دو نفر از یک ابزار هوش مصنوعی یکسان استفاده می‌کنند. یکی پاسخی کلی و بی‌فایده می‌گیرد و نتیجه می‌گیرد که این فناوری بزرگ‌نمایی شده است. دیگری در چند دقیقه پیش‌نویس گزارشی دقیق و متناسب با نیازش دریافت می‌کند. تفاوت در ابزار نیست؛ در شیوهٔ درخواست است.
به این مهارت پرامپت‌نویسی یا مهندسی پرامپت می‌گویند. خبر خوب این است که پرامپت‌نویسی دانشی رمزآلود نیست و بیشتر به روشن‌اندیشی و بیان دقیق شباهت دارد تا به برنامه‌نویسی. در این راهنما می‌گوییم پرامپت چیست، یک پرامپت خوب چه اجزایی دارد، تکنیک‌های اصلی کدام‌اند، چه الگوهایی برای کارهای روزمره مفید است و از چه خطاهایی باید پرهیز کرد.
در این مقاله می‌خوانید:
- پرامپت چیست؟
- مهندسی پرامپت چیست؟
- اجزای یک پرامپت خوب
- تکنیک‌های اصلی مهندسی پرامپت
- الگوهای آماده برای کارهای روزمره
- چرخهٔ بهبود پرامپت
- خطاهای رایج در پرامپت‌نویسی
- پرامپت‌نویسی برای تصویر
- یک نمونهٔ کامل؛ از پرامپت خام تا پرامپت پخته
- آیا مهندسی پرامپت یک شغل است؟
- پرامپت‌نویسی در کار تیمی
- واژه‌نامهٔ کوتاه
- پرسش‌های پرتکرار
- جمع‌بندی
پرامپت چیست؟
پرامپت هر ورودی‌ای است که به یک مدل هوش مصنوعی مولد می‌دهیم تا خروجی تولید کند: یک پرسش، یک دستور، یک متن برای خلاصه‌سازی یا ترکیبی از همهٔ این‌ها. مدل بر پایهٔ همین ورودی، ادامه را می‌سازد.
برای فهم اهمیت پرامپت باید به یاد داشت که مدل زبانی چگونه کار می‌کند. همان‌طور که در مقالهٔ هوش مصنوعی مولد چیست توضیح داده‌ایم، مدل محتمل‌ترین ادامه را برای متن ورودی تولید می‌کند. اگر ورودی مبهم باشد، مدل ناچار است جاهای خالی را با حدس‌های میانگین پر کند و نتیجه چیزی کلی و معمولی می‌شود. هرچه ورودی دقیق‌تر باشد، دامنهٔ حدس تنگ‌تر و خروجی به خواستهٔ شما نزدیک‌تر می‌شود.
مهندسی پرامپت چیست؟
مهندسی پرامپت یعنی طراحی، آزمودن و بهبود نظام‌مند پرامپت‌ها برای رسیدن به خروجی مطلوب و قابل اتکا. تفاوت آن با پرسیدن ساده در همین نظام‌مندی است: هدف را مشخص می‌کنیم، نسخه‌ای می‌نویسیم، خروجی را می‌سنجیم و اصلاح می‌کنیم.
یک تشبیه مفید: تصور کنید کاری را به همکاری بسیار باهوش، پرمطالعه و سریع می‌سپارید که هیچ چیز دربارهٔ سازمان، مخاطب و سلیقهٔ شما نمی‌داند و نمی‌تواند ذهن‌تان را بخواند. هر آنچه برای توجیه چنین همکاری لازم است، برای مدل هم لازم است.
اجزای یک پرامپت خوب
یک پرامپت کامل معمولاً از شش جزء ساخته می‌شود. لازم نیست همیشه هر شش جزء باشد، اما هرچه کار مهم‌تر باشد، حضور آن‌ها ضروری‌تر است.
| جزء | پرسشی که پاسخ می‌دهد | نمونه |
|---|---|---|
| نقش | مدل از چه جایگاهی پاسخ دهد؟ | «در نقش یک ویراستار باتجربهٔ متون علمی» |
| وظیفه | دقیقاً چه کاری انجام شود؟ | «این چکیده را بازنویسی کن» |
| زمینه | چه چیزهایی باید بداند؟ | «مقاله برای نشریه‌ای در حوزهٔ جغرافیاست» |
| مخاطب | خروجی برای چه کسی است؟ | «داوران متخصص» |
| قالب | خروجی چه شکلی داشته باشد؟ | «یک پاراگراف، حداکثر ۲۰۰ واژه» |
| قیدها | چه بکند و چه نکند؟ | «اصطلاحات تخصصی را تغییر نده» |
مقایسهٔ یک پرامپت ضعیف و قوی
ضعیف: «یک متن دربارهٔ کوچینگ بنویس.»
قوی: «در نقش نویسندهٔ محتوای آموزشی، یک متن معرفی ۱۵۰ واژه‌ای دربارهٔ کوچینگ برای صفحهٔ اینستاگرام یک مرکز آموزشی بنویس. مخاطب، کارمندان ۲۵ تا ۴۰ ساله‌اند که کوچینگ را نمی‌شناسند. لحن صمیمی اما حرفه‌ای باشد، از اصطلاحات انگلیسی استفاده نکن و با یک پرسش آغاز کن. در پایان مخاطب را به خواندن مقالهٔ کامل دعوت کن.»
در پرامپت دوم، مدل می‌داند برای چه کسی، در چه قالبی و با چه لحنی بنویسد. نتیجه به احتمال زیاد در همان تلاش نخست قابل استفاده است.
تکنیک‌های اصلی مهندسی پرامپت
پرامپت بدون نمونه و با نمونه
در ساده‌ترین حالت، فقط دستور می‌دهیم. اما اگر چند نمونه از ورودی و خروجی دلخواه را هم بیاوریم، مدل الگو را بسیار دقیق‌تر می‌گیرد. این روش برای کارهایی مانند دسته‌بندی، استخراج اطلاعات و تقلید یک سبک نوشتاری بسیار کارآمد است.
نمونه: «نظر مشتریان را در یکی از سه دستهٔ مثبت، منفی یا خنثی قرار بده. نمونه‌ها: “ارسال سریع بود” ← مثبت. “بسته‌بندی آسیب دیده بود” ← منفی. حالا این را دسته‌بندی کن: “محصول مطابق عکس بود اما دیر رسید.”»
نقش‌دهی
تعیین نقش، واژگان، عمق و زاویهٔ نگاه پاسخ را تنظیم می‌کند. «در نقش یک مشاور مالی محتاط» و «در نقش یک کارآفرین ریسک‌پذیر» به یک پرسش پاسخ‌های متفاوتی می‌دهند.
تفکر گام‌به‌گام
برای مسئله‌هایی که به استدلال نیاز دارند، از مدل بخواهید پیش از پاسخ نهایی مراحل را بنویسد. این کار احتمال خطا را در محاسبه و تحلیل کاهش می‌دهد و به شما هم امکان می‌دهد ببینید استدلال کجا لغزیده است.
تقسیم کار به مراحل
به‌جای یک پرامپت بزرگ برای کاری پیچیده، آن را به زنجیره‌ای از گام‌های کوچک تقسیم کنید: ابتدا طرح کلی، سپس هر بخش، بعد بازبینی. خروجی هر گام ورودی گام بعد می‌شود و در هر مرحله می‌توانید مسیر را اصلاح کنید.
دادن متن مرجع
اگر پاسخ باید بر سند مشخصی تکیه کند، همان سند را در پرامپت بگذارید و بخواهید فقط بر پایهٔ آن پاسخ دهد و اگر پاسخ در متن نیست همین را بگوید. این کار خطر توهم را به‌طور محسوسی کم می‌کند.
تعیین قالب خروجی
جدول، فهرست، تعداد واژه، عنوان‌بندی یا ساختار مشخص را از پیش تعیین کنید. اگر قالب نمونه دارید، آن را بیاورید.
جداسازی بخش‌ها
دستور را از متنِ مورد پردازش جدا کنید؛ مثلاً با گذاشتن متن میان گیومه یا زیر عنوانی مشخص. این کار از قاطی‌شدن دستور و محتوا جلوگیری می‌کند.
درخواست پرسش از مدل
یکی از ساده‌ترین و مؤثرترین تکنیک‌ها: «پیش از شروع، اگر چیزی مبهم است از من بپرس.» مدل پرسش‌هایی می‌پرسد که خودتان به آن‌ها فکر نکرده بودید.
بازبینی و نقد
از مدل بخواهید خروجی خود را با معیارهای مشخص نقد و سپس نسخهٔ بهتری بنویسد. یا از آن بخواهید نقش یک منتقد سخت‌گیر را بازی کند.
الگوهای آماده برای کارهای روزمره
خلاصه‌سازی
«متن زیر را برای مدیری که فقط دو دقیقه وقت دارد خلاصه کن. سه نکتهٔ اصلی را به‌صورت فهرست بنویس و در پایان بگو چه تصمیمی از او خواسته شده است.»
نوشتن ایمیل
«ایمیلی مؤدبانه و کوتاه به یک تأمین‌کننده بنویس که تحویل سفارش را دو هفته به تأخیر انداخته است. هدف، گرفتن تاریخ قطعی تحویل است، نه گله‌کردن. لحن محترمانه اما قاطع باشد.»
یادگیری یک مفهوم
«مفهوم حلقهٔ بازخورد در تفکر سیستمی را سه بار توضیح بده: برای دانش‌آموز دوازده‌ساله، برای مدیر یک شرکت، و برای دانشجوی مهندسی. برای هر کدام یک مثال بیاور. سپس سه پرسش بپرس تا ببینی درست فهمیده‌ام.»
تحلیل داده
«این جدول فروش ماهانه را بررسی کن. سه روند اصلی و هر مقدار غیرعادی را مشخص کن. برای هر مورد بگو چه دادهٔ دیگری لازم است تا علت روشن شود. چیزی را که در داده نیست حدس نزن.»
ایده‌پردازی
«ده ایده برای عنوان یک وبینار دربارهٔ کاربرد GIS در کسب‌وکار بده. مخاطب مدیران غیرفنی‌اند. پنج عنوان جدی و پنج عنوان خلاقانه. سپس سه مورد برتر را با دلیل انتخاب کن.»
پژوهش
«من دربارهٔ اثر فضای سبز بر سلامت روان شهروندان پژوهش می‌کنم. پنج پرسش پژوهشی ممکن پیشنهاد بده و برای هر کدام بگو چه نوع داده و روشی لازم دارد. منبع مشخصی ذکر نکن؛ فقط ساختار فکری بده تا خودم منابع را بیابم.»
کوچینگ شخصی
«نقش یک کوچ را بازی کن که با مدل GROW کار می‌کند. هر بار فقط یک پرسش بپرس، منتظر پاسخ من بمان و هیچ راه‌حلی پیشنهاد نده.» دربارهٔ این مدل در مقالهٔ مدل GROW در کوچینگ بیشتر بخوانید.
چرخهٔ بهبود پرامپت
پرامپت خوب معمولاً در تلاش نخست نوشته نمی‌شود. این چرخه را دنبال کنید:
- هدف را روشن کنید: خروجی آرمانی چه شکلی است و با چه معیاری آن را می‌سنجید؟
- نسخهٔ نخست را بنویسید و خروجی را ببینید.
- فاصله را تشخیص دهید: کجای خروجی با خواستهٔ شما فرق دارد و مدل کدام اطلاعات را نداشته است؟
- پرامپت را اصلاح کنید: زمینه، نمونه یا قید اضافه کنید.
- دوباره بیازمایید و اگر کار تکرارشونده است، نسخهٔ نهایی را ذخیره کنید.
ساختن یک کتابخانهٔ شخصی از پرامپت‌های آزموده، یکی از سودمندترین عادت‌هاست. آن را در نظام مدیریت دانش شخصی خود نگه دارید.
خطاهای رایج در پرامپت‌نویسی
- ابهام: «این را بهتر کن» بدون گفتن اینکه «بهتر» یعنی چه.
- نگفتن مخاطب و هدف: مدل نمی‌داند برای چه کسی می‌نویسد.
- چند کار در یک پرامپت: خلاصه کن، ترجمه کن، نقد کن و جدول بساز؛ همه با هم.
- اعتماد به اعداد و منابع: ارجاع‌ها و آمار را بدون راستی‌آزمایی به کار نبرید.
- دستورهای منفی مبهم: به‌جای «طولانی ننویس» بگویید «حداکثر صد واژه».
- رهاکردن پس از پاسخ نخست: گفت‌وگو را ادامه دهید و بازخورد بدهید.
- واردکردن اطلاعات محرمانه: پیش از هر چیز به حساسیت داده توجه کنید.
- انتظار ذهن‌خوانی: آنچه برای شما بدیهی است، برای مدل نیست.
پرامپت‌نویسی برای تصویر
اصول کلی یکسان است، اما در تولید تصویر جزئیات بصری اهمیت می‌یابد: موضوع اصلی، محیط، سبک (عکاسی، آبرنگ، طراحی خطی)، نورپردازی، زاویهٔ دید، رنگ غالب و نسبت ابعاد. هرچه توصیف عینی‌تر باشد، نتیجه قابل پیش‌بینی‌تر است. «یک دفتر کار» بسیار مبهم‌تر از «میز چوبی روشن کنار پنجره، نور صبحگاهی، یک لپ‌تاپ و یک گلدان، سبک عکاسی مینیمال» است.
یک نمونهٔ کامل؛ از پرامپت خام تا پرامپت پخته
فرض کنید می‌خواهید برای جلسه‌ای با مدیران، دربارهٔ ضرورت آموزش تحلیل داده به کارکنان استدلال کنید.
نسخهٔ اول: «چرا آموزش تحلیل داده مهم است؟» خروجی فهرستی کلی از فایده‌هاست که در هر وب‌سایتی یافت می‌شود.
نسخهٔ دوم: نقش و مخاطب را اضافه می‌کنید: «در نقش مشاور توسعهٔ سازمانی، برای مدیران ارشد یک شرکت توزیع استدلال کن.» خروجی بهتر می‌شود، اما هنوز عمومی است.
نسخهٔ سوم: زمینه می‌دهید: شرکت دویست کارمند دارد، گزارش‌ها دستی تهیه می‌شود، مدیران نگران هزینه و زمان آموزش‌اند. قالب را هم مشخص می‌کنید: سه استدلال، هرکدام با یک مثال از صنعت توزیع، و پاسخ به دو اعتراض محتمل، در کمتر از سیصد واژه.
نسخهٔ چهارم: از مدل می‌خواهید در نقش یک مدیر مالی بدبین، ضعف‌های این استدلال را بگوید و سپس متن را بر اساس آن نقدها تقویت کند.
هر نسخه فقط چند جمله به قبلی افزوده است، اما خروجی نهایی متنی است که می‌توان واقعاً در جلسه از آن استفاده کرد.
آیا مهندسی پرامپت یک شغل است؟
در آغاز موج هوش مصنوعی مولد، عنوان مهندس پرامپت به‌عنوان شغلی مستقل مطرح شد. امروز روشن‌تر است که پرامپت‌نویسی بیشتر یک مهارت پایه است تا یک حرفهٔ جداگانه؛ مانند جست‌وجوی اینترنتی یا کار با صفحه‌گسترده. کسی که در حوزهٔ خود متخصص است و این مهارت را هم دارد، بیشترین بهره را می‌برد. با بهترشدن مدل‌ها، ترفندهای ظاهری اهمیت کمتری پیدا می‌کنند، اما توان روشن‌اندیشی، بیان دقیق خواسته و سنجش نقادانهٔ خروجی هیچ‌گاه کهنه نمی‌شود.
پرامپت‌نویسی در کار تیمی
وقتی چند نفر در یک سازمان از هوش مصنوعی استفاده می‌کنند، پرامپت‌های خوب دارایی مشترک می‌شوند. تیم‌هایی که بیشترین بهره را می‌برند، سه کار ساده انجام می‌دهند: پرامپت‌های آزموده برای کارهای تکرارشونده، مانند پاسخ به مشتری یا تهیهٔ صورت‌جلسه، را در یک سند مشترک نگه می‌دارند؛ برای هر پرامپت می‌نویسند در چه موقعیتی به کار می‌آید و خروجی آن را چگونه باید بازبینی کرد؛ و قاعده‌ای روشن دربارهٔ داده‌هایی دارند که نباید وارد ابزار شود. این کار کیفیت را یکدست می‌کند و تازه‌واردها را سریع‌تر به بهره‌وری می‌رساند.
واژه‌نامهٔ کوتاه
- پرامپت: ورودی یا درخواستی که به مدل داده می‌شود.
- پرامپت سیستمی: دستور کلی و پایداری که رفتار مدل را در کل گفت‌وگو تنظیم می‌کند.
- یادگیری با چند نمونه: آوردن چند مثال در پرامپت برای نشان‌دادن الگوی مطلوب.
- زنجیرهٔ تفکر: درخواست از مدل برای نوشتن مراحل استدلال.
- پنجرهٔ بافت: مقدار متنی که مدل می‌تواند هم‌زمان در نظر بگیرد.
- توهم: اطلاعات نادرستی که مدل با اطمینان بیان می‌کند.
پرسش‌های پرتکرار
پرامپت را فارسی بنویسم یا انگلیسی؟
مدل‌های پیشرو فارسی را به‌خوبی می‌فهمند. اگر خروجی فارسی می‌خواهید، فارسی بنویسید. در موضوعات بسیار تخصصی، گاهی نوشتن اصطلاحات کلیدی به انگلیسی دقت را بالا می‌برد.
پرامپت طولانی بهتر است یا کوتاه؟
طول معیار نیست؛ روشنی معیار است. پرامپت باید هر آنچه لازم است داشته باشد و نه بیشتر. برای کارهای مهم، چند پاراگراف زمینه کاملاً معقول است.
آیا پرامپت‌های آماده به کار می‌آیند؟
به‌عنوان نقطهٔ شروع بله، اما بهترین نتیجه وقتی است که آن‌ها را با زمینه و نیاز خود هماهنگ کنید.
چطور از خطای مدل جلوگیری کنیم؟
متن مرجع بدهید، بخواهید در صورت ندانستن بگوید نمی‌داند، از او بخواهید استدلالش را نشان دهد و موارد مهم را خودتان بررسی کنید.
این مهارت را چگونه تمرین کنم؟
برای کارهای واقعی روزانه از آن استفاده کنید، یک پرامپت را در چند نسخه بنویسید و خروجی‌ها را مقایسه کنید.
مطالعه تکمیلی: برای استفاده از این مهارت در پژوهش، راهنمای مقاله‌نویسی با هوش مصنوعی را بخوانید.
جمع‌بندی
پرامپت‌نویسی یعنی گفتن دقیق اینکه چه می‌خواهید، برای چه کسی، در چه قالبی و با چه قیدهایی. با شش جزء نقش، وظیفه، زمینه، مخاطب، قالب و قید، و چند تکنیک ساده مانند آوردن نمونه، تقسیم کار و درخواست نقد، کیفیت خروجی به‌طور چشمگیری بالا می‌رود. در نهایت، این مهارت بیش از آنکه دربارهٔ ماشین باشد، دربارهٔ روشن‌اندیشی خود ماست.
برای دیدن جایگاه این مهارت در تصویر بزرگ‌تر، مقالهٔ هوش مصنوعی در کسب‌وکار را بخوانید. اگر می‌خواهید این توانایی را در یک زمینهٔ تخصصی به کار ببرید، دوره‌های کوچینگ عملکرد با هوش مولد و برنامه‌نویسی و اتوماسیون تحلیل‌های ترکیبی را ببینید. برای آموزش اختصاصی تیم‌ها نیز می‌توانید از فهرست دوره‌ها و ورکشاپ‌ها درخواست ثبت کنید.
دیدگاهتان را بنویسید