شاید شما هم با واژه پرامپت یا prompt مواجه شده باشید. در این مقاله می خواهیم پرامپت نویسی را به شما یاد بدهیم. بسیاری از ما هنگام کار با ابزارهای هوش مصنوعی مانند ChatGPT یا Gemini، از پاسخهای سطحی، کلیشهای و گاهی کاملاً اشتباه ناامید میشویم. ریشه این مشکل در یک سوءتفاهم بزرگ است، این که ما تصور میکنیم هوش مصنوعی کلمات را مانند انسان درک میکند! در واقعیت، مدلهای بزرگ زبانی (LLM) کلمات را به کدهای عددی به نام توکن (Token) تبدیل کرده و بر اساس احتمالات ریاضی، کلمه بعدی را پیشبینی میکنند. وقتی شما اصول «مهندسی پرامپت» را اعمال میکنید، انگار در حال برنامهنویسی به زبان طبیعی هستید؛ اما به جای کدنویسی، با کلمات خود مسیر احتمالات ریاضی مدل را هدایت میکنید تا نرخ توهم (Hallucination) یا همان اطلاعات نادرست هوش مصنوعی را به حداقل برسانید. در این مقاله، با تکیه بر آموزههای دوره مهندسی پرامپ گوگل و فرمولهای استراتژیک، یاد میگیرید که چگونه دستوراتی بنویسید که دقیقترین و کارآمدترین خروجیها را به شما تحویل دهند. فرمول ۶ مرحلهای؛ سلسلهمراتب قدرت در پرامپتنویسی برای اینکه هوش مصنوعی را از پاسخ دادن کلیشهای نجات دهید، باید ساختار دستور خود را بر اساس یک فرمول ششبخشی و منظم بچینید. نکته کلیدی این است که همه اجزای یک پرامپت ارزش یکسانی ندارند و باید سلسلهمراتب اهمیت را در آنها رعایت کنید: ۱. وظیفه (Task): این بخش اولویت اول و اجباری شماست. دستور خود را همیشه با یک فعل امری دقیق آغاز کنید (مانند: «تحلیل کن»، «پیشنویس بنویس»، «کدنویسی کن»). ۲. زمینه (Context): پاسخ به سه سوال حیاتی؛ پیشزمینه شما چیست؟ موفقیت خروجی چگونه تعریف میشود؟ و این کار در چه محیطی قرار است استفاده شود؟ ۳. نمونهها (Exemplars / Few-shot): ارائه چند نمونه ورودی و خروجی به مدل، کیفیت نتیجه را به شدت افزایش میدهد؛ زیرا الگوهای ریاضی را برای مدل شفاف میکند. ۴. نقش (Persona): تعیین یک شخصیت یا تخصص برای مدل (مثلاً: «به عنوان یک متخصص بازاریابی با ۱۰ سال تجربه عمل کن»). ۵. قالب (Format): مشخص کردن ساختار خروجی (مانند: جدول، فایل JSON، یا متن پاراگرافبندیشده). ۶. لحن (Tone): تعیین اتمسفر حاکم بر متن (مانند: رسمی، طنز، یا همدلانه). نکته طلایی اینحاست که هدایت کردن (Steering) مدل با جزئیاتی درباره طول، تمرکز و سبک، همیشه نتیجه بهتری نسبت به فرمان دادن (Commanding) ساده دارد. برای اینکه این فرمول ۶ مرحلهای را بهتر درک کنید، بیایید سراغ یک یک مثال ملموس و روزمره برویم: «پختن شام خوشمزه با مواد محدود در یخچال». روش استفاده از فرمول ۶ مرحلهای اگر فقط از هوش مصنوعی بپرسید «با تخممرغ و گوجه و سیبزمینی چی بپزم؟»، هوش مصنوعی احتمالاً فقط طرز تهیه «املت» یا «سیبزمینی سرخکرده» را میدهد که خودتان هم میدانستید. حالا همین خواسته را با رعایت سلسلهمراتب قدرت مینویسیم تا هوش مصنوعی را هدایت کنیم: وظیفه: «یک دستور پخت خلاقانه و جدید برای شام امشب بنویس.» زمینه: «من فقط تخممرغ، گوجه و سیبزمینی دارم. خیلی خستهام و نمیخواهم بیشتر از ۲۰ دقیقه وقت بگذارم. آشپزخانهام هم کوچک است و نمیخواهم ظرفهای زیادی کثیف شود.» نمونه: «مثلاً چیزی شبیه به شکشوکا یا کوکو باشد، اما با ترکیبی که تکراری نباشد.» نقش: «به عنوان یک آشپز دانشجوی خلاق عمل کن که تخصصش درست کردن غذاهای لذیذ با کمترین امکانات است.» قالب: «خروجی را به صورت لیست شمارهگذاری شده برای مراحل پخت بده و در انتها یک بخش نکته سرآشپز اضافه کن.» لحن: «لحنت شوخ و خودمانی باشد تا خستگی کار از تنم در برود.» در این مثال با تعیین نقش، هوش مصنوعی دیگر مثل یک کتاب آشپزی خشک حرف نمیزند، بلکه مثل دوستی خلاق به شما ایده میدهد. با دادن زمینه (وقت کم و ظرف کم)، مدل دیگر دستور پختی که نیاز به فر یا ۲ ساعت زمان دارد را پیشنهاد نمیدهد. با تعیین قالب، شما مستقیماً سراغ اصل مطلب میروید و نیازی به خواندن مقدمههای طولانی ندارید. اگر خروجی اول عالی نبود، از چارچوب ABI (همیشه در حال اصلاح باش) استفاده کنید. مثلاً بگویید: «جملاتت را کوتاهتر کن و فقط از ادویههایی استفاده کن که در هر خانهای پیدا میشود». در ادامه این روش را توضیح دادهایم. چارچوب ABI چیست؟ عبارت ABI مخفف Always Be Iterating است؛ یعنی همیشه در حال اصلاح باش. بزرگترین اشتباه کاربران تازهکار این است که تصور میکنند پرامپتنویسی مثل سرچ گوگل است؛ یعنی یکبار یک سوال میپرسند و منتظر یک پاسخ کامل و جادویی میمانند. اگر پاسخ اول بد بود، ناامید میشوند و چت را میبندند. پرامپتنویسی مثل سرچ گوگل نیست؛ بلکه فرایندی تعاملی و گفتگومحور است اما در دنیای حرفهای، پرامپتنویسی فرایندی چرخهای و تعاملی (گفتگومحور) است. شما باید خروجی اول هوش مصنوعی را به چشم یک پیشنویس اولیه ببینید و قدمبهقدم آن را اصلاح کنید. برای پیادهسازی این چارچوب، دو ابزار ساختاریافته وجود دارد: ۱. ساختار TCREI؛ چگونه یک پرامپت را از صفر بسازیم؟ این ساختار به شما یاد میدهد که در تعامل با مدل، چه مراحلی را طی کنید: Task (وظیفه): مشخص میکنید چه کاری میخواهید (مثلاً: نوشتن یک ایمیل). Context (زمینه): اطلاعات جانبی را میدهید (ایمیل به چه کسی است؟ لحن چطور باشد؟). References (مراجع/نمونهها): یک نمونه از منابع قبلی خودتان را به عنوان الگو میدهید. Evaluate (ارزیابی): خروجی اول هوش مصنوعی را میخوانید و نقاط ضعفش را پیدا میکنید. Iterate (تکرار و اصلاح): بازخورد میدهید تا متن را اصلاح کند (مثلاً: «بخش دوم را صمیمیتر کن»). ۲. تکنیکهای RSTI؛ چطور خروجی نامطلوب را اصلاح کنیم؟ اگر هوش مصنوعی پاسخ نامناسبی داد، به جای ناامید شدن، از این چهار روش برای اصلاح دستور استفاده کنید: Revisit (بازنگری): به پرامپت اصلی خود برگردید؛ باید زمینه یا هدف اصلی را دقیق توضیح دهید. Separate (جداسازی
زومیت
زومیتزومیت