چگونه سوالات بهتری از ChatGPT بپرسیم بدون اتلاف وقت؟

نخستین بار که با ChatGPT کار می‌کردم، فکر می‌کردم مشکل از ابزار است؛ جواب‌ها کلی و بی‌عمق بودند. بعد از چند هفته متوجه شدم مشکل از جای دیگری است: سوال‌های من کوتاه و مبهم بودند و مدل، مجبور بود حدس بزند چه می‌خواهم. تفاوت میان یک خروجی معمولی و یک خروجی حرفه‌ای، در بیشتر موارد، نه در هوش مدل، بلکه در ساختار سوال است. این نوشته، همان روشی است که در پروژه‌های واقعی برای پرسیدن سوال بهتر از ChatGPT به‌کار می‌برم.

سوال خوب از ChatGPT دقیقاً چه ویژگی‌هایی دارد؟

سوال خوب، سوالی است که مدل بتواند با کمترین حدس، به جواب مشخص برسد. این تعریف ساده، در عمل با چند ویژگی همراه است:

• روشن: مشخص است چه چیزی می‌خواهید. نه «یک متن بنویس»، بلکه «یک ایمیل رسمی به مشتری برای عذرخواهی از تأخیر تحویل، در سه پاراگراف کوتاه».
• بافتارمند: اطلاعات زمینه‌ای که به مدل کمک می‌کند. مخاطب، هدف، لحن، محدودیت‌ها.
• ساختارمند: به‌جای یک جمله کوتاه، ساختاری از نقش، مخاطب، خروجی مورد انتظار و قواعد.
• قابل‌تکرار: سوالی که خروجی‌اش می‌تواند بازبینی و اصلاح شود، نه سوالی که هر بار خروجی متفاوت و غیرقابل پیش‌بینی می‌دهد.

در تجربه‌ام، تیم‌هایی که یاد گرفته‌اند سوال ساختارمند بپرسند، نه‌فقط خروجی بهتری می‌گیرند، از تعداد رفت‌وبرگشت‌های اصلاحی هم می‌کاهند. اگر با ChatGPT تازه آشنا می‌شوید، ابتدا ChatGPT چیست و چگونه از آن استفاده کنیم را بخوانید و بعد به این مقاله برگردید.

سوال خوب، مثل بریف دقیق برای همکار است: هرچه ابهام کمتر، خروجی نزدیک‌تر به انتظار. سوال مبهم، مثل سفارش کوتاه در رستوران است: چیزی می‌آید، اما نه آنچه می‌خواستید.

ذهنیت درست: همکاری با مدل، نه دستور دادن به آن

بزرگ‌ترین اشتباه در پرسیدن از ChatGPT، برخورد دستوری با مدل است. سه اصلی که در پروژه‌ها رعایت می‌کنم:

1. مدل، همکار است نه ماشین خودکار: با مدل مثل یک همکار صحبت کنید که نیاز به بریف دارد. اگر بریف ندهید، هر ماشین خودکاری هم خروجی ناقص می‌دهد.
2. پرسش، فرآیند است نه لحظه: خروجی خوب، معمولاً از سه یا چهار رفت‌وبرگشت می‌آید، نه از یک پرامپت طولانی. انتظار خروجی کامل از پرامپت اول، انتظار غیرواقعی است.
3. مدل، فرض‌های پنهان دارد: ChatGPT بر پایه احتمال کار می‌کند؛ اگر بریف دقیق ندهید، فرض‌های پیش‌فرضش را اعمال می‌کند. سوال خوب، این فرض‌ها را روشن می‌کند.

در تجربه‌ام، کسانی که این سه اصل را رعایت می‌کنند، در تعامل با ChatGPT به خروجی‌هایی می‌رسند که چند برابر مفیدتر از کار با پرامپت‌های تکی است. برای مباحث مرتبط با محدودیت‌ها، محدودیت‌های ChatGPT و آیا اطلاعات ChatGPT قابل اعتماد است را ببینید.

ساختار چهارلایه پرامپت

ساختاری که در پروژه‌ها به‌کار می‌برم، چهار لایه دارد و در بیشتر سناریوها نتیجه به‌مراتب بهتری از پرامپت‌های کوتاه می‌دهد:

نمونه پرامپت کامل با این چهار لایه:

نقش: یک توسعه‌دهنده ارشد وردپرس با تجربه پروژه‌های سازمانی.
بافتار: مخاطب مدیر محصول است که با مفاهیم فنی وردپرس آشناست اما کدنویس نیست.
می‌خواهد بداند چرا سایتش در موبایل کند بارگذاری می‌شود.
خروجی: سه دلیل اصلی در قالب فهرست شماره‌دار، هر کدام در دو یا سه جمله، با یک راه‌حل عملی در پایان.
قواعد: بدون اصطلاح عامیانه، بدون شعار تبلیغاتی، بدون پیشنهاد ابزار خاص بدون دلیل.

در تجربه‌ام، همین چهار لایه، بزرگ‌ترین تفاوت میان یک خروجی معمولی و یک خروجی قابل استفاده است. اگر روی تولید محتوا با ChatGPT کار می‌کنید، چگونه از ChatGPT برای تولید محتوا استفاده کنیم و کاربردهای ChatGPT در کسب‌وکار نقطه‌های شروع خوبی هستند.

نقش‌دهی و بافتار در پرامپت

نقش‌دهی (Role Prompting)، یکی از مهم‌ترین تکنیک‌هایی است که در پروژه‌ها به‌کار می‌برم. وقتی به مدل می‌گویید با چه هویتی صحبت کند، لحن، عمق و انتخاب واژه‌ها تغییر می‌کند. سه نمونه از نقش‌های مفید:

• نقش تخصصی: «یک توسعه‌دهنده ارشد وردپرس با ده سال تجربه». خروجی، به سطح فنی این نقش نزدیک می‌شود.
• نقش آموزشی: «یک مدرس فنی که برای مبتدی‌ها توضیح می‌دهد». خروجی، ساده‌تر و پله‌ای می‌شود.
• نقش منتقد: «یک منتقد که نقاط ضعف را بدون تعارف بیان می‌کند». خروجی، صادق‌تر و بدون تعارف می‌شود.

بافتار (Context) مکمل نقش است. سه جزء از بافتار که در پرامپت‌ها ذکر می‌کنم:

1. مخاطب: برای چه کسی می‌نویسید؟ مدیر، مشتری، توسعه‌دهنده یا کاربر عادی؟
2. هدف: خروجی باید چه کاری انجام دهد؟ آموزش، ترغیب، اطلاع‌رسانی یا تحلیل؟
3. محدودیت‌ها: حجم، لحن، کلمات ممنوع، ساختار. هر محدودیت، خروجی را هدفمندتر می‌کند.

در تجربه‌ام، ترکیب نقش و بافتار، بزرگ‌ترین اثر را روی کیفیت خروجی دارد. اگر می‌خواهید در این حوزه عمیق‌تر شوید، کاربردهای ChatGPT در کسب‌وکار و استفاده از ChatGPT برای تولید محتوا نکات مکمل دارند.

نمونه و قالب در پرامپت

یکی از مؤثرترین تکنیک‌ها در پرسیدن از ChatGPT، دادن نمونه یا قالب است. وقتی مدل، الگوی خروجی مورد انتظار را ببیند، شانس تطبیق با آن بسیار بیشتر می‌شود. سه روش در پروژه‌ها:

• نمونه پوزیتیو: یک نمونه از خروجی خوب قبلی را به مدل نشان دهید و بگویید همان الگو را ادامه دهد.
• نمونه نِگاتیو: یک نمونه از خروجی بد را نشان دهید و بگویید این الگو را رعایت نکند.
• قالب ساختاری: ساختار خروجی را با سرفصل یا بخش‌ها مشخص کنید. مثلاً بگویید «خروجی در سه بخش: مسئله، راه‌حل، نمونه».

در پروژه‌هایی که روی تولید محتوای منظم کار می‌کنم، همین تکنیک نمونه، بزرگ‌ترین اثر را روی یکنواختی خروجی داشته است؛ مخصوصاً وقتی چند نفر با یک مدل کار می‌کنند و باید خروجی‌ها یکدست باشند. اگر روی تولید محتوای تیمی کار می‌کنید، تولید محتوا با ChatGPT نکات کاربردی دارد.

یک نمونه، بیشتر از صد کلمه توضیح کار می‌کند. به‌جای توصیف خروجی مطلوب، آن را نشان دهید.

زنجیره پرسش: چند سوال کوچک، نه یک سوال بزرگ

در پروژه‌های واقعی، به‌جای یک پرامپت طولانی برای کار بزرگ، از زنجیره پرسش (Prompt Chaining) استفاده می‌کنم. زنجیره پرسش یعنی شکستن یک کار بزرگ به چند پرسش کوچک که هر کدام خروجی مشخصی دارد. سه مزیت این روش:

1. کنترل کیفیت هر مرحله: در هر مرحله، خروجی را بررسی و اصلاح می‌کنید؛ در پایان، خروجی نهایی به‌مراتب باکیفیت‌تر است.
2. کاهش خطای مدل: مدل در پرامپت‌های طولانی، تمرکز را از دست می‌دهد؛ در پرسش‌های کوچک، تمرکز بیشتر و خروجی دقیق‌تر است.
3. قابلیت بازبینی و بازگشت: اگر مرحله‌ای خروجی نادرست داد، می‌توانید فقط همان مرحله را دوباره اجرا کنید؛ نه کل مسیر.

نمونه‌ای از زنجیره پرسش در تولید مقاله:

1. پرسش اول: «سه سرفصل اصلی برای مقاله درباره X پیشنهاد بده.»
2. پرسش دوم: «برای سرفصل دوم، پنج زیرعنوان پیشنهاد بده.»
3. پرسش سوم: «برای زیرعنوان اول سرفصل دوم، یک پاراگراف ۱۵۰ کلمه‌ای بنویس.»
4. پرسش چهارم: «این پاراگراف را بازبینی کن و اگر نکته پنهانی جا افتاده، اضافه کن.»

در تجربه‌ام، زنجیره پرسش، خروجی نهایی را چند برابر باکیفیت‌تر می‌کند. اگر روی پروژه‌های بزرگ کار می‌کنید، یادگیری برنامه‌نویسی با ChatGPT و ترجمه با ابزارهای هوش مصنوعی از همین الگو استفاده می‌کنند.

تکرار و اصلاح: گفتگو نه دستور

ChatGPT را نباید مثل موتور جستجو دید؛ باید مثل یک گفتگو با آن کار کرد. سه اصل در تکرار و اصلاح:

• پاسخ به خروجی، نه شروع از صفر: بعد از دیدن خروجی، به آن پاسخ بدهید؛ مثلاً «پاراگراف دوم را دقیق‌تر و فنی‌تر کن». این کار، مدل را در مسیر درست نگه می‌دارد.
• اصلاح تدریجی: به‌جای درخواست بازنویسی کامل، فقط بخش‌های نادرست را اصلاح کنید. این کار، هم سریع‌تر است و هم کیفیت را حفظ می‌کند.
• تعیین معیار کیفیت: اگر خروجی مورد قبول نیست، معیار مشخص کنید؛ «کوتاه‌تر»، «فنی‌تر»، «بدون شعار»، «با مثال مشخص».

در تجربه‌ام، سه تا پنج رفت‌وبرگشت، به خروجی‌ای می‌رسد که به‌مراتب بهتر از پرامپت اول است. اگر با ایده‌های اشتباه رایج در استفاده از ChatGPT روبه‌رو هستید، محدودیت‌های ChatGPT و تفاوت ChatGPT با سایر چت‌بات‌ها را ببینید.

اشتباهات رایج در پرسیدن از ChatGPT

در پروژه‌هایی که کار با ChatGPT پیگیری شده، چند الگوی تکراری دیده‌ام که کیفیت خروجی را پایین می‌آورد:

• پرامپت یک‌خطی: «یک متن بنویس.» بدون نقش، بافتار، خروجی و قواعد، نتیجه معمولاً کلی و بی‌هویت است.
• نبود بافتار: مدل نمی‌داند مخاطب کیست، هدف چیست؛ در نتیجه، فرض‌های پیش‌فرضش را اعمال می‌کند.
• درخواست همه‌چیز در یک پرامپت: مدل در پرامپت‌های طولانی، تمرکز را از دست می‌دهد؛ زنجیره پرسش بهتر است.
• نبود نمونه و قالب: بدون مثال، مدل نمی‌داند دقیقاً چه ساختاری می‌خواهید.
• بی‌توجهی به محدودیت حجم و لحن: بدون تعیین حجم و لحن، خروجی یا خیلی طولانی و یا خیلی کلی می‌شود.
• پذیرش خروجی اول: خروجی اول معمولاً پیش‌نویس است، نه نتیجه نهایی؛ بدون اصلاح، کیفیت پایین می‌ماند.
• نبود بازبینی انسانی: خروجی مدل باید بازبینی شود؛ مخصوصاً در داده‌های عددی و آمارها. راهنمای این حوزه در آیا اطلاعات ChatGPT قابل اعتماد است.
• انتظار خروجی تخصصی بدون داده تخصصی: اگر داده اختصاصی خودتان را به مدل ندهید، خروجی عمومی می‌شود. داده، وجه تمایز شماست.
• استفاده از ChatGPT برای همه‌چیز: بعضی کارها به ابزارهای تخصصی‌تر نیاز دارند؛ استفاده کورکورانه از یک ابزار برای همه کارها، کیفیت را کاهش می‌دهد.

برای مرور ساختاریافته‌تر، اشتباهات رایج در اتوماسیون هوش مصنوعی و محدودیت‌های هوش مصنوعی مولد را ببینید.

پرسش‌های پرتکرار درباره پرسیدن از ChatGPT

• چگونه سوالات بهتری از ChatGPT بپرسیم؟ با استفاده از ساختار چهارلایه پرامپت (نقش، بافتار، خروجی، قواعد)، نقش‌دهی و ارائه بافتار دقیق، دادن نمونه و قالب، شکستن کار بزرگ به زنجیره پرسش‌های کوچک، و تکرار و اصلاح خروجی به‌جای پذیرش اولین پاسخ.
• آیا پرامپت بلندتر، خروجی بهتری می‌دهد؟ نه به‌طور خودکار. پرامپت باید دقیق و ساختارمند باشد، نه فقط بلند. سه پرامپت ساختارمند و هدفمند، خروجی به‌مراتب بهتری از یک پرامپت طولانی و مبهم می‌دهد.
• بهترین تکنیک برای بهبود خروجی ChatGPT چیست؟ زنجیره پرسش. شکستن کار بزرگ به چند پرسش کوچک، در تجربه من بیشترین اثر را روی کیفیت خروجی نهایی داشته است.
• آیا باید به خروجی ChatGPT اعتماد کنیم؟ نه بدون بازبینی. داده‌های عددی، آمارها، منابع و اطلاعات تخصصی باید با منبع معتبر بررسی شوند. ChatGPT می‌تواند با اطمینان کامل، اطلاعات نادرست تولید کند.
• تفاوت ChatGPT با سایر چت‌بات‌ها چیست؟ ChatGPT از یک مدل زبانی بزرگ استفاده می‌کند که درکی عمیق‌تر از بافتار دارد؛ اما برای پرسیدن سوال خوب، همان اصول ساختارمند در همه چت‌بات‌ها کاربرد دارد. جزئیات در تفاوت ChatGPT با سایر چت‌بات‌ها.

پرسیدن خوب، مهارت انباشتی است

پرسیدن سوال بهتر از ChatGPT، مانند بسیاری از مهارت‌های حرفه‌ای، در طول زمان یاد گرفته می‌شود. تجربه‌ام می‌گوید کسانی که هر هفته یک تکنیک جدید را تمرین می‌کنند، بعد از چند ماه به سطحی می‌رسند که خروجی‌هایشان از بیشتر کاربران معمولی به‌مراتب بهتر است؛ کسانی که فقط پرسش‌های ابتدایی می‌پرسند، در همان سطح اولیه می‌مانند. اگر امروز فقط یک کار می‌کنید، همین حالا یکی از پرامپت‌های معمول خودتان را با ساختار چهارلایه بازنویسی کنید و تفاوت خروجی را ببینید. اگر در پروژه‌ای با تکنیک پرامپت‌نویسی نتیجه چشمگیری گرفته‌اید یا برعکس، جایی گیر کرده‌اید، برای من جالب است بدانید کدام ساختار و کدام تکنیک بیشترین اثر را داشت؛ تجربه‌تان را در دیدگاه‌ها بنویسید تا برای خواننده بعدی، مسیر روشن‌تری ساخته شود. 🎯