مهندسی پرامپت چیست و چه چیزی واقعاً جواب می‌دهد

مهندسی پرامپت چیست؟ ساده‌ترین تعریفش این است: هنر و مهارتِ درست توضیح دادن کار به یک مدل هوش مصنوعی، طوری که خروجی‌اش قابل استفاده باشد. نه کلمه‌ی جادویی، نه فرمول مخفی؛ فقط توضیح دقیق.

بخش زیادی از آنچه امروز به این اسم فروخته می‌شود، فهرست‌هایی از عبارت‌های آماده است که قرار است در همه‌جا کار کنند. تجربه‌ی عملی چیز دیگری می‌گوید: پرامپت خوب، پرامپتی است که برای کار مشخص شما و داده‌ی مشخص شما نوشته شده باشد. در ادامه می‌بینیم آن چه شکلی است.

چهار جزء هر پرامپت خوب

اگر خروجی‌ای که می‌گیرید ضعیف است، تقریباً همیشه یکی از این چهار مورد جا افتاده.

نقش و زمینه. مدل باید بداند در چه موقعیتی است و برای چه کسی می‌نویسد. «برای مدیر مالی یک شرکت کوچک» با «برای دانشجوی سال اول» دو خروجی کاملاً متفاوت می‌دهد.

کار مشخص. فعل روشن بگذارید. «تحلیل کن» مبهم است؛ «سه دلیل اصلی افت را پیدا کن و برای هرکدام یک راه‌حل بنویس» مشخص است. هرچه بیشتر تصمیم‌گیری را به مدل واگذار کنید، بیشتر باید انتظار خروجی دلخواه خودتان را کنار بگذارید.

قالب خروجی. بگویید نتیجه چه شکلی باشد؛ چند بند، جدول یا فهرست، با چه ترتیبی. این تنها کاری است که هم کیفیت را بالا می‌برد و هم بازبینی را ساده می‌کند.

مرزها. آنچه نباید انجام شود هم به‌اندازه‌ی خود کار مهم است. «حدس نزن؛ اگر اطلاعات کافی نبود بگو چه چیزی کم است» یکی از مؤثرترین جمله‌هایی است که می‌شود اضافه کرد.

یک نمونه‌ی قبل و بعد

فرض کنید می‌خواهید از نظرات مشتری‌ها جمع‌بندی بگیرید.

پرامپت ضعیف: «این نظرات را تحلیل کن.» خروجی‌اش یک متن عمومی است که تقریباً هیچ تصمیمی از آن درنمی‌آید. مدل نمی‌داند شما دنبال چه هستید، پس چیزی می‌نویسد که برای همه‌کس مناسب و برای هیچ‌کس مفید نیست.

پرامپت خوب: «تو تحلیل‌گر تجربه‌ی مشتری برای یک فروشگاه آنلاین هستی. این نظرات را بخوان و سه شکایت پرتکرار را پیدا کن. برای هرکدام تعداد تقریبی تکرار، یک نمونه‌ی مستقیم از متن مشتری‌ها و یک اقدام پیشنهادی بنویس. اگر موضوعی کمتر از سه بار تکرار شده بود نیاور. حدس نزن؛ فقط از خود نظرات استفاده کن.»

هر چهار جزء در پرامپت دوم هست: نقش، کار مشخص، قالب خروجی و مرزها. طولش دو برابر شده ولی نتیجه‌اش چیزی است که می‌شود مستقیم رویش تصمیم گرفت. تفاوت در تعداد کلمات نیست، در تعداد ابهام‌هایی است که برداشته شده.

مهندسی پرامپت چیست در عمل: روش تکرار

مهم‌ترین چیزی که این مهارت را می‌سازد، نوشتن پرامپت اول نیست؛ اصلاح کردن آن است.

اولین پرامپت را کوتاه بنویسید و اجرا کنید. خروجی را نگاه کنید و دقیقاً مشخص کنید چه چیزی از آن بد است؛ نه اینکه «خوب نیست»، بلکه «لحنش رسمی است، مثال ندارد، و بخش دوم تکراری است».

بعد فقط همان یک مشکل را در پرامپت حل کنید و دوباره اجرا کنید. اگر هم‌زمان پنج چیز را عوض کنید، نمی‌فهمید کدام تغییر اثر داشته. این دقیقاً همان روشی است که در هر کار مهندسی دیگری هم جواب می‌دهد.

معمولاً بعد از سه چهار دور، به پرامپتی می‌رسید که پایدار کار می‌کند. آن را جایی ذخیره کنید. اینجاست که کار از پرامپت‌نویسی به اسکیل می‌رسد؛ یعنی همان دستورالعمل را یک بار می‌نویسید و همیشه استفاده می‌کنید.

سه اشتباهی که بیشترین ضرر را می‌زند

پرامپت طولانی به‌جای پرامپت دقیق. متن هزارکلمه‌ای که همه‌ی حالت‌های ممکن را پوشش می‌دهد، معمولاً بدتر از متن دویست‌کلمه‌ای روشن جواب می‌دهد. هرچه بلندتر، احتمال نادیده گرفته شدن بخشی از آن بیشتر.

ندادن مثال. یک نمونه‌ی خروجی خوب، بیشتر از ده جمله توضیح اثر دارد. اگر شکل خاصی در ذهن دارید، نشانش دهید نه اینکه توصیفش کنید.

تکرار به‌جای اصلاح. وقتی خروجی بد می‌آید، خیلی‌ها دوباره همان را اجرا می‌کنند به امید نتیجه‌ی بهتر. اگر پرامپت عوض نشود، مشکل هم عوض نمی‌شود.

نسبتش با انتخاب مدل

نکته‌ای که کمتر گفته می‌شود: بخشی از چیزی که به‌نظر مشکل پرامپت می‌آید، در واقع مشکل انتخاب مدل است.

اگر کاری قضاوت عمیق می‌خواهد و شما آن را به سبک‌ترین مدل داده‌اید، هیچ پرامپتی نجاتش نمی‌دهد. برعکس، اگر کار ساده است و از سنگین‌ترین مدل استفاده می‌کنید، فقط دارید هزینه می‌دهید بدون اینکه خروجی بهتر شود. برای این انتخاب، کلاد سونت چیست را ببینید.

پرامپت خوب هزینه را هم پایین می‌آورد، چون خروجی درست را در یک بار می‌گیرید نه در پنج بار. اگر این بخش برایتان مهم است، کاهش مصرف توکن ادامه‌ی همین بحث است.

کِی پرامپت کافی نیست

پرامپت‌نویسی سقف دارد و شناختن آن سقف بخشی از همین مهارت است.

اگر مدل اطلاعاتی را لازم دارد که ندارد — داده‌ی داخلی شما، فایل‌های پروژه، آمار فروش — هیچ پرامپتی این کمبود را جبران نمی‌کند. آنجا به دسترسی نیاز دارید نه به جمله‌بندی بهتر.

و اگر کار چند مرحله دارد که هرکدام قضاوت جداگانه می‌خواهند، به‌جای یک پرامپت غول‌پیکر، آن را به چند مرحله بشکنید. یک زنجیره‌ی سه‌مرحله‌ای تقریباً همیشه از یک پرامپت هزارکلمه‌ای بهتر و ارزان‌تر است.

اگر می‌خواهید این ساختار برای کسب‌وکارتان چیده شود، می‌توانید درخواست مشاوره بدهید.

سوالات متداول

مهندسی پرامپت چیست و آیا واقعاً یک مهارت جدی است؟

بله، ولی نه به شکلی که تبلیغ می‌شود. مهارت واقعی، توانایی روشن کردن یک کار مبهم است؛ همان چیزی که در سپردن کار به یک همکار تازه هم لازم دارید.

آیا پرامپت‌های آماده به‌درد می‌خورند؟

به‌عنوان نقطه‌ی شروع بله، به‌عنوان راه‌حل نهایی نه. هر پرامپت باید با داده و لحن و هدف خودتان تنظیم شود.

چند بار باید پرامپت را اصلاح کنم؟

تا وقتی خروجی سه بار پشت سر هم قابل قبول باشد. اگر بعد از پنج دور هنوز ناپایدار است، احتمالاً مشکل از جای دیگری است؛ مدل، دسترسی یا تعریف خود کار.

پرامپت فارسی بنویسم یا انگلیسی؟

برای کارهای فارسی، فارسی بنویسید. مدل‌های امروزی فارسی را خوب می‌فهمند و پرامپت انگلیسی برای خروجی فارسی معمولاً لحن را غیرطبیعی می‌کند.

قدم بعدی

در فصل دوم دوره‌ی سفر هوش مصنوعی همین مهارت را روی کارهای واقعی تمرین می‌کنیم؛ از پرامپت ساده تا دستورالعمل‌های پایداری که می‌شود بارها استفاده کرد.

اگر می‌خواهید ببینید این‌ها در یک پروژه‌ی واقعی چطور کنار هم می‌نشینند، ویدیوی کامل آموزش کلاد را تماشا کنید؛ نزدیک یک ساعت، قدم‌به‌قدم.

نکته‌های کوتاه‌تر هم در کانال یوتیوب منتشر می‌شود.