اصول Prompt نویسی چیست و چطور بهترین پرامپت را بنویسیم؟

اولین باری که با یک مدل زبانی بزرگ کار کردم، به این نتیجه رسیدم که «پرامپت نویسی چیز خاصی نیست؛ فقط باید سوالت را واضح بپرسی.» سه هفته بعد، در پروژه‌ای که قرار بود برای یک تیم محتوایی، دستیار تولید متن بسازم، متوجه شدم همان مدل، با دو پرامپتِ کمی متفاوت، دو خروجی کاملاً متفاوت می‌دهد: یکی متوسط و بی‌هویت، و یکی دقیقاً همان چیزی که کارفرما می‌خواست. آن تفاوت، هسته‌ای شد که از آن روز، به پرامپت نویسی نه به‌عنوان یک مهارت جانبی، بلکه به‌عنوان یک زبان مستقل نگاه کنم. امروز می‌خواهم به این پرسش پاسخ بدهم: اصول Prompt نویسی چیست و چطور بهترین پرامپت را بنویسیم؟ اگر با مفهوم پایه‌ای این حوزه آشنا نیستید، ابتدا مطالعه ChatGPT چیست و چگونه از آن استفاده کنیم چارچوب کلی را روشن می‌کند. همچنین اگر می‌خواهید ذهنیت‌تان از مبانی شکل بگیرد، نگاهی به تعریف Prompt Engineering در ویکی‌پدیا بیندازید.

پرامپت نویسی دقیقاً چیست؟

پرامپت نویسی یا Prompt Engineering، هنر و مهندسی طراحی ورودی برای مدل‌های زبانی بزرگ است به شکلی که خروجی مطلوب، دقیق و قابل اتکا تولید شود. در نگاه اول، این تعریف ساده به نظر می‌رسد اما در عمل، پرامپت نویسی نه فقط یک مهارت نوشتاری، بلکه ترکیبی از سه لایه است: درک رفتار مدل، ساختاردهی به زبان طبیعی و مهندسی iterative. اکثر کاربران، لایه اول و سوم را نادیده می‌گیرند و فقط روی لایه دوم تمرکز می‌کنند که نتیجه‌اش پرامپت‌های تکراری و بی‌اثر است.

در سطح فنی، پرامپت نویسی با برنامه‌نویسی سنتی سه تفاوت بنیادی دارد. تفاوت اول، عدم قطعیت است؛ در برنامه‌نویسی، یک ورودی مشخص همیشه یک خروجی مشخص می‌دهد اما در پرامپت نویسی، یک پرامپت ممکن است در دو اجرا، دو خروجی متفاوت بدهد. تفاوت دوم، زبان طبیعی به‌عنوان رابط است؛ شما با مدل به فارسی حرف می‌زنید نه با API، و همین ظاهر ساده، پیچیدگی‌های خاص خودش را دارد. تفاوت سوم، وابستگی به مدل است؛ پرامپتی که روی GPT-4 عالی کار می‌کند، روی Claude ممکن است متوسط باشد و روی مدل‌های کوچک‌تر، بی‌اثر.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در حدود هشتاد درصد موارد، تفاوت بین یک خروجی متوسط و یک خروجی حرفه‌ای، نه در مدل انتخابی، بلکه در کیفیت پرامپت بوده. کاربرانی که پرامپت نویسی را جدی می‌گیرند، در همان مدل رایگان، خروجی بهتری از کاربرانی می‌گیرند که از مدل پرمیوم استفاده می‌کنند اما پرامپت ساده و مبهم می‌نویسند. اگر می‌خواهید درک عمیق‌تری از مبانی مدل‌های زبانی داشته باشید، مقاله‌ای که در LLM و انقلاب مدل‌های زبانی بزرگ نوشته‌ام این لایه را باز می‌کند.

پرامپت نویسی، هنر حرف زدن با هوش مصنوعی نیست؛ هنر تبدیل خواسته‌های مبهم ذهنی به دستورات قابل اجرا است. اگر خودتان دقیقاً نمی‌دانید چه می‌خواهید، هیچ مدلی نمی‌تواند آن را برای شما حدس بزند.

نکته دومی که در تعریف پرامپت نویسی باید در نظر گرفت، تفاوت آن با «چت کردن» است. چت با هوش مصنوعی، یک گفتگوی آزاد است که در آن کاربر سؤال می‌پرسد و مدل پاسخ می‌دهد. پرامپت نویسی، یک رویکرد سیستماتیک است که در آن شما به‌عنوان مهندس، ورودی را طوری طراحی می‌کنید که مدل، خروجی از پیش تعریف‌شده‌ای تولید کند. این تفاوت در پروژه‌های تجاری و اتوماسیون‌های جدی، اثر مستقیم دارد چون پرامپت خوب می‌تواند در مقیاس هزاران بار اجرا شود و همیشه خروجی قابل قبول بدهد. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در اتوماسیون با هوش مصنوعی چیست و چه مزایایی دارد نوشته‌ام این موضوع را باز می‌کند.

چرا یک پرامپت خوب، خروجی را چند برابر بهتر می‌کند؟

پرامپت خوب، نه فقط خروجی را بهتر می‌کند بلکه مسیر رسیدن به خروجی را کوتاه‌تر و ارزان‌تر می‌کند. سه دلیل فنی برای این اثر وجود دارد. دلیل اول، کاهش ابهام است؛ هر ابهامی در پرامپت، مدل را به سمت حدس زدن می‌برد و حدس، همیشه بهترین خروجی نیست. دلیل دوم، کاهش فضای جستجو است؛ مدل زبانی در فضای گسترده‌ای از پاسخ‌های ممکن حرکت می‌کند و پرامپت خوب، آن فضای جستجو را به ناحیه‌ای که پاسخ مطلوب در آن قرار دارد، محدود می‌کند. دلیل سوم، کاهش نیاز به بازنویسی است؛ پرامپت مبهم، معمولاً به چند دور اصلاح نیاز دارد در حالی که پرامپت دقیق، در همان دور اول نتیجه می‌دهد.

در سطح فنی، اثر پرامپت خوب بر خروجی در سه محور قابل مشاهده است. محور اول، دقت محتوایی است؛ پرامپت خوب با ارائه زمینه دقیق، مدل را از ساختن اطلاعات نادرست بازمی‌دارد. محور دوم، هم‌راستایی با انتظار است؛ پرامپت خوب با تعریف فرمت خروجی، باعث می‌شود خروجی مدل با هدف شما هماهنگ باشد. محور سوم، پایداری در تکرار است؛ پرامپت خوب در اجرای مکرر، خروجی‌های مشابه و قابل اعتماد تولید می‌کند که در اتوماسیون حیاتی است.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در حدود شصت درصد از پروژه‌هایی که کارفرما از خروجی AI ناراضی بود، مشکل واقعی نه مدل بلکه پرامپت بود. با بازنویسی پرامپت و استفاده از اصولی که در ادامه این مقاله می‌گویم، همان مدل با همان تنظیمات، خروجی قابل قبولی تولید کرد. این تجربه به من نشان داد که پرامپت نویسی، مهم‌ترین متغیر قابل کنترل در استفاده از مدل‌های زبانی است. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در چگونه سوالات بهتری از ChatGPT بپرسیم نوشته‌ام این موضوع را با مثال‌های بیشتر باز می‌کند.

آناتومی یک پرامپت حرفه‌ای

پرامپت حرفه‌ای از شش مؤلفه اصلی تشکیل شده است که هرکدام یک پرسش بنیادین را پاسخ می‌دهند. اگر پرامپت شما فاقد هرکدام از این شش مؤلفه باشد، احتمال خروجی مطلوب به‌طور محسوس پایین می‌آید. شش مؤلفه به‌شرح زیر هستند:

در ساختار یک پرامپت حرفه‌ای، معمولاً از سه اصل پیروی می‌کنم. اصل اول، ترتیب منطقی است؛ نقش و وظیفه در ابتدا، زمینه در میانه و فرمت خروجی در انتها. اصل دوم، استفاده از جداکننده‌های واضح است؛ با استفاده از خط جداکننده، علامت‌گذاری با ### یا عناوین کوتاه، بخش‌های مختلف پرامپت را از هم جدا می‌کنم. اصل سوم، بیان دستورات در قالب فعل امر است؛ مدل‌های زبانی به دستورات مستقیم بهتر پاسخ می‌دهند تا به جملات پرسشی یا آرزویی.

### ROLE
تو یک استراتژیست محتوا با تجربه در حوزه فناوری هستی.

### TASK
یک پست وبلاگ ۱۵۰۰ کلمه‌ای درباره گوگل آنالیتیکس ۴ بنویس.

### CONTEXT
مخاطب این پست، مدیران بازاریابی شرکت‌های متوسط هستند که با GA4 تازه آشنا شده‌اند.

### FORMAT
- عنوان سؤال‌محور
- مقدمه ۱۰۰ کلمه‌ای
- ۵ بخش با تیتر H2
- یک جدول مقایسه
- جمع‌بندی ۱۵۰ کلمه‌ای

### CONSTRAINTS
- از عبارت‌های تبلیغاتی پرهیز کن.
- برای هر ادعا، یک مثال عملی بیاور.
- به زبان فارسی روان و محاوره‌ای ننویس.

### EXAMPLE
[یک پاراگراف نمونه از سبک مورد نظر]

این ساختار، در پروژه‌های واقعی به‌طور میانگین بین سه تا پنج برابر خروجی را بهبود می‌دهد چون هر مؤلفه، یک لایه از ابهام را حذف می‌کند. اگر می‌خواهید درک عمیق‌تری از این ساختار داشته باشید، مقاله‌ای که در ChatGPT چیست و چگونه از آن استفاده کنیم نوشته‌ام این ساختار را با مثال‌های بیشتر باز می‌کند.

مؤلفه اول: تعریف نقش

تعریف نقش، اولین و مهم‌ترین مؤلفه یک پرامپت حرفه‌ای است. وقتی به مدل می‌گویید «تو یک استراتژیست محتوا هستی»، مدل در فضای احتمال، تمام متون تولیدشده توسط استراتژیست‌های محتوا را به‌عنوان مرجع فعال می‌کند. این کار، خروجی را از لحن عمومی به لحن تخصصی منتقل می‌کند.

در سطح فنی، نقش خوب سه ویژگی دارد. ویژگی اول، مشخص و محدود است؛ «متخصص» نقش نیست چون مبهم است، «استراتژیست محتوای فناوری با تجربه B2B» نقش است. ویژگی دوم، هم‌راستا با وظیفه است؛ اگر وظیفه شما نوشتن است، نقش شما باید به همان حوزه مرتبط باشد. ویژگی سوم، قابل تقلید است؛ نقش باید به یک حرفه واقعی اشاره کند که نمونه‌های متنی زیادی از آن وجود دارد.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در پروژه‌های تولید محتوای تخصصی، تعریف نقش دقیق، تفاوت بین یک مقاله عمومی و یک مقاله تخصصی را ایجاد می‌کند. برای مثال، وقتی نقش را «پزشک متخصص تغذیه» تعریف می‌کنم، مدل به‌طور خودکار از اصطلاحات تخصصی، ارجاع به مطالعات و توصیه‌های عملی استفاده می‌کند. اگر نقش را «نویسنده عمومی» تعریف کنم، همان محتوا به زبان ساده و بدون عمق فنی تولید می‌شود.

نکته دومی که در تعریف نقش اهمیت دارد، اجتناب از نقش‌های ترکیبی غیرمنسجم است. اگر نقش شما «یک استراتژیست محتوا، یک برنامه‌نویس پایتون و یک طراح گرافیک» باشد، مدل در تولید خروجی سرگردان می‌شود چون هیچ نمونه واقعی از یک متخصص همزمان در این سه حوزه با کیفیت بالا وجود ندارد. در نقش‌های ترکیبی، توصیه می‌کنم روی یک نقش اصلی و یک نقش کمکی تمرکز کنید. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در چگونه هوش مصنوعی به برنامه‌نویسی کمک می‌کند نوشته‌ام این موضوع را با مثال‌های فنی باز می‌کند.

مؤلفه دوم: تعریف وظیفه

تعریف وظیفه، قلب هر پرامپت است. وظیفه خوب، به سه پرسش پاسخ می‌دهد: چه کاری؟ (نوشتن، تحلیل، ترجمه، خلاصه‌سازی)، روی چه چیزی؟ (موضوع، متن، داده)، و با چه کیفیتی؟ (طول، عمق، لحن). هرچه این سه پرسش دقیق‌تر پاسخ داده شوند، خروجی مدل دقیق‌تر است.

در سطح فنی، وظیفه خوب سه ویژگی دارد. ویژگی اول، فعل مشخص است؛ «خلاصه کن» بهتر از «کمک کن درباره» است چون فعل اول، کار مدل را از پیش تعیین می‌کند. ویژگی دوم، دامنه محدود است؛ «یک پست بنویس» مبهم است اما «یک پست ۱۵۰۰ کلمه‌ای با ۵ بخش و جدول مقایسه» مشخص است. ویژگی سوم، قابلیت اندازه‌گیری است؛ وظیفه‌ای که نمی‌توانید موفقیت آن را بسنجید، به احتمال زیاد به خروجی مبهم منجر می‌شود.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در حدود نیمی از پرامپت‌های ناموفق، وظیفه به‌طور کامل تعریف نشده بود. برای مثال، کاربر می‌نوشت «یک متن درباره دیجیتال مارکتینگ بنویس» و انتظار داشت یک پست وبلاگ تخصصی دریافت کند اما مدل، یک معرفی کوتاه و عمومی تولید می‌کرد. اگر در همان پرامپت، وظیفه به‌طور دقیق تعریف شده بود — «یک پست ۱۸۰۰ کلمه‌ای برای مدیران بازاریابی درباره استراتژی سئو در ۲۰۲۶» — خروجی در همان دور اول مطلوب می‌شد.

نکته دومی که در تعریف وظیفه اهمیت دارد، تفکیک وظیفه اصلی از وظایف فرعی است. اگر پرامپت شما چند وظیفه دارد — مثلاً نوشتن و ویرایش و ترجمه — بهتر است آن‌ها را در چند پرامپت جداگانه اجرا کنید. در یک پرامپت ترکیبی، مدل معمولاً روی یکی از وظایف تمرکز می‌کند و بقیه را نیمه‌کاره رها می‌کند. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در هوش مصنوعی چگونه به سئو کمک می‌کند نوشته‌ام این لایه را با مثال‌های عملی باز می‌کند.

مؤلفه سوم: زمینه و اطلاعات ورودی

زمینه، لایه‌ای است که اکثر کاربران نادیده می‌گیرند اما در پروژه‌های حرفه‌ای، تفاوت بین خروجی متوسط و خروجی عالی را می‌سازد. زمینه به مدل می‌گوید که در چه چارچوبی فکر کند. اگر به مدل بگویید «یک پست درباره اینترنت بنویس» و بعد بگویید «مخاطب این پست، مدیرعامل یک شرکت بورسی است که با زیرساخت شبکه آشنا نیست»، دو خروجی کاملاً متفاوت خواهید گرفت.

در سطح فنی، زمینه حرفه‌ای از چهار لایه اصلی تشکیل شده است. لایه اول، مخاطب است؛ سن، تخصص، نقش، سطح دانش و اهداف مخاطب. لایه دوم، هدف است؛ چه چیزی می‌خواهید کاربر بعد از خواندن متن انجام دهد. لایه سوم، بافت کسب‌وکار است؛ صنعت، اندازه شرکت، بازار هدف و رقبا. لایه چهارم، محدودیت‌های چارچوبی است؛ زبان، لحن، قواعد سازمانی و استانداردهای برند.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در پروژه‌هایی که زمینه دقیق ارائه می‌شود، مدل به‌طور محسوس کمتر توهم می‌زند چون در چارچوب مشخصی حرکت می‌کند. برای مثال، وقتی به مدل زمینه می‌دهم که «این متن برای مخاطب ایرانی است و باید به قوانین بانک مرکزی ایران اشاره کند»، مدل به‌طور خودکار از ارجاع به قوانین بین‌المللی پرهیز می‌کند و روی قوانین داخلی تمرکز می‌کند.

نکته دومی که در ارائه زمینه اهمیت دارد، تفکیک زمینه پایدار از زمینه متغیر است. اگر زمینه پایدار دارید — مثل لحن برند، سبک نگارش، یا قواعد عمومی — آن را در پرامپت سیستمی (System Prompt) قرار دهید. اگر زمینه متغیر دارید — مثل داده‌های یک مشتری خاص — آن را در پرامپت کاربر (User Prompt) قرار دهید. این تفکیک، در پروژه‌های اتوماسیون، مصرف توکن را به‌طور محسوس کاهش می‌دهد. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در عامل‌های هوش مصنوعی در کسب‌وکار چه کاربردهایی دارند نوشته‌ام این لایه را باز می‌کند.

مؤلفه چهارم: تعریف فرمت خروجی

تعریف فرمت خروجی، یکی از مؤلفه‌های حیاتی است که در پرامپت‌های آماتور نادیده می‌ماند. اگر به مدل نگویید خروجی باید چه شکلی باشد، مدل شکل پیش‌فرض خودش را انتخاب می‌کند که معمولاً یک متن پیوسته و بدون ساختار است. اما اگر فرمت را دقیق تعریف کنید — با عناوین، بولت‌پوینت، جدول و شماره‌گذاری — خروجی به‌طور محسوس قابل استفاده‌تر می‌شود.

در سطح فنی، تعریف فرمت خروجی از سه لایه اصلی تشکیل شده است. لایه اول، ساختار است؛ خروجی در چند بخش، با چه ترتیبی و با چه عناوینی. لایه دوم، نوع بلوک‌ها است؛ متن پیوسته، بولت‌پوینت، جدول، نقل‌قول یا کد. لایه سوم، طول است؛ تعداد کلمات در هر بخش، تعداد بولت‌ها یا تعداد ردیف‌های جدول.

در تعریف فرمت، سه نکته مهم را رعایت کنید. نکته اول، استفاده از مثال ساختاری است؛ به‌جای توضیح دادن فرمت با متن، یک ساختار نمونه را در پرامپت قرار دهید. نکته دوم، تعریف صریح برای خروجی JSON یا XML است؛ اگر خروجی شما باید در یک برنامه پردازش شود، فرمت باید دقیقاً تعریف شود. نکته سوم، اجتناب از فرمت‌های غیرقابل اندازه‌گیری است؛ «یک متن جذاب» فرمت نیست اما «سه پاراگراف هر یک ۱۰۰ کلمه» فرمت است.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در پروژه‌هایی که خروجی مدل باید به‌طور خودکار در CRM یا داشبورد ادغام شود، تعریف دقیق فرمت JSON، نرخ خطای پردازش را از حدود سی درصد به زیر پنج درصد کاهش داده. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در ساخت API اختصاصی برای وردپرس نوشته‌ام این لایه را با مثال‌های فنی باز می‌کند.

مؤلفه پنجم: محدودیت‌ها و قواعد

محدودیت‌ها، لایه‌ای هستند که مسیر مدل را در جریان تولید خروجی هدایت می‌کنند. اگر محدودیت‌ها را ندهید، مدل ممکن است به سمت لحن، سبک یا محتوایی برود که با هویت برند یا هدف شما هماهنگ نیست. محدودیت‌های خوب، به مدل می‌گویند که چه چیزهایی نباید باشد، نه فقط چه چیزهایی باید باشد.

در سطح فنی، محدودیت‌ها در پنج دسته اصلی دسته‌بندی می‌شوند. دسته اول، محدودیت لحن؛ رسمی، صمیمانه، طنزآمیز یا جدی. دسته دوم، محدودیت واژگان؛ استفاده از اصطلاحات تخصصی یا زبان ساده. دسته سوم، محدودیت محتوایی؛ اجتناب از اغراق، اجتناب از ادعاهای بی‌سند، اجتناب از موضوعات حساس. دسته چهارم، محدودیت فرمت؛ اجتناب از ایموجی، اجتناب از هشتگ، اجتناب از تگ‌های HTML. دسته پنجم، محدودیت طول؛ حداقل و حداکثر کلمات.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در پروژه‌های محتوایی، محدودیت «از اغراق پرهیز کن» به‌طور محسوس کیفیت خروجی را بالا می‌برد چون مدل به‌طور پیش‌فرض تمایل دارد از صفت‌های تبلیغاتی مثل «عالی»، «بی‌نظیر» و «شگفت‌انگیز» استفاده کند. همین محدودیت ساده، خروجی را از حالت بازاریابی به حالت تحلیلی منتقل می‌کند. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در بازاریابی محتوایی چیست و چرا مهم است نوشته‌ام این موضوع را باز می‌کند.

محدودیت، دشمن خلاقیت نیست؛ دوست دقت است. در پرامپت نویسی، اگر به مدل نگویید چه چیزهایی نباید باشد، مدل به‌طور پیش‌فرض به سمت کلیشه‌های عمومی می‌رود. محدودیت، مدل را مجبور می‌کند در فضای مشخصی فکر کند و در آن فضا، خلاقیت واقعی شکوفا می‌شود.

مؤلفه ششم: مثال و Few-shot Prompting

مثال، یکی از مؤثرترین ابزارهای پرامپت نویسی است که به‌طور محسوس کیفیت خروجی را بالا می‌برد. در تکنیک Few-shot Prompting، شما به‌جای توضیح دادن دقیق فرمت و سبک، دو یا سه مثال از خروجی مطلوب را در پرامپت قرار می‌دهید و از مدل می‌خواهید با همان الگو، خروجی جدید تولید کند. این تکنیک در کارهای خلاقانه، ترجمه، خلاصه‌سازی و تولید محتوای ساختاریافته بسیار مؤثر است.

در سطح فنی، Few-shot Prompting در سه حالت قابل استفاده است. حالت اول، Few-shot ساده است؛ دو یا سه مثال کامل با ورودی و خروجی مطلوب. حالت دوم، Few-shot با تنوع است؛ مثال‌هایی که در فرمت مشترک اما در محتوا متفاوتند. حالت سوم، Few-shot با منفی است؛ مثال‌هایی که خروجی نامطلوب را هم نشان می‌دهند و به مدل می‌گویند «این را ننویس».

### EXAMPLES

مثال ۱ (خروجی مطلوب):
ورودی: کاهش سرعت سایت
خروجی: کاهش سرعت سایت می‌تواند از سه منبع اصلی ناشی شود: افزایش حجم تصاویر، فراخوانی افزونه‌های سنگین، و افت سرعت پاسخ سرور.

مثال ۲ (خروجی مطلوب):
ورودی: خطای ۴۰۴ در وردپرس
خروجی: خطای ۴۰۴ در وردپرس معمولاً به‌دلیل تغییر ساختار URL یا حذف نادرست محتوا رخ می‌دهد.

### TASK
با استفاده از الگوی بالا، برای این ورودی خروجی تولید کن: کندی پیشخوان وردپرس

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در پروژه‌هایی که با چند کاربر مختلف کار می‌کنند، Few-shot Prompting کمک می‌کند که خروجی همه کاربران، هم‌راستا با هویت برند باشد. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در تولید محتوا در وردپرس با هوش مصنوعی نوشته‌ام این تکنیک را در سناریوهای واقعی باز می‌کند.

تکنیک‌های پیشرفته پرامپت نویسی

پس از تسلط بر شش مؤلفه اصلی، نوبت به تکنیک‌های پیشرفته می‌رسد. این تکنیک‌ها، تفاوت بین یک کاربر حرفه‌ای و یک کاربر آماتور را می‌سازند. در ادامه، به شش تکنیک پرکاربرد در پروژه‌های واقعی اشاره می‌کنم.

تکنیک Zero-shot Prompting

در این تکنیک، شما بدون هیچ مثالی، فقط با توضیح دقیق وظیفه، از مدل می‌خواهید خروجی تولید کند. Zero-shot در کارهای عمومی و ساختار مشخص، به‌طور محسوس سریع‌تر است چون نیازی به مثال ندارد. برای مثال، ترجمه یک متن به فارسی، یک کار Zero-shot است.

تکنیک Few-shot Prompting

در این تکنیک، شما دو یا چند مثال به مدل می‌دهید تا الگو را استخراج کند. Few-shot در کارهای خلاقانه و تخصصی که سبک مهم است، مؤثرتر از Zero-shot است. برای مثال، تولید پست با لحن خاص برند.

تکنیک Zero-shot Chain of Thought

در این تکنیک، شما به مدل می‌گویید «مرحله به مرحله فکر کن» و از آن می‌خواهید مراحل استدلال خود را نشان دهد. این تکنیک در مسائل پیچیده که نیاز به منطق دارند، دقت را به‌طور محسوس بالا می‌برد.

تکنیک Self-Consistency

در این تکنیک، شما یک پرامپت را چند بار اجرا می‌کنید و پاسخ‌ها را با هم مقایسه می‌کنید. پاسخ‌هایی که در چند اجرا مشترکند، معمولاً صحیح‌ترند. Self-Consistency در مسائل تحلیلی و ریاضی، خطا را به‌طور محسوس کاهش می‌دهد.

تکنیک ReAct (Reasoning + Acting)

در این تکنیک، مدل ابتدا استدلال می‌کند و سپس بر اساس استدلال، یک اقدام انجام می‌دهد. این تکنیک پایه‌ای برای ساخت عامل‌های هوش مصنوعی است که در پروژه‌های اتوماسیون مدرن کاربرد دارد.

تکنیک Tree of Thoughts

در این تکنیک، مدل چند مسیر استدلالی موازی را بررسی می‌کند و بهترین مسیر را انتخاب می‌کند. Tree of Thoughts در مسائل تصمیم‌گیری پیچیده که چند راه‌حل ممکن دارند، دقت را بالا می‌برد.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در حدود هشتاد درصد پروژه‌ها، ترکیب سه تکنیک Zero-shot، Few-shot و Zero-shot CoT کافی است. تکنیک‌های پیشرفته‌تر مثل ReAct و Tree of Thoughts فقط در پروژه‌های سازمانی و سیستم‌های خودکار کاربرد دارند. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در عامل هوش مصنوعی چیست و چگونه کار می‌کند نوشته‌ام این تکنیک‌ها را با مثال‌های عملی باز می‌کند.

Chain of Thought و Step by Step

Chain of Thought (زنجیره تفکر)، یکی از مهم‌ترین تکنیک‌های پرامپت نویسی است که در سال‌های اخیر به‌طور جدی در صنعت AI مطرح شده. این تکنیک، بر پایه یک کشف ساده استوار است: وقتی از مدل می‌خواهید پاسخ را مستقیم بدهد، مدل از میانگین پاسخ‌های ممکن، یک پاسخ را انتخاب می‌کند. اما وقتی از مدل می‌خواهید مراحل استدلال خود را نشان دهد، مدل مجبور می‌شود از میانگین عبور کند و به سمت پاسخ دقیق‌تر برود.

در سطح فنی، Chain of Thought در سه سناریو مؤثر است. سناریو اول، مسائل ریاضی و منطقی؛ مسائلی که نیاز به چند گام استدلال دارند. سناریو دوم، تحلیل‌های پیچیده؛ مسائلی که نیاز به در نظر گرفتن چند متغیر دارند. سناریو سوم، کارهای ساختاریافته؛ کارهایی که نیاز به ترتیب مشخص دارند.

### TASK
یک استراتژی محتوایی برای یک فروشگاه اینترنتی لوازم خانگی طراحی کن.

### INSTRUCTION
مرحله به مرحله فکر کن. اول:
۱. مخاطب اصلی و نیازش را تحلیل کن.
۲. سه کانال محتوایی مناسب را انتخاب کن.
۳. برای هر کانال، دو موضوع پیشنهاد بده.
۴. اولویت‌بندی را بر پایه هزینه و بازده توضیح بده.

در انتها، نتیجه‌گیری کن.

نکته مهم درباره Chain of Thought این است که این تکنیک در مدل‌های جدید، به‌طور پیش‌فرض درونی شده. یعنی مدل‌های Reasoning مثل o1 و DeepSeek R1، به‌طور خودکار مراحل استدلال را درونی می‌کنند و نیازی به prompt جداگانه ندارند. اما در مدل‌های استاندارد، Chain of Thought یک تکنیک صریح است که باید در پرامپت آورده شود. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در چگونه هوش مصنوعی به برنامه‌نویسی کمک می‌کند نوشته‌ام این تکنیک را با مثال‌های فنی باز می‌کند.

مدیریت توکن و طول پرامپت

مدیریت توکن، یکی از مباحث فنی پرامپت نویسی است که در پروژه‌های حرفه‌ای اهمیت جدی دارد. توکن، واحد پردازش زبان در مدل‌های زبانی است — تقریباً یک کلمه انگلیسی یا نصف یک کلمه فارسی. هر مدل، یک پنجره زمینه (Context Window) محدود دارد که حداکثر تعداد توکن‌هایی است که می‌تواند در یک درخواست پردازش کند.

در سطح فنی، سه نکته مهم در مدیریت توکن وجود دارد. نکته اول، اقتصاد توکن است؛ پرامپت‌های طولانی، هم هزینه بیشتر دارند و هم دقت را کاهش می‌دهند چون مدل باید در فضای بزرگتری حرکت کند. نکته دوم، مرتب‌سازی اطلاعات مهم در ابتدا یا انتها است؛ مدل‌های زبانی به اطلاعات ابتدای پرامپت و انتهای پرامپت بیشتر توجه می‌کنند. نکته سوم، استفاده از خلاصه‌سازی است؛ اگر پرامپت شما از طول مشخصی بیشتر می‌شود، بخش‌های تکراری را خلاصه کنید.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در پروژه‌هایی که پرامپت‌ها به‌طور مکرر اجرا می‌شوند، کوچک‌سازی پرامپت به‌طور محسوس هزینه را کاهش می‌دهد. برای مثال، در یک پروژه که روزانه هزار پرامپت با میانگین دوهزار توکن اجرا می‌شد، با کوچک‌سازی پرامپت به هزار توکن، هزینه ماهانه به نصف کاهش یافت. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در LLM و انقلاب مدل‌های زبانی بزرگ نوشته‌ام این لایه را باز می‌کند.

کاهش توهم و افزایش دقت

توهم یا Hallucination، یکی از چالش‌های بنیادین مدل‌های زبانی است. در مواقعی که مدل اطلاعات کافی ندارد، به‌جای گفتن «نمی‌دانم»، اطلاعاتی می‌سازد که در ظاهر منطقی به نظر می‌رسد اما در واقعیت نادرست است. کاهش توهم، یکی از اهداف اصلی پرامپت نویسی حرفه‌ای است.

در سطح فنی، پنج تکنیک اصلی برای کاهش توهم وجود دارد. تکنیک اول، درخواست عدم پاسخ در نبود اطلاعات است؛ به مدل بگویید «اگر اطلاعات کافی نداری، بگو نمی‌دانم». تکنیک دوم، ارجاع به منابع مشخص است؛ اگر متن مرجع دارید، آن را در پرامپت قرار دهید و از مدل بخواهید فقط بر پایه همان پاسخ دهد. تکنیک سوم، ساختاردهی به پاسخ است؛ وقتی مدل مجبور است هر ادعا را در یک ساختار مشخص ارائه دهد، احتمال توهم کاهش می‌یابد. تکنیک چهارم، درخواست شواهد است؛ از مدل بخواهید برای هر ادعا، یک مرجع یا مثال عملی بیاورد. تکنیک پنجم، تأیید متقابل است؛ از مدل بخواهید پاسخ را در یک پرسش دوم، بررسی مجدد کند.

### RULES
- تنها بر پایه اطلاعات زیر پاسخ بده.
- اگر اطلاعات کافی برای پاسخ به بخشی از سؤال نداری، صریحاً بگو «برای این بخش اطلاعات کافی ندارم».
- برای هر ادعای مهم، یک مثال یا مرجع بیاور.
- از ساختن آمار، تاریخ یا نام که در متن نیست، خودداری کن.

### CONTEXT
[متن مرجع]
### QUESTION
[سؤال کاربر]

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در پروژه‌های محتوایی تخصصی که صحت اطلاعات حیاتی است، ترکیب سه تکنیک «درخواست عدم پاسخ»، «ارجاع به منابع» و «درخواست شواهد»، نرخ خطا را از حدود بیست درصد به زیر پنج درصد کاهش داده. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در آیا اطلاعات ChatGPT قابل اعتماد است نوشته‌ام این موضوع را باز می‌کند.

امنیت پرامپت و Injection

امنیت پرامپت، موضوعی است که در سال‌های اخیر با رشد سیستم‌های مبتنی بر هوش مصنوعی، اهمیت حیاتی پیدا کرده. Prompt Injection، یک حمله است که در آن کاربر مخرب، با ورودی حساب‌شده، مدل را وادار می‌کند دستورات قبلی را نادیده بگیرد و رفتار دلخواه مهاجم را اجرا کند. این حمله در سیستم‌هایی که به مدل‌های زبانی دسترسی به داده‌های حساس یا APIهای خارجی می‌دهند، می‌تواند فاجعه‌بار باشد.

در سطح فنی، سه نوع Prompt Injection وجود دارد. نوع اول، Direct Injection است؛ کاربر مستقیماً به مدل می‌گوید «دستورات قبلی را نادیده بگیر». نوع دوم، Indirect Injection است؛ دستور مخرب در محتوای بیرونی مثل یک وب‌سایت یا فایل PDF قرار دارد و مدل هنگام پردازش آن، دستور را اجرا می‌کند. نوع سوم، Jailbreak است؛ کاربر با تکنیک‌های روانشناختی، مدل را از محدودیت‌های اخلاقی خارج می‌کند.

در طراحی پرامپت‌های امن، سه اصل مهم را رعایت کنید. اصل اول، جداسازی داده از دستور است؛ داده ورودی کاربر را با علامت‌گذاری مشخص مثل <user_input> جدا کنید و در پرامپت سیستمی به مدل بگویید که فقط دستورات بخش سیستمی معتبرند. اصل دوم، عدم دسترسی مستقیم به APIهای حساس است؛ اگر مدل باید با سرویس خارجی صحبت کند، لایه واسط اضافه کنید. اصل سوم، پایش و لاگ کردن است؛ تمام پرامپت‌ها و پاسخ‌ها را برای تحلیل بعدی ثبت کنید. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در راهنمای امنیت وردپرس برای مبتدیان نوشته‌ام این لایه را باز می‌کند.

در سیستم‌های مبتنی بر هوش مصنوعی، مرز بین داده و دستور، مهم‌ترین خط دفاعی است. اگر این مرز مشخص نباشد، داده می‌تواند به دستور تبدیل شود و دستور به فاجعه.

بهینه‌سازی تدریجی پرامپت

بهینه‌سازی تدریجی پرامپت یا Iterative Prompt Refinement، یکی از مهارت‌های کلیدی در پرامپت نویسی حرفه‌ای است. هیچ‌کس، پرامپت ایده‌آل را در اولین تلاش نمی‌نویسد. پرامپت حرفه‌ای، حاصل چند دور اصلاح و بازنویسی است که در هر دور، یک لایه از ابهام حذف می‌شود.

در سطح فنی، بهینه‌سازی تدریجی پرامپت از چهار مرحله اصلی تشکیل شده است. مرحله اول، نوشتن نسخه اولیه است؛ سریع بنویسید بدون اینکه دنبال کمال باشید. مرحله دوم، اجرا و مشاهده خروجی است؛ ببینید کدام بخش از خروجی با انتظار شما هماهنگ نیست. مرحله سوم، تشخیص گلوگاه است؛ بفهمید کدام مؤلفه از پرامپت مسئول آن بخش از خروجی است. مرحله چهارم، اصلاح هدفمند است؛ همان مؤلفه را با دقت بیشتر بازنویسی کنید و بقیه را دست نزنید.

تجربه‌ای که در پروژه‌های واقعی به آن رسیده‌ام این است: در پروژه‌هایی که به‌طور جدی روی پرامپت‌ها کار می‌کنم، به‌طور میانگین بین پنج تا هشت دور اصلاح لازم است تا پرامپت به نسخه‌ای برسد که در هشتاد درصد اجراها، خروجی مطلوب تولید کند. در مقابل، کاربرانی که پرامپت را در دو یا سه دور رها می‌کنند، معمولاً به خروجی متوسط راضی می‌شوند. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در چگونه سوالات بهتری از ChatGPT بپرسیم نوشته‌ام این موضوع را با مثال‌های عملی باز می‌کند.

اشتباهات رایج در پرامپت نویسی

اشتباهات رایج در پرامپت نویسی، یکی از مسائلی است که در پروژه‌های واقعی بارها دیده‌ام و بسیاری از آن‌ها به خروجی متوسط منجر می‌شود. در ادامه، به هشت اشتباه رایج اشاره می‌کنم که در پروژه‌های واقعی با آن‌ها مواجه شده‌ام.

• پرامپت‌های مبهم: «یک متن خوب بنویس» پرامپت نیست؛ مشخص کنید موضوع، طول، لحن و فرمت چیست.
• نادیده‌گرفتن نقش مدل: پرامپت بدون نقش، مدل را به سمت لحن عمومی می‌برد.
• نبود زمینه: پرامپت بدون زمینه به مدل اجازه می‌دهد در فضای گسترده‌ای حرکت کند که معمولاً به حدس‌های نادرست منجر می‌شود.
• نبود مثال: مثال، ابزار قدرتمندی است که اکثر کاربران از آن استفاده نمی‌کنند.
• ترکیب چند وظیفه در یک پرامپت: پرامپت با چند وظیفه، معمولاً یکی از وظایف را کامل انجام نمی‌دهد.
• نادیده‌گرفتن Chain of Thought: در مسائل پیچیده، نبود درخواست «مرحله به مرحله» باعث کاهش دقت می‌شود.
• پرامپت طولانی بی‌دلیل: پرامپت طولانی هم هزینه بیشتر دارد و هم دقت را کاهش می‌دهد.
• رهاکردن پرامپت در دو یا سه دور: پرامپت حرفه‌ای، حاصل پنج تا هشت دور اصلاح است.

اگر می‌خواهید درک عمیق‌تری از این اشتباهات داشته باشید، مقاله‌ای که در ابزارهای هوش مصنوعی برای ویرایش ویدئو نوشته‌ام این موضوع را در سناریوهای عملی باز می‌کند.

چک‌لیست نگارش پرامپت حرفه‌ای

پس از بررسی تمام مؤلفه‌ها و تکنیک‌ها، بیایید در یک چک‌لیست دوازده‌موردی، نکات را جمع‌بندی کنیم:

1. نقش مدل را دقیق و محدود تعریف کرده‌اید.
2. وظیفه اصلی را با فعل مشخص و دامنه محدود نوشته‌اید.
3. زمینه کامل — مخاطب، هدف، بافت کسب‌وکار — را ارائه کرده‌اید.
4. فرمت خروجی را دقیقاً مشخص کرده‌اید (ساختار، بلوک‌ها، طول).
5. محدودیت‌های لحن، واژگان و محتوا را نوشته‌اید.
6. حداقل یک مثال از خروجی مطلوب در پرامپت آورده‌اید.
7. در مسائل پیچیده، از Chain of Thought استفاده کرده‌اید.
8. پرامپت را از نظر توکن بهینه کرده‌اید.
9. برای کاهش توهم، قواعد صریح گذاشته‌اید.
10. مرز بین داده و دستور را در پرامپت مشخص کرده‌اید.
11. پرامپت را در پنج تا هشت دور اصلاح کرده‌اید.
12. پرامپت را در چند سناریوی مختلف تست کرده‌اید.

این چک‌لیست، بر پایه تجربه پروژه‌های واقعی تدوین شده و در سناریوهای متفاوت، ممکن است اقلام اضافه یا جایگزین داشته باشد. اما پایه این دوازده مورد، در همه پرامپت‌های حرفه‌ای وجود دارد.

پرسش‌های پرتکرار درباره پرامپت نویسی

این بخش را به سؤالاتی اختصاص داده‌ام که بیشتر در جلسه‌های مشاوره تکرار می‌شوند و پاسخ‌شان در تصمیم نهایی وزن زیادی دارد.

پرامپت نویسی چه تفاوتی با چت کردن با هوش مصنوعی دارد؟

چت کردن، یک گفتگوی آزاد است که در آن کاربر سؤال می‌پرسد و مدل پاسخ می‌دهد. پرامپت نویسی، یک رویکرد سیستماتیک است که در آن شما ورودی را طوری طراحی می‌کنید که مدل، خروجی از پیش تعریف‌شده‌ای تولید کند. تفاوت در سطح پایداری و قابلیت اتوماسیون است. در چت، هر بار خروجی متفاوت است؛ در پرامپت نویسی، خروجی در اجرای مکرر مشابه و قابل اعتماد است.

آیا پرامپت نویسی برای همه مدل‌ها یکسان است؟

خیر، پرامپت نویسی برای مدل‌های مختلف، تفاوت‌های محسوسی دارد. مدل‌های GPT به دستورات مستقیم و ساختار صریح خوب پاسخ می‌دهند. مدل‌های Claude به متن‌های طولانی و توضیحات دقیق علاقه دارند. مدل‌های Gemini به اطلاعات متنی و بصری ترکیبی خوب پاسخ می‌دهند. توصیه می‌شود برای هر مدل، پرامپت را در چند دور تست و بر پایه رفتار آن تنظیم کنید.

چند توکن برای یک پرامپت حرفه‌ای لازم است؟

طول پرامپت به پیچیدگی وظیفه بستگی دارد. برای کارهای ساده، بین ۱۰۰ تا ۳۰۰ توکن کافی است. برای کارهای ساختاریافته، بین ۵۰۰ تا ۱,۵۰۰ توکن. برای کارهای پیچیده با زمینه زیاد، بین ۲,۰۰۰ تا ۵,۰۰۰ توکن. توصیه می‌شود پرامپت را در کوچک‌ترین اندازه ممکن بنویسید که خروجی مطلوب را می‌دهد، چون هر توکن اضافه، هزینه و کاهش دقت است.

آیا استفاده از ایموجی در پرامپت مفید است؟

در پرامپت‌های عمومی، ایموجی نقش تعیین‌کننده ندارد. در پرامپت‌های تخصصی، می‌توانید از ایموجی برای جداکننده بخش‌ها استفاده کنید — مثلاً برای مشخص کردن شروع بخش زمینه. اما استفاده بیش از حد از ایموجی، می‌تواند لحن پرامپت را غیرحرفه‌ای کند و مدل را به سمت خروجی طنزآمیز یا غیررسمی ببرد.

چگونه برای مسائل ریاضی، پرامپت مؤثر بنویسم؟

برای مسائل ریاضی، سه تکنیک مؤثر وجود دارد. اول، درخواست Chain of Thought؛ از مدل بخواهید مرحله به مرحله فکر کند. دوم، درخواست Self-Consistency؛ پرامپت را چند بار اجرا کنید و پاسخ‌های مشترک را انتخاب کنید. سوم، درخواست بررسی مجدد؛ از مدل بخواهید پاسخ را در یک پرسش دوم، بررسی کند. این سه تکنیک، دقت را در مسائل ریاضی به‌طور محسوس بالا می‌برند.

آیا می‌توان از پرامپت برای کد نویسی استفاده کرد؟

بله، پرامپت نویسی در کد نویسی بسیار مؤثر است. برای این کار، پنج نکته را رعایت کنید. اول، زبان و فریم‌ورک را دقیقاً مشخص کنید. دوم، ورودی و خروجی مورد انتظار را در پرامپت بنویسید. سوم، در صورت امکان، یک نمونه کد از سبک مورد نظر خود بگذارید. چهارم، محدودیت‌های عملکردی و امنیتی را تعریف کنید. پنجم، از مدل بخواهید کد را با کامنت توضیح دهد. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در بهترین ابزارهای هوش مصنوعی برای کدنویسی نوشته‌ام این موضوع را باز می‌کند.

آیا پرامپت نویسی روی سرعت پاسخ‌دهی مدل اثر دارد؟

بله، پرامپت نویسی به‌طور مستقیم روی سرعت پاسخ‌دهی اثر دارد چون هرچه پرامپت طولانی‌تر باشد، مدل باید توکن‌های بیشتری پردازش کند. پرامپت بهینه، هم سریع‌تر پاسخ می‌دهد و هم هزینه کمتر دارد. توصیه می‌شود پرامپت را در کوچک‌ترین اندازه ممکن بنویسید که خروجی مطلوب را می‌دهد.

چگونه برای ترجمه، پرامپت مؤثر بنویسم؟

برای ترجمه، چهار نکته را رعایت کنید. اول، زبان مبدأ و مقصد را دقیقاً مشخص کنید. دوم، لحن ترجمه — رسمی، محاوره‌ای، تخصصی — را تعریف کنید. سوم، در صورت امکان، مثال‌هایی از ترجمه‌های مطلوب بگذارید. چهارم، از مدل بخواهید اصطلاحات خاص را در یک لیست ارائه دهد. این چهار نکته، کیفیت ترجمه را به‌طور محسوس بالا می‌برد.

آیا می‌توان از پرامپت برای تحلیل داده استفاده کرد؟

بله، اما برای تحلیل داده‌های بزرگ، مدل‌های زبانی محدودیت دارند. برای تحلیل داده، توصیه می‌شود داده‌های خلاصه‌شده را در پرامپت قرار دهید و از مدل بخواهید الگوها و بینش‌ها را استخراج کند. برای تحلیل داده‌های خام و حجم زیاد، استفاده از ابزارهای تخصصی مثل Python و Pandas مؤثرتر است و مدل زبانی می‌تواند نقش دستیار کد نویسی را بازی کند.

چگونه برای تولید محتوا، پرامپت مؤثر بنویسم؟

برای تولید محتوا، پنج نکته را رعایت کنید. اول، نقش نویسنده را دقیق تعریف کنید. دوم، مخاطب و هدف محتوا را مشخص کنید. سوم، ساختار خروجی — بخش‌ها، طول، فرمت — را مشخص کنید. چهارم، لحن و سبک برند را تعریف کنید. پنجم، محدودیت‌های محتوایی — اجتناب از اغراق، اجتناب از ادعاهای بی‌سند — را بنویسید. اگر می‌خواهید درک عمیق‌تری از این لایه داشته باشید، مقاله‌ای که در تولید محتوای سئو شده با هوش مصنوعی نوشته‌ام این موضوع را باز می‌کند.

آیا پرامپت نویسی روی هزینه استفاده از API اثر دارد؟

بله، پرامپت نویسی به‌طور مستقیم روی هزینه API اثر دارد چون هزینه بر پایه تعداد توکن‌های ورودی و خروجی محاسبه می‌شود. پرامپت بهینه، هم توکن ورودی کمتری مصرف می‌کند و هم با خروجی دقیق‌تر، نیاز به اجرای مکرر را کاهش می‌دهد. در پروژه‌های با هزاران پرامپت روزانه، بهینه‌سازی پرامپت می‌تواند هزینه ماهانه را تا شصت درصد کاهش دهد.

آیا استفاده از پرامپت‌های آماده، خوب است؟

استفاده از پرامپت‌های آماده به‌عنوان نقطه شروع، بد نیست اما کافی نیست. پرامپت آماده، برای نیازهای عمومی طراحی شده و برای سناریوی خاص شما ممکن است ناقص باشد. رویکرد صحیح، استفاده از پرامپت آماده به‌عنوان پایه و سپس سفارشی‌سازی بر پایه نیاز مشخص شماست. هرچه پرامپت را به سناریوی خودتان نزدیک‌تر کنید، خروجی دقیق‌تر می‌شود.

چگونه پرامپت را به‌طور سیستماتیک تست کنم؟

برای تست سیستماتیک پرامپت، چهار گام را طی کنید. گام اول، مجموعه‌ای از ورودی‌های آزمایشی متنوع را تعریف کنید. گام دوم، پرامپت را روی همه ورودی‌ها اجرا کنید و خروجی‌ها را جمع‌آوری کنید. گام سوم، خروجی‌ها را بر پایه معیارهای مشخص — دقت، فرمت، لحن — نمره دهید. گام چهارم، بر پایه نتایج، پرامپت را اصلاح کنید و مرحله دوم را تکرار کنید. این چرخه، بین پنج تا هشت دور می‌رسد به پرامپت پایدار.

آیا پرامپت نویسی در سال‌های آینده اهمیت خودش را از دست می‌دهد؟

خیر، به‌احتمال زیاد پرامپت نویسی در سال‌های آینده همچنان اهمیت دارد اما شکل آن تغییر می‌کند. با پیشرفت مدل‌ها، بخشی از کارهایی که الان با پرامپت انجام می‌دهیم — مثل Chain of Thought — درونی می‌شود. اما نیاز به تعریف دقیق مسئله، تعیین فرمت خروجی، مدیریت زمینه و کاهش توهم همچنان به مهارت پرامپت نویسی نیاز دارد. در پنج سال آینده، پرامپت نویسی احتمالاً از یک مهارت تخصصی به یک مهارت عمومی تبدیل می‌شود که هر کاربر حرفه‌ای باید داشته باشد.

از پرامپت خوب تا سیستم پایدار

اگر این راهنما را با یک جمله خلاصه کنم، پرامپت نویسی یک فرآیند شش‌مؤلفه‌ای است که از تعریف نقش شروع می‌شود و با بهینه‌سازی تدریجی ادامه می‌یابد. پرامپت حرفه‌ای، حاصل ترکیب شش مؤلفه اصلی — نقش، وظیفه، زمینه، فرمت، محدودیت، مثال — با تکنیک‌های پیشرفته — Zero-shot، Few-shot و Chain of Thought — و پایبندی به سه اصل اخلاقی — کاهش توهم، رعایت امنیت و احترام به داده — است. در این راهنما، این مؤلفه‌ها و تکنیک‌ها را به‌همراه چک‌لیست دوازده‌موردی نهایی بررسی کردیم.

قدم بعدی که پیشنهاد می‌کنم بردارید این است: ابتدا با استفاده از چک‌لیست دوازده‌موردی، یکی از پرامپت‌های فعلی خود را نقد کنید و ببینید کدام مؤلفه جا افتاده است. سپس پرامپت را در پنج دور اصلاح کنید و هر دور، یک مؤلفه را بهبود بدهید. در نهایت، پرامپت را در چند سناریوی مختلف تست کنید و بر پایه نتایج، نسخه پایدار تهیه کنید.

اگر تجربه‌ای از پرامپت نویسی دارید — چه موفق، چه ناامیدکننده — برایم جالب است که در دیدگاه‌ها بنویسید کدام مؤلفه از این شش مؤلفه بیشترین اثر را روی کیفیت خروجی شما داشته و کدام تکنیک، بیشترین ارزش را در پروژه‌های واقعی ایجاد کرده است. تجربه‌های واقعی شما، این راهنما را برای خواننده بعدی دقیق‌تر و کاربردی‌تر خواهد کرد. 🎯