پرامپت چیست و چگونه از آن در هوش مصنوعی استفاده کنیم؟

دفعه‌های اولی که از هوش مصنوعی استفاده می‌کردم خروجی نهایی مطابق میلم نبود. هربار کمی دستورالعمل را تغییر می‌دادم اما باز پاسخش با ذهنیت من فرسخ‌ها فاصله داشت. برای برطرف کردن این دغدغه با کمی جست‌وجو به این نتیجه رسیدم که به پرامپت‌های حرفه‌ای‌تر نیاز دارم. اما شاید برای شما هم سوال باشد که پرامپت چیست، چطور باید نسخه خوبی از آن نوشت و چه خطاهایی باید هنگام پرامپت‌نویسی برطرف کرد. در این مطلب از مجله دانشکار به این سوال‌ها پاسخ داده‌ایم.

پرامپت‌ چیست؟

پرامپت (Prompt) ورودی‌ای است که به یک ابزار هوش مصنوعی می‌دهید تا آن را به سمت انجام کاری یا تولید پاسخی هدایت کنید. این ورودی می‌تواند پرسش، دستور، توضیح زمینه، متن مرجع، نمونه‌ی خروجی مطلوب یا ترکیبی از چند نوع داده باشد. برای مثال، وقتی به یک چت‌بات می‌گویید «این متن را خلاصه کن»، همین جمله پرامپت شماست. اگر اضافه کنید «خلاصه را برای مدیرانی بنویس که فقط یک دقیقه برای خواندن وقت دارند و فقط از اطلاعات همین متن استفاده کن»، درخواست دقیق‌تری ساخته‌اید.

به زبان ساده، پرامپت نقشه راهی برای توضیح خواسته‌تان به مدل است. سامانه بر اساس ورودی‌ای که دریافت می‌کند و الگوهایی که آموخته، پاسخی تولید می‌کند. بنابراین اگر بخشی از درخواست روشن نباشد، ممکن است مدل خودش آن را حدس بزند. گاهی این حدس مفید است و گاهی خروجی را از چیزی که می‌خواستید دور می‌کند.

در ابزارهای مختلف، شکل پرامپت هم می‌تواند متفاوت باشد. برای یک مدل متنی، پرامپت معمولاً متن است، در یک ابزار تولید تصویر ممکن است توضیح متنی را همراه تصویر مرجع وارد کنید و در بعضی دستیارها می‌توانید سؤال را با صدا مطرح کنید.

پرامپت‌ها در هوش مصنوعی چگونه کار می‌کنند؟

برای اینکه بدانیم چرا تغییر کوچک در درخواست می‌تواند پاسخ را تغییر دهد، باید به نقش ورودی در گفت‌وگو با مدل توجه کنیم. پرامپت، هدف و زمینه را در اختیار سیستم می‌گذارد و مدل سپس بر اساس همین اطلاعات و توانایی‌های خودش پاسخ می‌سازد.

این ویژگی به‌خصوص در مدل‌های هوش مصنوعی مولد اهمیت دارد؛ مدل‌هایی که می‌توانند بر اساس ورودی کاربر محتوای جدیدی مانند متن، تصویر یا کد تولید کنند. این فرایند با جست‌وجوی ساده در اینترنت یا اجرای دستور در یک نرم‌افزار سنتی تفاوت دارد و مدل همیشه یک پاسخ از پیش ذخیره‌شده را برنمی‌گرداند.

فرض کنید از هوش مصنوعی می‌پرسید «برای معرفی محصولم متن بنویس». مدل نمی‌داند محصول چیست، مخاطب چه کسی است، متن قرار است کجا منتشر شود یا لحن برند چگونه است. در نتیجه ممکن است متن عمومی و نامناسبی تحویل دهد.

حالا اگر بنویسید «برای یک اپلیکیشن مدیریت هزینه شخصی، یک متن معرفی ۸۰ کلمه‌ای برای صفحه اینستاگرام بنویس. مخاطب، دانشجویان هستند؛ لحن صمیمی باشد و روی ثبت سریع هزینه‌ها تأکید کن»، ورودی اطلاعات بیشتری برای جهت‌دادن به پاسخ دارد.

اما این به معنای کنترل کامل مدل نیست. پرامپت، پاسخ را جهت می‌دهد، نه اینکه آن را با قطعیت تعیین کند. ممکن است مدل بخشی از دستور را نادیده بگیرد، اطلاعاتی را اشتباه بیان کند یا پاسخی قانع‌کننده اما نادرست بسازد.

برای آشنایی بیشتر با عملکرد پرامپت‌ها و نحوه استفاده از آن‌ها، شرکت در دوره پرامپت‌نویسی دانشکار را به شما پیشنهاد می‌دهیم.

تفاوت پرامپت، پرامپت‌نویسی و مهندسی پرامپت چیست؟

این سه عبارت در گفت‌وگوهای روزمره گاهی به‌جای یکدیگر استفاده می‌شوند اما هرکدام به بخش متفاوتی از کار اشاره دارند. شناخت تفاوتشان کمک می‌کند بدانیم برای استفاده‌ی معمولی از هوش مصنوعی چه مهارتی لازم داریم و چه زمانی باید سراغ آزمون و بهینه‌سازی جدی‌تر برویم.

اصطلاح	معنی	مثال
پرامپت	ورودی یا درخواستی که به مدل می‌دهید	این گزارش را خلاصه کن
پرامپت‌نویسی	تنظیم و نوشتن درخواست به شکلی روشن و متناسب با نیاز	تعیین مخاطب، طول خلاصه و این‌که مدل فقط از گزارش استفاده کند
مهندسی پرامپت	طراحی، آزمایش و بهبود روشمند پرامپت برای رسیدن به عملکرد بهتر یا تکرارپذیر	مقایسه چند نسخه از یک دستور و سنجش دقت خروجی‌ها

برای کارهای روزمره لازم نیست عنوان «مهندس پرامپت» داشته باشید یا فرمول پیچیده‌ای حفظ کنید. کافی است بتوانید خواسته‌ی خود را دقیق بیان کنید و در صورت نیاز درخواست را اصلاح کنید. اما در کارهای حرفه‌ای، مثلاً زمانی که یک سازمان از مدل برای پاسخ‌گویی به مشتریان استفاده می‌کند، پرامپت باید بارها آزمایش شود، با شرایط واقعی تطبیق پیدا کند و کیفیت خروجی آن سنجیده شود.

کاربرد پرامپت‌ها

کاربرد پرامپت به نوع مدل و ابزاری که استفاده می‌کنید بستگی دارد. بسیاری از افراد ابتدا با پرسش‌وپاسخ در یک چت‌بات آشنا می‌شوند اما پرامپت می‌تواند کارهای متنوع‌تری را هدایت کند. این قابلیت‌ها بخشی از کاربرد هوش مصنوعی در کسب‌وکار هستند که در فعالیت‌های مختلف، از تولید محتوا و برنامه‌نویسی گرفته تا تحلیل داده و تصمیم‌سازی استفاده می‌شوند. کاربردهای پرامپت عبارت‌اند از:

• پرسش‌وپاسخ و آموزش: می‌توانید بخواهید یک مفهوم را برای مخاطبی با سطح دانش مشخص توضیح دهد؛ مثلاً «تورم را برای دانش‌آموز دبیرستانی با یک مثال روزمره توضیح بده».
• تولید محتوا و بازنویسی: پرامپت می‌تواند موضوع، مخاطب، لحن و قالب متن را مشخص کند؛ مانند نوشتن پیش‌نویس ایمیل، پیشنهاد عنوان یا بازنویسی متن رسمی با زبانی ساده‌تر.
• خلاصه‌سازی و استخراج اطلاعات: می‌توانید از مدل بخواهید نکته‌های کلیدی، تاریخ‌ها یا نام‌های موجود در یک سند را استخراج کند. اگر نمی‌خواهید اطلاعات بیرون از سند اضافه شود، این محدودیت را روشن بنویسید.
• ترجمه و طبقه‌بندی: درخواست ترجمه، دسته‌بندی دیدگاه‌ها به مثبت و منفی یا جداکردن موضوع‌های تکرارشونده از میان نظرات کاربران، نمونه‌هایی از این کاربرد هستند.
• کدنویسی و حل مسئله: مدل می‌تواند برای توضیح یک قطعه کد، پیدا کردن خطا یا تهیه‌ی پیش‌نویس کد کمک کند؛ ولی کد تولیدشده باید آزمایش و بازبینی شود.
• تولید و تحلیل تصویر: ابزارهای چندرسانه‌ای می‌توانند با دریافت توصیف متنی یا تصویر مرجع، تصویر بسازند یا محتوای بصری را تحلیل کنند.
• تحلیل داده و تصمیم‌سازی: اگر ابزار به داده‌های لازم دسترسی داشته باشد، می‌توان از آن برای خلاصه‌کردن روندها یا مقایسه‌ی گزینه‌ها کمک گرفت. خروجی چنین تحلیلی جایگزین بررسی تخصصی نیست.

آیا یک پرامپت برای همه‌ی ابزارها مناسب است؟

اصول پایه‌ای مانند روشن‌بودن هدف در همه‌ی ابزارها کاربرد دارند اما جزئیاتی که باید در پرامپت بیاورید با نوع کار تغییر می‌کنند. برای یک مدل متنی، تعیین مخاطب و ساختار ممکن است مهم باشد؛ درحالی‌که برای تصویرساز، جزئیاتی مثل زاویه‌ی دید و نورپردازی اهمیت بیشتری دارد.

در ابزار تولید تصویر، عبارت «یک گربه در باغ» ممکن است برای شروع کافی باشد اما اگر تصویر مشخصی در ذهن دارید بهتر است رنگ، زمان روز، سبک، پس‌زمینه و ترکیب‌بندی را هم توضیح دهید. در پرامپت صوتی یا دستیار مکالمه‌ای باید موقعیت‌هایی را در نظر بگیرید که کاربر اطلاعات را ناقص می‌گوید، وسط مکالمه نظرش را عوض می‌کند یا نیاز به پرسش تکمیلی دارد.

اجزای یک پرامپت مؤثر چیست؟‌

پرامپت مؤثر حتما یک پرامپت طولانی نیست. فقط باید اطلاعاتی را که برای انجام درست کار لازم است، در اختیار مدل بگذارد. قبل از نوشتن پرامپت چک‌لیست زیر را در نظر بگیرید.

۱. هدف یا وظیفه

هدف مشخص می‌کند از مدل چه کاری می‌خواهید. عبارت‌هایی مانند «توضیح بده»، «مقایسه کن»، «بازنویسی کن»، «خلاصه کن» یا «پیشنهاد بده» نوع کار را روشن می‌کنند. «بازاریابی ایمیلی» فقط موضوع را نام می‌برد؛ اما «سه مزیت و سه محدودیت بازاریابی ایمیلی را برای فروشگاه‌های کوچک مقایسه کن» وظیفه‌ی مشخص‌تری تعریف می‌کند.

هرچه فعل و خروجی مورد انتظار روشن‌تر باشند، احتمال برداشت‌های متفاوت کمتر می‌شود. اگر درخواست چند بخش دارد، بهتر است آن‌ها را جدا یا شماره‌گذاری کنید؛ مثلاً ابتدا تعریف، بعد مثال و در پایان جمع‌بندی بخواهید.

۲. زمینه یا اطلاعات پس‌زمینه

زمینه به مدل کمک می‌کند بفهمد درخواست شما در چه موقعیتی مطرح شده است. ممکن است لازم باشد توضیح دهید این محتوا برای چه کسب‌وکاری است، مخاطب چه دانشی دارد، متن قرار است در کجا استفاده شود یا چه محدودیت‌هایی در مسئله وجود دارد.

برای مثال، «یک ایمیل بنویس» زمینه‌ی کمی دارد. اما «برای مشتری‌ای که سفارش او یک روز دیرتر ارسال می‌شود، ایمیلی کوتاه و محترمانه بنویس و زمان جدید تحویل را اعلام کن» وضعیت، مخاطب و هدف ارتباط را مشخص می‌کند. زمینه‌ی کافی پاسخ را اختصاصی‌تر می‌کند، ولی افزودن اطلاعات نامرتبط می‌تواند درخواست را شلوغ کند؛ بنابراین فقط چیزهایی را بنویسید که به انجام کار کمک می‌کنند.

۳. مخاطب و نقش

پاسخ برای چه کسی نوشته می‌شود؟ توضیح یک مفهوم برای کودک، دانشجو، مدیر یا متخصص ممکن است واژگان و میزان جزئیات متفاوتی داشته باشد. مشخص‌کردن مخاطب به مدل کمک می‌کند سطح زبان و عمق پاسخ را تنظیم کند.

گاهی تعیین نقش هم مفید است. مثلاً «مثل یک ویراستار محتوای آموزشی، متن زیر را بررسی کن». نقش زمانی کاربرد دارد که زاویه‌ی نگاه یا تخصص مورد انتظار را روشن کند. بااین‌حال، نوشتن «در نقش بهترین متخصص جهان» به‌تنهایی کیفیت را تضمین نمی‌کند. بهتر است نقش را با کار مشخص و معیارهای قابل‌سنجش همراه کنید.

۴. ورودی یا منبع

اگر می‌خواهید مدل روی متن یا داده‌ی خاصی کار کند، آن ورودی را واضح از دستور جدا کنید. برای نمونه می‌توانید بنویسید: «متن زیر را خلاصه کن» و سپس متن را در بخش جداگانه قرار دهید. اگر مدل باید فقط بر اساس همان منبع پاسخ دهد، این موضوع را صریح بگویید.

این کار به‌خصوص برای خلاصه‌سازی، استخراج اطلاعات و تحلیل اسناد مهم است. بااین‌حال، گفتن «فقط از منبع استفاده کن» جای بررسی را نمی‌گیرد؛ مدل ممکن است همچنان اشتباه کند یا بخشی را نادیده بگیرد. در کارهای حساس، نتیجه را با متن اصلی تطبیق دهید.

۵. محدودیت‌ها و معیار موفقیت

گاهی مدل می‌داند چه کاری انجام دهد، اما نمی‌داند چه چیزی برای شما قابل‌قبول است. در این حالت، تعداد موارد، محدوده‌ی کلمات، لحن، زبان، سطح فنی یا مواردی را که نباید در پاسخ بیاید مشخص کنید.

برای مثال، «یک متن کوتاه بنویس» برداشت‌های مختلفی دارد؛ «یک معرفی ۱۰۰ تا ۱۲۰ کلمه‌ای بنویس و از اصطلاح‌های تخصصی استفاده نکن» معیار روشن‌تری ارائه می‌دهد. اگر چند شرط دارید، اولویت آن‌ها را هم مشخص کنید. مثلاً اگر هم کوتاهی و هم پوشش همه‌ی نکته‌ها مهم است، بگویید کدام‌یک اولویت بالاتری دارد.

۶. قالب خروجی

قالب خروجی تعیین می‌کند پاسخ را چگونه تحویل بگیرید: جدول، فهرست، متن پیوسته، مراحل شماره‌دار، ایمیل یا ساختار دیگری. تعیین قالب وقتی مفید است که قصد دارید خروجی را در گزارش، ارائه یا فرایند کاری مشخصی استفاده کنید.

برای مثال، به‌جای «گزینه‌ها را مقایسه کن» می‌توانید بگویید «نتیجه را در جدولی با ستون‌های هزینه، زمان اجرا و ریسک بنویس و در پایان یک جمع‌بندی دو جمله‌ای اضافه کن». هرچه قالب دقیق‌تر باشد، معمولاً اصلاح دستی کمتری لازم می‌شود؛ البته اگر قالب برایتان اهمیتی ندارد، لازم نیست آن را به پرامپت اضافه کنید.

۷. شیوه‌ی برخورد با ابهام

گاهی درخواست شما اطلاعات کافی ندارد و مدل ناچار به حدس‌زدن می‌شود. می‌توانید از آن بخواهید پیش از پاسخ‌دادن سؤال‌های ضروری را مطرح کند، یا فرض‌هایی را که برای ادامه‌ی کار در نظر گرفته جداگانه بنویسد.

برای نمونه: «اگر برای تهیه‌ی برنامه‌ی سفر اطلاعاتی مثل بودجه یا تاریخ لازم است، قبل از پیشنهاد برنامه از من سؤال کن». این دستور جلوی پاسخ‌های مطمئن اما نامتناسب را می‌گیرد. برای کارهای ساده نیازی نیست همیشه چنین شرطی بگذارید؛ آن را زمانی به کار ببرید که اطلاعات ناقص می‌تواند نتیجه را به‌طور جدی تغییر دهد.

۷ قدم برای نوشتن پرامپت باکیفیت

حالا که اجزای اصلی را می‌شناسیم، می‌توانیم آن‌ها را به فرایندی ساده تبدیل کنیم. لازم نیست هر بار همه‌ی هفت گام را با جزئیات طی کنید. برای درخواست‌های ساده کل پرامپت در چند قدم نوشته می‌شود. اما برای کاری که خروجی دقیق‌تری می‌خواهد، این ترتیب کمک می‌کند چیزی از قلم نیفتد.

۱. خروجی موردنظر را پیش از نوشتن درخواست تصور کنید

قبل از تایپ‌کردن، از خودتان بپرسید اگر پاسخ ایده‌آل را دریافت کنم، چه شکلی خواهد بود؟ آیا یک تعریف کوتاه می‌خواهم یا تحلیل چندبخشی؟ آیا قرار است متن را منتشر کنم یا فقط برای فهم موضوع از آن استفاده کنم؟ پاسخ به این سؤال، نوع درخواست را روشن می‌کند.

برای نمونه، «درباره‌ی مدیریت زمان کمکم کن» معلوم نمی‌کند دنبال توضیح نظری هستید یا برنامه‌ی روزانه. اگر هدفتان برنامه‌ریزی است، مستقیم بگویید: «برای روزهای کاری من یک برنامه‌ی ساده‌ی مدیریت زمان پیشنهاد بده که شامل سه اولویت روزانه و زمان استراحت باشد».

۲. زمینه را مشخص کنید

حالا اطلاعاتی را بنویسید که پاسخ را از حالت عمومی خارج می‌کند. این اطلاعات می‌تواند شامل مخاطب، هدف، شرایط پروژه، محدودیت زمانی یا منبع مورد استفاده باشد. لازم نیست داستان کامل زندگی یا تمام جزئیات پروژه را وارد کنید؛ فقط زمینه‌ای را بگویید که احتمالاً پاسخ را تغییر می‌دهد.

مثلاً برای برنامه‌ی ورزشی، سطح آمادگی و محدودیت‌های جسمی مهم‌اند. برای نوشتن یک آگهی استخدام، عنوان شغلی، سطح تجربه و نوع سازمان اهمیت دارند. اگر نمی‌دانید کدام اطلاعات لازم‌اند، می‌توانید از مدل بخواهید پیش از پاسخ سؤال‌های تکمیلی بپرسد.

۳. درخواست را با فعل دقیق بیان کنید

از عبارتی استفاده کنید که نوع کار را مشخص کند. «به من کمک کن» یا «نظرت چیست؟» ممکن است برای گفت‌وگوی آزاد مناسب باشد، اما اگر خروجی معینی می‌خواهید، بهتر است دقیق‌تر بنویسید: خلاصه کن، بازنویسی کن، سه گزینه پیشنهاد بده، نقاط قوت و ضعف را مقایسه کن یا اطلاعات را استخراج کن.

اگر وظیفه چند مرحله دارد، آن را به ترتیب بنویسید. به‌جای یک جمله‌ی طولانی و مبهم، می‌توانید بگویید: «ابتدا مسئله را خلاصه کن؛ سپس سه راه‌حل پیشنهاد بده؛ در پایان محدودیت هر راه‌حل را بنویس».

۴. مخاطب، لحن و قالب را فقط در صورت نیاز مشخص کنید

این جزئیات زمانی مفیدند که بر استفاده‌ی شما از پاسخ اثر بگذارند. اگر متن برای انتشار در شبکه‌ی اجتماعی است، لحن و طول اهمیت دارد. اگر پاسخ برای یک متخصص است، می‌توانید اصطلاح‌های فنی را مجاز بدانید؛ اگر برای مخاطب عمومی است، توضیح ساده‌تر بخواهید.

از مشخص‌کردن جزئیات نمایشی و غیرضروری پرهیز کنید. اگر هدف فقط دانستن معنای یک واژه است، تعیین نقش، طول دقیق، لحن و ساختار چندبخشی شاید فقط پرامپت را پیچیده کند.

۵. نمونه یا داده‌ی مرجع ارائه دهید

اگر قالب یا سبک خاصی مدنظر دارید، یک نمونه‌ی کوتاه می‌تواند از چندین جمله‌ی توضیحی مؤثرتر باشد. مثلاً اگر می‌خواهید نظرات را بر اساس الگویی ثابت دسته‌بندی کنید، دو یا سه نمونه از ورودی و برچسب مورد انتظار ارائه دهید.

در اصطلاح پرامپت‌نویسی، وقتی مدل را بدون نمونه راهنمایی می‌کنید، معمولاً از روش zero-shot صحبت می‌شود؛ وقتی یک یا چند نمونه می‌دهید، روش one-shot یا few-shot مطرح است. کیفیت نمونه‌ها مهم‌تر از تعدادشان است: نمونه‌ی نادرست یا متناقض ممکن است همان الگوی اشتباه را به مدل منتقل کند. آکادمی همراه نیز کاربرد روش چندنمونه‌ای را برای کارهایی مانند دسته‌بندی، بازنویسی و استخراج اطلاعات توضیح می‌دهد.

۶. ابهام و محدودیت را مدیریت کنید

اگر اطلاعات ناقص است، روشن کنید مدل باید چه کند: سؤال بپرسد، چند فرض محتمل ارائه کند یا فقط بر اساس اطلاعات موجود پاسخ دهد. همچنین اگر پاسخی قطعی نمی‌خواهید، از مدل بخواهید عدم‌قطعیت را مشخص کند و داده‌ی ناموجود را حدس نزند.

این دستورها از خطا جلوگیری نمی‌کنند، اما احتمال پنهان‌ماندن فرض‌ها را کاهش می‌دهند. در موضوع‌های حساس مثل پزشکی، حقوقی یا مالی، پاسخ مدل را جایگزین مشاوره‌ی متخصص نکنید و منبع ادعاهای مهم را جداگانه بررسی کنید.

۷. خروجی را ارزیابی و پرامپت را اصلاح کنید

پس از دریافت پاسخ، آن را با هدف اولیه‌ی خود مقایسه کنید. آیا قالب رعایت شده؟ آیا پاسخ به مخاطب مناسب است؟ آیا نکته‌ای جا افتاده یا ادعایی بدون پشتوانه آمده است؟ اصلاح درخواست را بر اساس همین فاصله انجام دهید. اگر پاسخ بیش از حد کلی است، زمینه یا معیار اضافه کنید. اگر طولانی است، محدوده‌ی کلمات را مشخص کنید. اگر بخش مهمی را حذف کرده، آن بخش را جداگانه درخواست کنید. به‌جای اینکه هر بار از اول شروع کنید، گفت‌وگو را مرحله‌به‌مرحله جلو ببرید.

نمونه پرامپت‌های کاربردی

نمونه پرامپت‌های زیر برای شروع کار طراحی شده‌اند. بخش‌های داخل کروشه را با اطلاعات واقعی جایگزین کنید و اگر ابزار شما محدودیت یا قالب خاصی دارد، درخواست را با آن سازگار کنید.

۱. پرامپت خلاصه کردن متن

خلاصه‌سازی فقط کوتاه‌کردن متن نیست. باید تصمیم بگیرید چه نکته‌هایی برای مخاطب مهم‌اند و مدل اجازه دارد تا چه اندازه از متن فاصله بگیرد. در الگوی زیر، هم مخاطب و هم مرز استفاده از منبع مشخص شده است.

{متن زیر را برای [نوع مخاطب] خلاصه کن. ابتدا پیام اصلی را در دو جمله بنویس و سپس پنج نکته‌ی کلیدی را فهرست کن. فقط از اطلاعات موجود در متن استفاده کن؛ اگر بخشی مبهم است یا پاسخ آن در متن وجود ندارد، صریحاً اعلام کن و چیزی را حدس نزن. متن: [متن]} تصویر زیر خروجی این پرامپت است.

۲. پرامپت برای ایده‌پردازی محتوا

درخواست «چند ایده بده» باعث می‌شود به پیشنهادهای کلی و تکراری دریافت کنید. برای ایده‌های قابل‌استفاده، بهتر است موضوع کسب‌وکار، مخاطب، کانال انتشار و اطلاعاتی را که برای هر ایده می‌خواهید مشخص کنید.

{برای [نوع کسب‌وکار یا محصول] که مخاطبان اصلی آن [توصیف مخاطب] هستند، ۱۰ ایده‌ی محتوایی برای [وبلاگ/اینستاگرام/لینکدین] پیشنهاد بده. برای هر ایده، عنوان پیشنهادی، زاویه‌ی محتوا و هدف آن را در جدول بنویس. از ایده‌های تکراری و ادعاهای تبلیغاتیِ بدون پشتوانه پرهیز کن.}

۳. پرامپت برای مقایسه‌ی دو گزینه

اگر از مدل می‌خواهید در انتخاب میان گزینه‌ها کمک کند، نتیجه به معیارهایی وابسته است که برای شما مهم‌اند. مشخص‌کردن معیارها باعث می‌شود مقایسه فقط بر اساس یک برداشت کلی انجام نشود.

{گزینه‌های [الف] و [ب] را برای [هدف یا موقعیت] بر اساس هزینه، زمان اجرا، ریسک و میزان تناسب با [نیاز اصلی] مقایسه کن. فرض‌هایی را که برای تحلیل در نظر می‌گیری ابتدا بنویس. نتیجه را در جدول ارائه بده و در پایان توضیح بده هر گزینه برای چه شرایطی مناسب‌تر است. اگر اطلاعات کافی نیست، موارد نامشخص را فهرست کن و نتیجه‌ی قطعی نده}

۴. پرامپت برای تولید تصویر

پرامپت تصویر معمولاً با توصیف موضوع شروع می‌شود، اما برای نزدیک‌شدن به تصویر ذهنی‌تان باید ویژگی‌های بصری مهم را هم مشخص کنید. از میان این ویژگی‌ها فقط مواردی را انتخاب کنید که برای نتیجه اهمیت دارند.

{تصویری از [سوژه‌ی اصلی] در [محیط یا پس‌زمینه] بساز. سبک بصری [واقع‌گرایانه/تصویرسازی/مینیمال] باشد، نور [نوع نور] و پالت رنگی [رنگ‌ها] باشد. ترکیب‌بندی [نمای نزدیک/نمای باز] و نسبت تصویر [نسبت موردنیاز] باشد. جزئیات اصلی: [ویژگی‌های ضروری].}

برای ساخت تصویری مشابه تصویر می‌توانید از پرامپت نوشته‌شده استفاده کنید:

{یک تصویر واقع‌گرایانه و سینمایی از یک نوجوان ۱۶ تا ۱۷ ساله که در اتاق‌خواب مدرن و مینیمال خود در حال یادگیری زبان انگلیسی است. نوجوان پشت یک میز ساده و مرتب نشسته، هودی بنفش ساده روی تی‌شرت سفید پوشیده و هدفون بزرگ مشکی روی گوش دارد. با لبخندی ملایم و طبیعی به لپ‌تاپ روبه‌رویش نگاه می‌کند و هم‌زمان با خودکار داخل دفتر یادداشت می‌نویسد. فضای اتاق جوان‌پسند، صمیمی، مدرن و خلوت باشد. از شلوغ کردن محیط با وسایل و جزئیات زیاد خودداری شود و فضای خالی کافی در تصویر وجود داشته باشد. روی میز فقط چند وسیله ضروری قرار داشته باشد: لپ‌تاپ باز، دفتر یادداشت، خودکار، دو یا سه کتاب روی هم، یک گیاه کوچک و یک ماگ ساده و تیره. در پس‌زمینه یک پوستر با حال‌وهوای انیمه روی دیوار، یک توپ فوتبال در نزدیکی تخت و یک شلف کوچک شامل چند کتاب و گیاه دیده شود. این عناصر فقط به‌صورت ظریف علایق نوجوان را نشان دهند و توجه را از سوژه اصلی نگیرند. یک پنجره بزرگ در سمت راست تصویر قرار داشته باشد و نور طبیعی و گرم غروب از آن وارد اتاق شود. در کنار نور طبیعی، مقدار بسیار کمی نور محیطی آبی و بنفش استفاده شود. نور گرم روی صورت نوجوان، بافت طبیعی پوست، سایه‌های نرم و کنتراست سینمایی ملایم حفظ شود. نوجوان نقطه تمرکز اصلی تصویر باشد. پس‌زمینه کمی محو و دارای عمق میدان کم باشد تا تصویر خلوت و چشم‌نواز باقی بماند. سبک عکاسی کاملاً واقع‌گرایانه، ترکیب‌بندی تمیز و متعادل، تناسب طبیعی بدن و چهره، حس یک کمپین تبلیغاتی حرفه‌ای برای آموزش زبان نوجوانان، فضای آرام، دوستانه و جذاب. بدون نوشته، بدون لوگو، بدون نام برند، بدون وسایل تزئینی زیاد، بدون پس‌زمینه شلوغ و بدون رنگ‌های بیش از حد اشباع‌شده. کادر افقی عریض، نسبت تصویر ۱۶:۹، مناسب خروجی ۸۰۰×۴۵۰ پیکسل.}

۵. پرامپت برای فهم یا رفع مشکل کد

در کار با کد، بهتر است زبان برنامه‌نویسی، ورودی، رفتار مورد انتظار و خطایی را که با آن مواجه شده‌اید ذکر کنید. در غیر این صورت مدل ممکن است راه‌حلی ارائه دهد که با محیط یا نسخه‌ی نرم‌افزار شما سازگار نباشد.

{کد زیر را در [زبان و نسخه، در صورت اطلاع] بررسی کن. هدف کد این است که [رفتار مورد انتظار]. خطای فعلی: [پیام خطا یا رفتار نادرست]. ابتدا علت احتمالی را توضیح بده، سپس کمترین تغییر لازم را پیشنهاد کن و در پایان یک نمونه‌ی آزمایشی برای بررسی راه‌حل بنویس. کد: [کد].}

تفاوت پرامپت متنی، تصویری و صوتی چیست؟

هر نوع ابزار محتوای متفاوتی تولید می‌کند، بنابراین اطلاعاتی که باید در درخواست بیاورید هم فرق دارد. در همه‌ موارد هدف روشن مهم است، اما شکل توضیح هدف و جزئیات پشتیبان یکسان نیست.

پرامپت متنی

در پرامپت متنی، معمولاً باید وظیفه، مخاطب، زمینه و شکل پاسخ را روشن کنید. برای نوشتن مقاله، مثلاً موضوع به‌تنهایی کافی نیست؛ سطح مخاطب، زاویه‌ی مطلب، طول تقریبی و منابع مورد استفاده هم می‌توانند مهم باشند. برای خلاصه‌سازی، برعکس، شاید فقط متن منبع و تعداد نکته‌ها کافی باشد.

پرامپت تصویری

در ابزار تصویرساز، سوژه را همراه با ویژگی‌های دیداری توصیف کنید: محیط، حالت سوژه، نور، رنگ، سبک، زاویه یا ترکیب‌بندی. اگر همه‌ی این موارد برایتان اهمیتی ندارند، لازم نیست همه را بنویسید. بهتر است به‌جای انباشتن صفت‌های متناقض، چند ویژگی اصلی و سازگار انتخاب کنید. نمونه‌های پرتال نیز موضوع، جزئیات بصری و ترکیب‌بندی را از نکته‌های مهم در درخواست تصویر می‌دانند.

پرامپت صوتی و مکالمه‌ای

در سیستم‌های صوتی، کاربر ممکن است مکث کند، جمله‌اش را نیمه‌کاره بگذارد یا چند درخواست را با هم مطرح کند. به همین دلیل، طراحی پرامپت برای یک عامل صوتی باید مشخص کند سیستم چگونه اطلاعات ناقص را پیگیری کند، با قطع‌شدن مکالمه چه کند و پاسخ را تا چه اندازه طبیعی و کوتاه نگه دارد.

این موضوع در طراحی عامل‌های هوش مصنوعی (AI Agents) اهمیت بیشتری پیدا می‌کند؛ سیستم‌هایی که می‌توانند برای رسیدن به یک هدف، وظایف مختلفی را انجام دهند و در برخی کاربردها با ابزارها و محیط‌های دیگر تعامل داشته باشند.

تکنیک‌های پرامپت‌نویسی برای درخواست‌های پیچیده‌تر

برای بسیاری از کارها یک پرامپت ساده کافی است. بااین‌حال، وقتی مدل باید الگویی را تکرار کند، مسئله‌ای چندبخشی را حل کند یا پاسخ را در قالبی ثابت تحویل دهد، چند تکنیک برای شما مفید خواهد بود. استفاده از تکنیک پیشرفته به‌تنهایی خروجی را بهتر نمی‌کند و باید دید آیا با مسئله‌ی شما تناسب دارد یا نه.

استفاده از نمونه (Few-shot)

در این روش، پیش از درخواست اصلی یک یا چند نمونه از ورودی و خروجی مورد انتظار را می‌دهید. مثلاً اگر می‌خواهید نظرهای مشتریان بر اساس لحن دسته‌بندی شوند، چند نظر و برچسب نمونه ارائه می‌کنید و بعد از مدل می‌خواهید نظر جدید را دسته‌بندی کند. این روش برای کارهای تکراری و قالب‌دار مفید است، چون مدل نمونه‌ای از شکل خروجی مطلوب می‌بیند.

نمونه‌ها باید درست و سازگار باشند. اگر یک مثال را «مثبت» و نمونه‌ای بسیار مشابه را «منفی» برچسب بزنید، مدل ممکن است الگوی ناخواسته‌ای یاد بگیرد. همچنین، نمونه‌های بیشتر همیشه بهتر نیستند؛ چند مثال روشن و مرتبط معمولاً از فهرستی طولانی و پراکنده مفیدتر است.

تقسیم کار به چند مرحله

اگر درخواست چند بخش دارد، می‌توانید آن را به مراحل کوچک‌تر تقسیم کنید. مثلاً برای تهیه‌ی گزارش ابتدا از مدل بخواهید نکته‌های متن را استخراج کند، سپس آن‌ها را دسته‌بندی کند و در پایان پیش‌نویس گزارش را بسازد. این کار بررسی نتیجه را ساده‌تر می‌کند، چون می‌توانید خطا را در هر مرحله پیدا کنید.

البته برای یک کار ساده، شکستن درخواست به چند مرحله فقط پاسخ را طولانی‌تر می‌کند. از این روش زمانی استفاده کنید که مراحل واقعاً به هم وابسته‌اند یا لازم است خروجی میانی را بازبینی کنید.

تعیین قالب و محدودیت

اگر خروجی باید مستقیماً در سند یا ابزار دیگری استفاده شود، قالب را صریح بیان کنید؛ مثلاً جدول با نام ستون‌های مشخص، فهرست شماره‌دار یا خروجی ساختاریافته داشته باشید. محدودیت‌هایی مانند تعداد موارد و طول پاسخ نیز کمک می‌کنند نتیجه با نیاز عملی شما سازگارتر باشد.

اصلاح مرحله‌ای

پرامپت‌نویسی همیشه به یک پیام ختم نمی‌شود. می‌توانید پاسخ اولیه را ببینید و سپس دقیقاً همان بخش‌هایی را اصلاح کنید که مشکل دارند.

اگر قصد دارید فراتر از استفاده روزمره از ابزارها بروید و این حوزه را حرفه‌ای دنبال کنید، آشنایی با مسیر تبدیل‌شدن به متخصص هوش مصنوعی می‌تواند دید بهتری از مهارت‌های موردنیاز به شما بدهد. همچنین با دنبال‌کردن یک نقشه راه هوش مصنوعی می‌توانید ترتیب یادگیری مباحث مختلف این حوزه را بهتر مشخص کنید.

یکی از موضوعاتی که در این مسیر با آن روبه‌رو می‌شوید، ارتباط میان هوش مصنوعی و یادگیری ماشین است. شناخت تفاوت این مفاهیم کمک می‌کند جایگاه مدل‌ها و ابزارهایی را که با آن‌ها کار می‌کنید بهتر درک کنید.

اگر به هوش مصنوعی، یادگیری ماشین و مباحث پایتون علاقه دارید، شرکت در بوت‌کمپ هوش مصنوعی دانشکار را به شما پیشنهاد می‌دهیم.

اشتباه‌های رایج در پرامپت‌نویسی

حتی اگر اجزای یک پرامپت را بشناسید، چند اشتباه رایج می‌تواند باعث شود نتیجه‌ی نهایی با انتظار شما فاصله داشته باشد. شناخت این خطاها کمک می‌کند پیش از ارسال، درخواست را بازبینی کنید و به‌جای سرزنش ابزار، ببینید چه اطلاعاتی کم بوده است.

• درخواست بیش‌ازحد کلی: «درباره‌ی کسب‌وکار بنویس» محدوده‌ی بزرگی دارد. موضوع، هدف و مخاطب را مشخص کنید.
• دستورهای متناقض: «خیلی کوتاه بنویس و همه‌ی جزئیات را کامل توضیح بده» دو انتظار متفاوت ایجاد می‌کند. اولویت را روشن کنید.
• چند وظیفه‌ی نامرتبط در یک پیام: وقتی از مدل هم‌زمان ترجمه، تحلیل، ایده‌پردازی و نگارش می‌خواهید، احتمال پراکندگی پاسخ بالا می‌رود. کارها را دسته‌بندی یا مرحله‌بندی کنید.
• زمینه‌ی ناکافی: درخواست بدون اطلاعاتی که پاسخ به آن وابسته است، مدل را وادار به حدس می‌کند. مخاطب، هدف یا شرایط کلیدی را اضافه کنید.
• زمینه‌ی بیش‌ازحد و بی‌ارتباط: جزئیات زیاد لزوماً کیفیت را بالا نمی‌برد. موارد تکراری یا خارج از هدف را حذف کنید.
• پذیرفتن اولین خروجی بدون بررسی: پاسخ روان و مطمئن ممکن است اشتباه باشد. به‌ویژه نام‌ها، اعداد، منابع و توصیه‌های حساس را راستی‌آزمایی کنید.
• قرار دادن اطلاعات محرمانه در پرامپت: پیش از واردکردن داده‌ی شخصی یا سازمانی، سیاست حریم خصوصی ابزار را بررسی کنید و اطلاعات غیرضروری را حذف کنید.
• فرض اینکه یک نسخه برای همه‌ی مدل‌ها جواب می‌دهد: ابزارها قابلیت‌ها و محدودیت‌های متفاوتی دارند. پرامپت را در همان ابزاری که قرار است استفاده شود آزمایش کنید.

پاسخ نادرست، سوگیری، مسائل مربوط به حریم خصوصی و دشواری تشخیص برخی خطاها تنها بخشی از چالش‌های هوش مصنوعی هستند. بنابراین پرامپت خوب می‌تواند کیفیت تعامل با مدل را بهتر کند، اما نمی‌تواند همه محدودیت‌ها و ریسک‌های خود مدل را از بین ببرد.

چطور کیفیت پاسخ هوش مصنوعی را ارزیابی کنیم؟

نوشتن پرامپت فقط نیمی از کار و نیمه دیگر بررسی به هدف رسیدن است. برای ارزیابی، پاسخ را با معیارهایی که در درخواست داشتید مقایسه کنید، نه فقط با این حس کلی که «خوب به نظر می‌رسد».

• ارتباط: آیا پاسخ دقیقاً به سؤال یا وظیفه‌ی شما می‌پردازد؟
• کامل‌بودن: آیا همه‌ی بخش‌هایی که درخواست کرده‌اید پوشش داده شده‌اند؟
• رعایت قالب: آیا تعداد، طول، زبان و ساختار خواسته‌شده رعایت شده است؟
• پشتوانه و صحت: آیا ادعاهای واقعی قابل بررسی و مستند هستند؟ آیا مدل چیزی را بدون منبع افزوده است؟
• تناسب با مخاطب: آیا سطح زبان و مثال‌ها برای مخاطب هدف مناسب‌اند؟
• ایمنی و محرمانگی: آیا پاسخ یا خود پرامپت اطلاعات حساس یا سوگیری ناموجه دارد؟

در بعضی کاربردها، فقط درست‌بودن خروجی کافی نیست و باید بتوانیم بهتر بفهمیم مدل چگونه به یک نتیجه رسیده است. این موضوع به‌خصوص در تصمیم‌های حساس اهمیت پیدا می‌کند و یکی از موضوعات مورد بررسی در حوزه هوش مصنوعی توضیح‌پذیر (XAI) است.

اگر پاسخ از یک معیار فاصله دارد، لازم نیست همه‌چیز را از اول بنویسید. همان معیار را به درخواست بعدی اضافه کنید. مثلاً اگر متن درست اما بیش از حد تخصصی است، بگویید «همین پاسخ را برای مخاطب غیرمتخصص بازنویسی کن و اصطلاح‌ها را توضیح بده».

منبع:geeksforgeeks.org ، repsol.com