Pre-solving fáze: proč CrossChat analyzuje otázku dříve, než odpoví

Zadáte otázku. Model odpoví okamžitě — plynule, přesvědčivě, strukturovaně. A o tři minuty později zjistíte, že odpovídal na jiný problém, než jste měli na mysli.

Největší ztráta kvality AI odpovědi nenastává při generování textu. Nastává dříve — při interpretaci otázky. Složité otázky mají implicitní předpoklady, víceznačné pojmy a skryté subproblémy. Model na ně obvykle nereflektuje. Prostě odpoví.

Pre-solving fáze tento krok přidává.

Rámec tvrzení Co článek tvrdí: Dekompozice otázky, identifikace implicitních předpokladů a volba techniky před samotným generováním odpovědi zvyšují relevanci výstupu u komplexních dotazů. Na čem to stojí: Principy chain-of-thought reasoning (Wei et al., 2022) a ReAct (Yao et al., 2022), které dokládají, že strukturované uvažování před odpovědí zlepšuje kvalitu. Konkrétní implementace v CrossChat vychází z těchto konceptů. Kde je to zjednodušení: Článek popisuje plánovanou funkci CrossChat; reálný dopad závisí na konkrétní implementaci a typu otázky. Přínos pre-solvingu u jednoduchých dotazů nebyl prokázán a článek to explicitně uvádí.

Co pre-solving fáze dělá

Pre-solving fáze analyzuje otázku dříve, než vybere workflow a zahájí odpovídání. Nepřidává zpomalení — přidává strukturu.

Provádí tři kroky:

1. Dekompozice otázky. Složený problém se rozloží na subotázky. Co je known fact, co je uncertain, co je empirická otázka a co je hodnotový soud? Tato separace zabrání tomu, aby model míchal různé typy argumentů dohromady — faktická tvrzení s doporučeními založenými na preferencích.

2. Identifikace implicitních předpokladů. Každá otázka nese předpoklady, které autor považuje za samozřejmé. "Který model je nejlepší?" — nejlepší podle jakého kritéria? Cena, rychlost, přesnost, nebo vhodnost pro konkrétní doménu? Pre-solving tyto předpoklady vysvětlí, než si je model zvolí sám.

3. Doporučení techniky. Na základě dekompozice systém doporučí vhodný workflow. Faktická otázka s nejistotou → cross-check více modely. Komplexní rozhodnutí s různými úhly pohledu → multi-model debate nebo council. Kreativní úkol → jiná konfigurace. Technika se vybírá podle struktury problému, ne náhodně.

Kde je hodnota nezávislá na konkrétní platformě: tyto tři kroky lze provést manuálně před zadáním otázky jakémukoli AI nástroji. Pre-solving jako princip je přenositelný.

Kdy pre-solving použít — a kdy ne

Pre-solving stojí čas a tokeny navíc. Investice se vrátí, jen pokud je otázka dostatečně složitá.

| Situace | Pre-solving? | Proč | |---------|-------------|------| | Komplexní obchodní rozhodnutí | ✓ Ano | Více subproblémů, implicitní kritéria | | Analytický výzkum | ✓ Ano | Skryté předpoklady, potřeba evidence | | Strategická otázka | ✓ Ano | Hodnoty a fakta je třeba oddělit | | Jednoduchý faktický dotaz | ✗ Ne | Overhead bez zisku | | Rychlé vyhledání pojmu | ✗ Ne | Overhead bez zisku | | Kreativní generování | ✓ Volitelné | Záleží na složitosti zadání |

Pravidlo pro rozhodnutí: pokud formulace otázky závisí na kontextu, který v otázce explicitně není — pre-solving pomůže. Pokud otázka má jednoznačnou odpověď, kterou nepotřebujete dekomponovat — pre-solving je nadbytečný.

Jak pre-solving změní výsledek: konkrétní příklad

Otázka: "Měli bychom outsourcovat zákaznický servis?"

Bez pre-solving: Model rovnou porovnává výhody a nevýhody outsourcingu — obecné argumenty o nákladech a kvalitě, bez kontextu vaší situace. Výsledek zní přesvědčivě, ale odpovídá na generickou otázku, ne na vaši.

S pre-solving:

Krok 1 — Dekompozice: Otázka má finanční rozměr (náklady interního vs. externího servisu), kvalitativní rozměr (zákaznická zkušenost, rychlost řešení), strategický rozměr (kontrola nad procesem, znalost zákazníků) a kontextuální rozměr (kde aktuálně selhává stávající servis?).

Krok 2 — Identifikace předpokladů: "Outsourcovat" — kam, jakou část, na jakou dobu? Jaké jsou aktuální pain pointy interního servisu? Čím je zákaznický servis ve vašem oboru specifický?

Krok 3 — Doporučení techniky: Multi-model debate, kde různé modely hrají různé role — CFO (finanční perspektiva), CX manažer (zákaznická zkušenost), risk officer (strategické riziko). Každá role analyzuje jednu dimenzi otázky.

Výsledkem je strukturovaná analýza třech dimenzí s jasně oddělenými typy argumentů — místo jednoho přesvědčivého, ale kontextově slepého doporučení.

Časté otázky

Nestačí, když otázku sám upřesním? Ano, ale pre-solving identifikuje předpoklady, které sám nevidíte — protože jsou pro vás samozřejmé. "Outsourcovat zákaznický servis" — vy víte, co máte na mysli. Model neví, a proto přijme svůj vlastní implicitní kontext.

Jak dlouho pre-solving trvá? Typicky jeden krok navíc před hlavní odpovědí. Délka závisí na komplexitě otázky — jednoduché problémy proběhnou rychle, složité strategické otázky mohou vyžadovat delší dekompozici.

Mohu pre-solving provést sám, bez nástroje? Ano. Před zadáním otázky si napište: jaké jsou subotázky, jaké předpoklady otázka nese, jaký typ odpovědi hledám (fakta, doporučení, analýza variant). To je manuální pre-solving.

Jak to vyzkoušet

Pre-solving fáze je v CrossChat součástí workflow automaticky — systém ji aplikuje u komplexnějších otázek a výsledky dekompozice zobrazuje jako součást průběhu odpovědi. Máte přehled, jak systém otázku interpretoval, a můžete ho korigovat před tím, než dostanete finální výstup.

Pokud preferujete manuální přístup, princip tří kroků — dekompozice → identifikace předpokladů → výběr techniky — funguje v libovolném chat rozhraní. Stačí je provést explicitně sami před zadáním hlavní otázky.

Zdroje

Yao, S. et al. (2022). ReAct: Synergizing Reasoning and Acting in Language Models. arXiv:2210.03629. DOI: 10.48550/arXiv.2210.03629
Wei, J. et al. (2022). Chain-of-Thought Prompting Elicits Reasoning in Large Language Models. arXiv:2201.11903. DOI: 10.48550/arXiv.2201.11903

Historie úprav

Koncept: Claude Code + Anthropic Sonnet 4.6 Verze 1: Claude Code + Anthropic Sonnet 4.6 Verze 2: Codex + GPT-5.2

Kvalitativní audit (2026-03-24, Claude Code + Claude Opus 4.6): přidán Rámec tvrzení, ověřeny zdroje, jazyková úprava.