پرامپت
Promptپرامپت ورودی یا مجموعه دستورهایی است که به مدل هوش مصنوعی میدهیم تا بداند چه کاری، با چه زمینهای، برای چه مخاطبی و در چه قالبی انجام دهد. پرامپت خوب جای حقیقتسنجی و بازبینی انسانی را نمیگیرد، اما احتمال رسیدن به پاسخ مرتبط و قابلاستفاده را بیشتر میکند.
پرامپت فقط یک سؤال نیست
در گفتوگوی روزمره میتوان نوشت «برای من متن بنویس»، اما مدل نمیداند متن دربارهٔ چیست، مخاطب چه کسی است، لحن باید چگونه باشد و خروجی کجا استفاده میشود. پرامپت این ابهام را کاهش میدهد. گاهی یک جمله است و گاهی شامل دستور اصلی، دادهٔ مرجع، نمونه، محدودیت و معیار پذیرش میشود.
مدل زبانی پاسخ را با پیشبینی ادامهٔ مناسب متن تولید میکند؛ بنابراین ممکن است پاسخ روان اما نادرست بسازد. پرامپت دقیق، مدل را به مسیر بهتری هدایت میکند ولی تضمین صحت نیست. در موضوعهای حقوقی، پزشکی، مالی و خبری باید منبع، تاریخ و دامنهٔ عدمقطعیت جداگانه بررسی شود.
پرامپت یعنی صورتمسئلهای که هدف، زمینه و شکل پاسخ مطلوب را برای هوش مصنوعی روشن میکند.
ساختار یک پرامپت حرفهای
یک فرمول ثابت برای همهٔ کارها وجود ندارد، اما پنج جزء زیر بیشتر ابهامها را برطرف میکنند:
- هدف: دقیقاً چه خروجی میخواهید؛ خلاصه، مقایسه، کد، ایده یا ویرایش؟
- زمینه: محصول، مسئله، مخاطب و اطلاعاتی که بدون آن پاسخ سطحی میشود.
- دادهٔ ورودی: متن، جدول یا نمونهای که مدل باید فقط بر اساس آن کار کند.
- محدودیت: طول، لحن، زبان، موارد ممنوع و بازهٔ زمانی.
- قالب و معیار: جدول، فهرست یا JSON و نشانههای یک پاسخ پذیرفتنی.
در راهنمای رسمی مهندسی پرامپت OpenAI نیز بر روشنبودن نقش دستورها، استفاده از زمینهٔ مرتبط و آزمودن خروجی تأکید شده است. نامگذاری بخشها با تیتر یا جداکننده کمک میکند مدل دستور را با متن مرجع اشتباه نگیرد.
مثال ضعیف و نسخهٔ بهتر
ضعیف: «یک کپشن برای این محصول بنویس.» این درخواست نه محصول را معرفی میکند و نه کانال انتشار و محدودیت را.
بهتر: «برای صفحهٔ اینستاگرام یک فروشگاه قهوه، کپشنی ۸۰ تا ۱۲۰ کلمهای دربارهٔ قهوهٔ اتیوپی بنویس. مخاطب تازهکار است؛ لحن صمیمی اما غیراغراقآمیز باشد. رایحهٔ مرکبات و روش دمآوری V60 را توضیح بده، ادعای درمانی نکن و در پایان یک سؤال طبیعی بپرس.»
نسخهٔ بهتر هنوز میتواند کاملتر شود: اگر اطلاعات محصول قطعی است، آن را داخل بلوک «دادههای مجاز» قرار دهید و از مدل بخواهید چیزی بیرون از آن اختراع نکند. برای خروجی تکرارشونده، دو نمونهٔ خوب و بد و دلیل تفاوتشان از توضیح مبهم «حرفهای بنویس» مفیدتر است.
پرامپت چندمرحلهای و اصلاح پاسخ
لازم نیست همهچیز در پیام اول حل شود. برای مسئلهٔ بزرگ، ابتدا از مدل بخواهید ابهامها را فهرست کند، سپس طرح کلی بدهد و بعد هر بخش را بر اساس بازخورد تکمیل کند. این روش امکان کنترل مسیر را بیشتر و هزینهٔ بازنویسی را کمتر میکند.
اگر پاسخ خوب نبود، فقط نگویید «بهترش کن». مشکل را مشخص کنید: «بخش دوم کلی است»، «این ادعا منبع ندارد»، «دو گزینه بیش از حد شبیهاند» یا «قالب خروجی معتبر نیست». سپس معیار اصلاح را اضافه کنید. پرامپتنویسی عملاً چرخهٔ تعریف مسئله، مشاهدهٔ نتیجه و تصحیح دستور است.
برای کارهای تکراری یک مجموعهٔ آزمون بسازید. چند ورودی معمول، یک مورد مرزی و خروجی مطلوب را نگه دارید. تغییر مدل یا پرامپت را روی همهٔ آنها بسنجید؛ یک پاسخ چشمگیر بهتنهایی نشانهٔ کیفیت پایدار نیست.
اشتباههای رایج و چکلیست نهایی
- چند هدف ناسازگار را در یک درخواست جمعکردن؛
- گفتن «کامل» یا «حرفهای» بدون معیار قابل سنجش؛
- دادن دادهٔ حساس، رمز، اطلاعات مشتری یا سند محرمانه؛
- درخواست منبع و پذیرفتن ارجاعهای ساختگی بدون بازکردن لینک؛
- اصرار بر پاسخ قطعی وقتی داده کافی نیست؛
- کپی مستقیم خروجی به سایت یا تصمیم حساس بدون بازبینی.
پیش از ارسال بپرسید: آیا هدف روشن است؟ آیا مدل دادهٔ لازم را دارد؟ آیا مرز میان دستور و محتوای ورودی مشخص است؟ آیا قالب نهایی قابل استفاده تعریف شده؟ آیا مدل اجازه دارد در نبود اطلاعات بگوید «نمیدانم»؟ و در پایان، چه کسی صحت و لحن پاسخ را تأیید میکند؟
پرامپت خوب کوتاهترین متن نیست؛ کمابهامترین صورتمسئلهای است که برای همان کار، اطلاعات کافی و کنترل مناسب فراهم میکند.
پرسشهای متداول دربارهٔ پرامپت
پرامپت فارسی بهتر است یا انگلیسی؟
برای بیشتر مدلهای جدید هر دو قابل استفادهاند. زبان را بر اساس مخاطب و خروجی انتخاب کنید. اگر اصطلاح تخصصی ترجمهٔ مبهم دارد، میتوانید نام فارسی و انگلیسی را کنار هم بیاورید.
مهندسی پرامپت یعنی چه؟
یعنی طراحی، آزمون و اصلاح نظاممند دستورها و زمینهٔ ورودی برای رسیدن به خروجی قابلاعتمادتر؛ نه پیدا کردن یک جملهٔ جادویی که همیشه درست کار کند.
آیا پرامپت طولانی همیشه بهتر است؟
خیر. جزئیات مرتبط مفیدند، اما دستورهای تکراری یا متناقض کیفیت را کم میکنند. هر بخش باید هدف، داده، محدودیت یا معیار پاسخ را روشنتر کند.
برای درک کاملتر، اینها را هم بخوانید
- مدل زبانی بزرگ LLMمدل زبانی بزرگ یا LLM سامانهای یادگیریماشینی است که الگوهای زبان را از حجم زیادی متن میآموزد و بر اساس زمینه، واحدهای بعدی متن را پیشبینی میکند. توانایی تولید پاسخ شبیه فهم انسانی است، اما به معنی آگاهی، حافظهٔ واقعی یا درستی قطعی گفتهها نیست.
- هوش مصنوعیهوش مصنوعی شاخهای از علوم کامپیوتر است که سیستمهایی میسازد تا کارهایی را انجام دهند که تا پیش از این به هوش انسانی نیاز داشت: دیدن، شنیدن، فهمیدن زبان، تصمیمگیری و پیشبینی. نکتهٔ کلیدی این است که این سیستمها بهجای اینکه قدمبهقدم برنامهریزی شوند، از داده «یاد میگیرند».
- هوش مصنوعی مولدهوش مصنوعی مولد دستهای از مدلهاست که بهجای دستهبندی یا پیشبینی، محتوای تازه میسازد: متن، تصویر، صدا، ویدیو یا کد. تفاوت بنیادیاش با نسل قبلی این است که خروجیاش انتخاب از میان گزینههای موجود نیست، بلکه چیزی است که پیش از این وجود نداشته.