázky, (2) návrh, (3) kritická revize, (4) finální verze.