اگر قرار باشد کل این مقاله را در یک فرمول خلاصه کنیم، این را به خاطر بسپارید:

لازم نیست همه پرامپت‌های شما حتماً شش بخش داشته باشند. گاهی یک درخواست ساده فقط به «کار + شکل خروجی» نیاز دارد؛ اما هرچه کار پیچیده‌تر شود، اضافه کردن اطلاعات مرتبط باعث می‌شود هوش مصنوعی کمتر مجبور به حدس زدن شود.

همین فرمول ساده، پایه بیشتر پرامپت‌هایی است که برای تولید محتوا، برنامه‌نویسی، تحقیق، یادگیری و کارهای روزمره به آن‌ها نیاز دارید.

پرامپت یا Prompt همان ورودی و دستوری است که به یک مدل هوش مصنوعی می‌دهید تا بر اساس آن پاسخ تولید کند.

وقتی در ChatGPT می‌نویسید:

یک پرامپت نوشته‌اید.

وقتی می‌نویسید:

باز هم پرامپت نوشته‌اید؛ با این تفاوت که درخواست دوم اطلاعات بیشتری درباره خروجی مورد انتظار در اختیار مدل قرار می‌دهد.

OpenAI در راهنمای فعلی پرامپت‌نویسی خود هم روی همین موضوع تأکید می‌کند: درخواست باید تا حد لازم شفاف، مشخص و دارای زمینه کافی باشد. همچنین بهتر است پاسخ اولیه را بررسی و پرامپت را بر اساس نتیجه اصلاح کنید.

پرامپت نویسی یا Prompt Engineering یعنی طراحی و اصلاح ورودی‌هایی که به هوش مصنوعی می‌دهیم تا خروجی مرتبط‌تر، دقیق‌تر و کاربردی‌تری دریافت کنیم.

ولی اسم «Prompt Engineering» نباید باعث شود فکر کنید با یک علم عجیب و پر از فرمول‌های محرمانه طرف هستیم.

در استفاده روزمره، بخش زیادی از پرامپت نویسی به یک مهارت ساده برمی‌گردد:

مشکل بسیاری از خروجی‌های ضعیف این نیست که هوش مصنوعی «هیچی نمی‌فهمد»؛ مشکل این است که ما اطلاعات کافی برای فهمیدن نتیجه موردنظرمان در اختیارش نگذاشته‌ایم.

فرض کنید یک دوره آموزش پایتون دارید و از ChatGPT می‌خواهید برای آن کپشن بنویسد.

این درخواست قابل فهم است، اما چند سؤال بدون جواب باقی مانده:

مخاطب چه کسی است؟ لحن برند چیست؟ کپشن چقدر طولانی باشد؟ هدف فروش است یا آگاهی؟ دوره برای افراد مبتدی است یا حرفه‌ای؟ چه عبارت‌هایی نباید استفاده شوند؟

مدل مجبور می‌شود خودش درباره همه این موارد تصمیم بگیرد.

نتیجه ممکن است چیزی شبیه این باشد:

از نظر دستوری مشکلی ندارد، ولی آن‌قدر کلی است که می‌توان نام «پایتون» را با طراحی سایت، فتوشاپ یا آموزش زبان عوض کرد و تقریباً همان متن را تحویل گرفت.

حالا مدل دقیق‌تر می‌داند چه چیزی قرار است تولید کند.

نکته اصلی همین‌جاست: هوش مصنوعی را عوض نکردیم؛ دستور را بهتر کردیم.

گاهی مشخص کردن نقش می‌تواند زاویه پاسخ را روشن‌تر کند.

مثلاً به جای:

می‌توانید بگویید:

یا:

البته نقش همیشه ضروری نیست. اگر وظیفه به اندازه کافی واضح است، لازم نیست قبل از هر درخواست یک رزومه خیالی برای مدل بسازید.

برای ترجمه یک جمله نیازی نیست بنویسید:

فقط ترجمه را بخواهید!

این مهم‌ترین قسمت پرامپت است.

عبارت‌هایی مانند:

اطلاعات زیادی به مدل نمی‌دهند.

«بهتر» برای شما ممکن است به معنی کوتاه‌تر باشد و برای مدل به معنی رسمی‌تر.

در نتیجه به جای:

بنویسید:

هرچه تعریف شما از «خروجی خوب» روشن‌تر باشد، نتیجه قابل کنترل‌تر خواهد بود.

Context یکی از بخش‌هایی است که بیشترین تفاوت را در نتیجه ایجاد می‌کند.

مثلاً فرض کنید می‌خواهید برای یک محصول متن بنویسید.

پرامپت زیر اطلاعات زیادی ندارد:

ولی این یکی وضعیت را مشخص می‌کند:

حالا هوش مصنوعی می‌فهمد محصول چیست، مشتری چه کسی است و چه مشکلی دارد.

محدودیت الزاماً چیز منفی نیست. اتفاقاً محدودیت مناسب می‌تواند کیفیت خروجی را بیشتر کند.

نمونه محدودیت‌ها:

• حداکثر ۱۵۰ کلمه
• بدون استفاده از اصطلاحات تخصصی
• از ایموجی استفاده نکن
• کد موجود را از صفر بازنویسی نکن
• پاسخ فقط بر اساس متن ارسالی باشد
• اگر اطلاعات کافی وجود ندارد، حدس نزن
• از عبارت‌های تبلیغاتی کلیشه‌ای استفاده نکن

به مدل فقط نگویید چه کاری انجام دهد؛ در کارهای حساس، مشخص کنید چه کاری انجام ندهد.

گاهی خود اطلاعات درست است اما شکل ارائه آن چیزی نیست که نیاز داشتیم.

فرض کنید مقایسه دو سرویس را می‌خواهید.

اگر فقط بگویید:

ممکن است چند پاراگراف متن دریافت کنید.

اما اگر بگویید:

خروجی تقریباً آماده استفاده است.

فرمت می‌تواند جدول، JSON، Markdown، چک‌لیست، کد، پاراگراف، مراحل شماره‌گذاری‌شده یا هر ساختار دیگری باشد که واقعاً به کار شما می‌آید.

یکی از روش‌های مؤثر این است که نمونه‌ای از چیزی که دوست دارید در اختیار مدل قرار دهید.

مثلاً:

بعد نمونه متن خودتان را قرار دهید.

حتی می‌توانید نمونه منفی بدهید:

وقتی معیار خوب و بد مشخص باشد، احتمال اینکه خروجی به سلیقه شما نزدیک شود بیشتر می‌شود.

خیر.

این یکی از مهم‌ترین سوءتفاهم‌ها درباره پرامپت نویسی است.

پرامپت حرفه‌ای لزوماً پرامپت طولانی نیست.

برای کاری مثل:

همین مقدار اطلاعات احتمالاً کافی است.

اما اگر می‌خواهید هوش مصنوعی استراتژی محتوایی سه‌ماهه یک کسب‌وکار را طراحی کند، طبیعتاً باید اطلاعات بیشتری درباره محصول، مشتری، بودجه، کانال‌های انتشار، هدف و محدودیت‌ها بدهید.

پس قانون بهتر این است:

یکی از بزرگ‌ترین اشتباهات این است که تصور کنیم باید همان بار اول «پرامپت نهایی» را بنویسیم.

OpenAI هم در راهنمای رسمی خود پیشنهاد می‌کند با یک پرامپت اولیه شروع کنید، پاسخ را ببینید و سپس درخواست را بر اساس نتیجه اصلاح کنید.

مثلاً خروجی خوبی گرفته‌اید ولی هنوز زیادی رسمی است.

لازم نیست دوباره کل پرامپت را بنویسید.

کافی است ادامه دهید:

بعد:

بعد:

این رفت‌وبرگشت بخش طبیعی کار با مدل‌های هوش مصنوعی است.

برنامه‌نویس‌ها هم دقیقاً با همین مشکل مواجه می‌شوند.

این تقریباً معادل این است که ماشین را ببرید تعمیرگاه و بگویید:

«یه صدایی می‌ده!»

این اطلاعات باعث می‌شود مدل به جای حدس زدن کل پروژه، روی همان مسئله‌ای تمرکز کند که برای شما مهم است.

موضوع آن‌قدر گسترده است که تقریباً هر خروجی‌ای می‌تواند پاسخ محسوب شود.

اینجا موضوع، مخاطب، طول، ساختار، لحن و موارد نامرتبط مشخص شده‌اند.

پرامپت نویسی فقط برای تولید محتوا نیست.

مثلاً به جای:

می‌توانید بگویید:

حالا به جای یک توضیح عمومی درباره Git، یک مسیر یادگیری قابل اجرا دریافت می‌کنید.

به جای:

بنویسید:

اینجا حتی «زاویه مقایسه» هم مشخص شده است؛ چیزی که در بسیاری از پرامپت‌ها فراموش می‌شود.

برای بسیاری از کارهای روزمره، خیر.

مدل‌های امروزی می‌توانند درخواست‌های فارسی را درک کنند و اگر خروجی نهایی فارسی است، نوشتن پرامپت فارسی معمولاً مسیر طبیعی‌تری است.

اگر با ابزار یا مدلی خاص کار می‌کنید و احساس می‌کنید در یک اصطلاح تخصصی انگلیسی نتیجه بهتری می‌دهد، می‌توانید اصطلاح‌های تخصصی را انگلیسی نگه دارید.

مثلاً:

لازم نیست برای حرفه‌ای بودن، کل درخواست را به انگلیسی ترجمه کنید.

نه.

عبارت‌هایی مثل:

می‌توانند در بعضی درخواست‌ها زاویه و لحن پاسخ را روشن کنند، اما «نقش» یک کلید جادویی نیست.

اگر دقیقاً می‌دانید چه کاری می‌خواهید، معمولاً توضیح واضح وظیفه، Context و معیار خروجی مهم‌تر است.

مثلاً:

به اندازه کافی مشخص است و الزاماً نیازی ندارد قبل از آن بنویسید «تو بهترین CRO Expert جهان هستی».

بعد از یادگیری فرمول اصلی، چند روش ساده می‌تواند کنترل شما روی پاسخ را بیشتر کند.

به جای اینکه بگویید:

اول اطلاعات را تحلیل کنید:

بعد:

و در مرحله بعد:

تقسیم مسئله باعث می‌شود در هر مرحله بتوانید جهت کار را کنترل کنید.

اگر متن بزرگی به مدل می‌دهید، واضح مشخص کنید کدام قسمت «داده» است و کدام قسمت «دستور».

مثلاً:

این ساختار خصوصاً برای متن‌های طولانی مفید است.

اگر موضوع به اطلاعات واقعی وابسته است، می‌توانید بنویسید:

یا:

این کار جای بررسی انسانی یا منبع معتبر را نمی‌گیرد، اما رفتار مورد انتظار شما را روشن‌تر می‌کند.

این قالب را می‌توانید برای بسیاری از کارها تغییر دهید:

مثلاً:

قبل از ارسال پرامپت، پنج سؤال از خودتان بپرسید:

1. آیا دقیقاً مشخص است چه کاری می‌خواهم؟
2. آیا مدل اطلاعات لازم برای انجام آن را دارد؟
3. آیا محدودیت‌های مهم را گفته‌ام؟
4. آیا شکل خروجی موردنظر مشخص است؟
5. آیا معیار «جواب خوب» برای مدل قابل فهم است؟

اگر پاسخ این سؤال‌ها مثبت باشد، احتمالاً پرامپت شما برای شروع مناسب است.

تفاوت اصلی در یک کلمه است: ابهام.

هرچه ابهام کمتر شود، کنترل شما روی خروجی بیشتر می‌شود.

پرامپت دستوری یا ورودی‌ای است که به یک مدل هوش مصنوعی می‌دهید تا بر اساس آن پاسخ تولید کند. سؤال، دستور، متن، توضیح مسئله و اطلاعات زمینه‌ای می‌توانند بخشی از یک پرامپت باشند.

پرامپت نویسی فرایند طراحی و اصلاح دستورهایی است که به مدل هوش مصنوعی داده می‌شوند تا خروجی به هدف کاربر نزدیک‌تر شود. در راهنمای رسمی OpenAI نیز شفافیت، مشخص بودن درخواست، Context و اصلاح مرحله‌ای پرامپت از اصول اصلی معرفی شده‌اند.

یک فرمول کاربردی برای شروع این است:

همه بخش‌ها در تمام درخواست‌ها اجباری نیستند و باید بر اساس پیچیدگی کار انتخاب شوند.

عدد مشخصی وجود ندارد. یک پرامپت یک‌خطی ممکن است برای کار ساده کاملاً کافی باشد و یک پروژه پیچیده به چند پاراگراف Context نیاز داشته باشد. مهم‌تر از طول، واضح بودن اطلاعات مؤثر است.

نه لزوماً. اضافه کردن جزئیاتی که روی پاسخ تأثیری ندارند حتی می‌تواند درخواست را شلوغ کند. جزئیات باید مرتبط با هدف باشند.

برای بسیاری از کاربردهای رایج می‌توانید مستقیماً فارسی بنویسید. مهم‌تر از زبان پرامپت، روشن بودن درخواست و دادن اطلاعات مناسب است.

تمپلیت‌ها سرعت کار را بالا می‌برند، اما بهتر است آن‌ها را با Context واقعی پروژه خودتان تطبیق دهید. پرامپتی که برای یک فروشگاه مناسب است الزاماً برای یک سایت آموزشی نتیجه یکسانی نمی‌دهد.

به جای شروع دوباره، دقیقاً بگویید چه بخشی از پاسخ مناسب نیست. مثلاً درخواست کنید کوتاه‌تر شود، مثال اضافه شود، لحن تغییر کند یا ساختار متفاوتی داشته باشد. اصلاح مرحله‌ای یکی از توصیه‌های اصلی راهنمای پرامپت‌نویسی OpenAI است.

برای استفاده حرفه‌ای از هوش مصنوعی لازم نیست صدها «پرامپت جادویی» حفظ کنید.

اصل ماجرا بسیار ساده‌تر است:

فرمول اصلی را هم دوباره مرور کنیم:

گاهی فقط دو بخش از این فرمول لازم است و گاهی هر شش بخش.

مهم این نیست که پرامپت شما چقدر طولانی یا پیچیده به نظر برسد؛ مهم این است که مدل مجبور نباشد درباره بخش‌های مهم درخواست شما حدس بزند.

دفعه بعد که از هوش مصنوعی خروجی ضعیفی گرفتید، قبل از اینکه مدل را عوض کنید، یک بار خود پرامپت را بررسی کنید.

شاید مشکل فقط این باشد که هنوز دقیق نگفته‌اید چه می‌خواهید.