آموزش پرامپت نویسی هوش مصنوعی؛ چگونه دقیقا به آنچه از AI می‌خواهیم برسیم؟

بسیاری از ما هنگام کار با ابزارهای هوش مصنوعی مانند ChatGPT یا Gemini، از پاسخ‌های سطحی، کلیشه‌ای و گاهی کاملاً اشتباه ناامید می‌شویم. ریشه این مشکل در یک سوءتفاهم بزرگ است، این که ما تصور می‌کنیم هوش مصنوعی کلمات را مانند انسان درک می‌کند! در واقعیت، مدل‌های بزرگ زبانی (LLM) کلمات را به کدهای عددی به نام توکن (Token) تبدیل کرده و بر اساس احتمالات ریاضی، کلمه بعدی را پیش‌بینی می‌کنند.

وقتی شما اصول «مهندسی پرامپت» را اعمال می‌کنید، انگار در حال برنامه‌نویسی به زبان طبیعی هستید؛ اما به جای کدنویسی، با کلمات خود مسیر احتمالات ریاضی مدل را هدایت می‌کنید تا نرخ توهم (Hallucination) یا همان اطلاعات نادرست هوش مصنوعی را به حداقل برسانید.

در این مقاله، با تکیه بر آموزه‌های دوره مهندسی پرامپ گوگل و فرمول‌های استراتژیک، یاد می‌گیرید که چگونه دستوراتی بنویسید که دقیق‌ترین و کارآمدترین خروجی‌ها را به شما تحویل دهند.

برای اینکه هوش مصنوعی را از پاسخ‌ دادن کلیشه‌ای نجات دهید، باید ساختار دستور خود را بر اساس یک فرمول شش‌بخشی و منظم بچینید. نکته کلیدی این است که همه اجزای یک پرامپت ارزش یکسانی ندارند و باید سلسله‌مراتب اهمیت را در آن‌ها رعایت کنید:

۱. وظیفه (Task): این بخش اولویت اول و اجباری شماست. دستور خود را همیشه با یک فعل امری دقیق آغاز کنید (مانند: «تحلیل کن»، «پیش‌نویس بنویس»، «کدنویسی کن»).

۲. زمینه (Context): پاسخ به سه سوال حیاتی؛ پیش‌زمینه شما چیست؟ موفقیت خروجی چگونه تعریف می‌شود؟ و این کار در چه محیطی قرار است استفاده شود؟

۳. نمونه‌ها (Exemplars / Few-shot): ارائه چند نمونه ورودی و خروجی به مدل، کیفیت نتیجه را به شدت افزایش می‌دهد؛ زیرا الگوهای ریاضی را برای مدل شفاف می‌کند.

۴. نقش (Persona): تعیین یک شخصیت یا تخصص برای مدل (مثلاً: «به عنوان یک متخصص بازاریابی با ۱۰ سال تجربه عمل کن»).

۵. قالب (Format): مشخص کردن ساختار خروجی (مانند: جدول، فایل JSON، یا متن پاراگراف‌بندی‌شده).

۶. لحن (Tone): تعیین اتمسفر حاکم بر متن (مانند: رسمی، طنز، یا همدلانه).

نکته طلایی اینحاست که هدایت کردن (Steering) مدل با جزئیاتی درباره طول، تمرکز و سبک، همیشه نتیجه بهتری نسبت به فرمان دادن (Commanding) ساده دارد.

برای اینکه این فرمول ۶ مرحله‌ای را بهتر درک کنید، بیایید سراغ یک یک مثال ملموس و روزمره برویم: «پختن شام خوشمزه با مواد محدود در یخچال».

اگر فقط از هوش مصنوعی بپرسید «با تخم‌مرغ و گوجه و سیب‌زمینی چی بپزم؟»، هوش مصنوعی احتمالاً فقط طرز تهیه «املت» یا «سیب‌زمینی سرخ‌کرده» را می‌دهد که خودتان هم می‌دانستید.

حالا همین خواسته را با رعایت سلسله‌مراتب قدرت می‌نویسیم تا هوش مصنوعی را هدایت کنیم:

• وظیفه: «یک دستور پخت خلاقانه و جدید برای شام امشب بنویس.»
• زمینه: «من فقط تخم‌مرغ، گوجه و سیب‌زمینی دارم. خیلی خسته‌ام و نمی‌خواهم بیشتر از ۲۰ دقیقه وقت بگذارم. آشپزخانه‌ام هم کوچک است و نمی‌خواهم ظرف‌های زیادی کثیف شود.»
• نمونه: «مثلاً چیزی شبیه به شک‌شوکا یا کوکو باشد، اما با ترکیبی که تکراری نباشد.»
• نقش: «به عنوان یک آشپز دانشجوی خلاق عمل کن که تخصصش درست کردن غذاهای لذیذ با کمترین امکانات است.»
• قالب: «خروجی را به صورت لیست شماره‌گذاری شده برای مراحل پخت بده و در انتها یک بخش نکته سرآشپز اضافه کن.»
• لحن: «لحنت شوخ و خودمانی باشد تا خستگی کار از تنم در برود.»

در این مثال با تعیین نقش، هوش مصنوعی دیگر مثل یک کتاب آشپزی خشک حرف نمی‌زند، بلکه مثل دوستی خلاق به شما ایده می‌دهد. با دادن زمینه (وقت کم و ظرف کم)، مدل دیگر دستور پختی که نیاز به فر یا ۲ ساعت زمان دارد را پیشنهاد نمی‌دهد. با تعیین قالب، شما مستقیماً سراغ اصل مطلب می‌روید و نیازی به خواندن مقدمه‌های طولانی ندارید.

عبارت ABI مخفف Always Be Iterating است؛ یعنی همیشه در حال اصلاح باش. بزرگ‌ترین اشتباه کاربران تازه‌کار این است که تصور می‌کنند پرامپت‌نویسی مثل سرچ گوگل است؛ یعنی یک‌بار یک سوال می‌پرسند و منتظر یک پاسخ کامل و جادویی می‌مانند. اگر پاسخ اول بد بود، ناامید می‌شوند و چت را می‌بندند.

اما در دنیای حرفه‌ای، پرامپت‌نویسی فرایندی چرخه‌ای و تعاملی (گفتگومحور) است. شما باید خروجی اول هوش مصنوعی را به چشم یک پیش‌نویس اولیه ببینید و قدم‌به‌قدم آن را اصلاح کنید. برای پیاده‌سازی این چارچوب، دو ابزار ساختاریافته وجود دارد:

این ساختار به شما یاد می‌دهد که در تعامل با مدل، چه مراحلی را طی کنید:

• Task (وظیفه): مشخص می‌کنید چه کاری می‌خواهید (مثلاً: نوشتن یک ایمیل).
• Context (زمینه): اطلاعات جانبی را می‌دهید (ایمیل به چه کسی است؟ لحن چطور باشد؟).
• References (مراجع/نمونه‌ها): یک نمونه از منابع قبلی خودتان را به عنوان الگو می‌دهید.
• Evaluate (ارزیابی): خروجی اول هوش مصنوعی را می‌خوانید و نقاط ضعفش را پیدا می‌کنید.
• Iterate (تکرار و اصلاح): بازخورد می‌دهید تا متن را اصلاح کند (مثلاً: «بخش دوم را صمیمی‌تر کن»).

اگر هوش مصنوعی پاسخ نامناسبی داد، به جای ناامید شدن، از این چهار روش برای اصلاح دستور استفاده کنید:

• Revisit (بازنگری): به پرامپت اصلی خود برگردید؛ باید زمینه یا هدف اصلی را دقیق توضیح دهید.
• Separate (جداسازی): اگر دستور شما خیلی طولانی بوده، هوش مصنوعی گیج شده است. جملات را کوتاه کنید و کار را به مراحل کوچک‌تر بشکنید تا دچار انباشت کلمات (Word Vomit) نشود.
• Try (امتحان عبارات جدید): از کلمات هم‌معنی یا مثال‌های مشابه استفاده کنید تا مدل منظور شما را بهتر بفهمد.
• Introduce (اعمال محدودیت): خط قرمزها را مشخص کنید. جملاتی مثل: «از کلمات کلیشه‌ای استفاده نکن»، «بیشتر از ۳ پاراگراف نباشد» یا «کدها را بدون توضیح اضافه بفرست».

فرمول ۶ مرحله‌ای (وظیفه، زمینه، نمونه، نقش، قالب، لحن) به شما می‌گوید ساختار اولین پیامی که تایپ می‌کنید باید شامل چه اجزایی باشد تا هوش مصنوعی گیج نشود. مثل این است که می‌خواهید یک خانه بسازید و این فرمول، نقشه و اسکلت‌بندی اولیه ساختمان را به شما می‌دهد.

TCREI زمانی وارد بازی می‌شود که شما پیام اول را فرستاده‌اید، خروجی را گرفته‌اید و حالا می‌خواهید آن را صیقل دهید و اصلاح کنید.

هوش مصنوعی در مواجهه با مسائل منطقی، ریاضی یا پیچیده، تمایل دارد مستقیماً به سراغ پیش‌بینی پاسخ نهایی برود و همین عجله باعث شکست آن می‌شود. برای همین بهتر است در این نوع مسائل از تکنیک‌های استدلالی پیشرفته برای افزایش دقت پاسخگویی هوش مصنوعی کمک بگیریم.

بزرگ‌ترین رویکرد برای وادار کردن مدل به افزایش دقت، استفاده از تکنیک زنجیره افکار است. کافی است عبارت «مرحله به مرحله فکر کن» (Think step by step) را به دستور خود اضافه کنید.

برای پروژه‌های سنگین، هرگز تمام خواسته‌های خود را در یک پرامپت حجیم قرار ندهید. به جای آن از دو رویکرد پیشرفته زنجیره‌سازی دستور و درخت افکار استفاده کنید.

زنجیره‌سازی دستور (Prompt Chaining)

در این روش، شما یک وظیفه بزرگ را به قطعات کوچک تقسیم می‌کنید و خروجی هر مرحله را به مرحله بعد می‌برید. مثلا برای تولید محتوا برای یک مقاله تخصصی:

• گام اول (ایجاد ساختار): «من می‌خواهم مقاله‌ای درباره مزایای هوش مصنوعی در پزشکی بنویسم. ابتدا یک ساختار ۵ بخشی (شامل مقدمه، ۳ بدنه اصلی و نتیجه‌گیری) در قالب بولت‌پوینت برای من طراحی کن.»
• گام دوم (تولید محتوا بر اساس خروجی قبل): «حالا بر اساس بخش مقدمه که در مرحله قبل نوشتی، یک متن ۳۰۰ کلمه‌ای با لحنی علمی و جذاب بنویس.»
• گام سوم (بهینه‌سازی): «بر اساس متن مقدمه‌ای که نوشتی، یک عنوان جذاب و دو متاتگ سئو (Meta Tag) برای انتشار در وب‌سایت ایجاد کن.»

درخت افکار (Tree of Thought یا ToT)

از مدل می‌خواهید چند کارشناس فرضی را شبیه‌سازی کند تا ایده‌های یکدیگر را نقد کنند و با حذف مسیرهای اشتباه، به بهترین نتیجه برسند. این روش به مدل اجازه می‌دهد چندین مسیر استدلالی را به طور همزمان (مانند شاخه‌های یک درخت) بررسی و بهترین مسیر را انتخاب کند.

مثلا برای طراحی کانسپت بصری یک اپلیکیشن:

دستور: «تصور کن سه طراح رابط کاربری (UI) با سبک‌های کاملاً متفاوت (یکی مینیمال، یکی فانتزی و یکی صنعتی) در حال ایده‌پردازی برای صفحه اصلی یک اپلیکیشن مدیتیشن هستند:

• گام ۱: هر طراح ابتدا ایده اصلی خود را در یک جمله بنویسد.
• گام ۲: سپس هر کدام ایده دیگری را نقد کنند و یک نقطه ضعف در آن پیدا کنند.
• گام ۳: در نهایت، بهترین ایده را که بیشترین آرامش را به کاربر منتقل می‌کند انتخاب کن و جزئیات آن شامل رنگ‌ها و چیدمان را بنویس.»

برخلاف روش‌های خطی، در اینجا مدل خودمنتقد می‌شود و ایده‌های ضعیف را در همان ابتدای مسیر حذف می‌کند تا به نتیجه‌ای پخته‌تر برسد.

در ادامه این روش را با مثال توضیح می‌دهیم اما بیایید قبل از آن یک تکنیک مهم دیگر را هم یاد بگیریم.

هوش مصنوعی همیشه با اعتماد به نفس صحبت می‌کند، حتی زمانی که در حال ارائه اطلاعات کاملاً نادرست است. برای حفظ رویکرد انسان در چرخه و راستی‌آزمایی خروجی‌ها، می‌توانید از یک تکنیک هوشمندانه در انتهای پرامپت‌های حساس استفاده کنید، آشکارسازی حقیقت یا Truth Detector:

با این روش، مدل مجبور می‌شود به خودش امتیاز بدهد. پاسخ‌های زیر ۴۰٪ (حدسی) یا حتی زیر ۸۰٪ به شما هشدار می‌دهند که خروجی نیازمند راستی‌آزمایی دستی و بررسی منابع کمکی است.

ترکیب زنجیره‌سازی دستور و درخت افکار یکی از پیشرفته‌ترین استراتژی‌ها برای حل مسائل بسیار پیچیده و پروژه‌های بزرگ است. این ترکیب به شما اجازه می‌دهد ابتدا چندین مسیر و ایده مختلف را کشف کنید (درخت افکار) و سپس بهترین مسیر انتخاب شده را به صورت مرحله‌به‌مرحله به اجرا درآورید (زنجیره‌سازی دستور).

بیایید مثال ملموس کاهش وزن و اصلاح سبک زندگی را با ترکیب این دو روش بررسی کنیم:

گام ۱: فاز اکتشاف با «درخت افکار»

در این مرحله به جای دریافت یک برنامه ساده، از مدل می‌خواهید چندین رویکرد علمی را بررسی و نقد کند تا بهترین مسیر برای شما انتخاب شود.

گام ۲: فاز اجرا با «زنجیره‌سازی دستور»

پس از اینکه در مرحله قبل «استراتژی برتر» انتخاب شد، پروژه را به قطعات کوچک تقسیم می‌کنیم تا دقت خروجی بالا برود:

• زنجیره اول (برنامه غذایی): «با توجه به استراتژی منتخب در مرحله قبل (مثلاً رژیم مدیترانه‌ای)، یک برنامه غذایی ۷ روزه بنویس. خروجی را در قالب یک جدول ارائه بده که شامل کالری تقریبی هر وعده باشد.»
• زنجیره دوم (لیست خرید): حالا بر اساس این جدول غذایی، یک لیست خرید خواروبار دقیق تهیه کن. قانون: هیچ ماده غذایی فرآوری‌شده یا قند مصنوعی نباید در لیست باشد.»
• زنجیره سوم (برنامه ورزشی): «بر اساس انرژی دریافتی از این رژیم، یک برنامه ورزشی ۳۰ دقیقه‌ای برای داخل خانه طراحی کن که روی تقویت عضلات تمرکز داشته باشد.»

گام ۳: بهینه‌سازی و کنترل کیفیت (Refinement)

برای اطمینان از علمی بودن و دقت برنامه، از تکنیک‌های اصلاحی استفاده کنید:

• استفاده از شخصیت (Persona): «در تمام پاسخ‌ها، نقش یک مربی دلسوز اما سخت‌گیر را ایفا کن که به جزئیات علمی اهمیت می‌دهد.»
• آشکارساز حقیقت (Truth Detector): «برای هر توصیه‌ای که می‌کنی، میزان اعتماد علمی خود را با درصد (مثلاً ۹۰٪) اعلام کن و بگو چقدر احتمال دارد این روش برای تیپ بدنی من پاسخگو باشد.»
• سبک مصاحبه‌ای: «قبل از نهایی کردن برنامه، ۵ سوال کلیدی از من درباره سوابق پزشکی و علاقه‌مندی‌های غذایی‌ام بپرس تا برنامه کاملاً شخصی‌سازی شود.»

مهندسی پرامپت مهارتی است که با جزئیات سروکار دارد؛ هرچه زمینه غنی‌تر و دقیق‌تری به مدل بدهید، پاسخ ارزشمندتری دریافت خواهید کرد. به خاطر داشته باشید که کار با هوش مصنوعی، یک برنامه یک‌باره نیست، بلکه گفتگویی مستمر و پویاست.

بزرگ‌ترین چالشی که تا امروز در کار با هوش مصنوعی داشته‌اید چه بوده است؟ کدام‌یک از تکنیک‌های این مقاله را بیشتر می‌پسندید؟ نظرات و تجربه‌های خود را در بخش دیدگاه‌ها با ما به اشتراک بگذارید.