تیر
آموزش هوش مصنوعی
تکنیک «اول سوال، بعد جواب» در پرامپتنویسی هوش مصنوعی
یک ترفند ساده اما تکاندهنده در پرامپتنویسی: بهجای اینکه همهچیز را برای هوش مصنوعی توضیح بدهی، از خودش بخواه اول از تو سوال بپرسد.
لیست مطالب
مشکلِ پرامپتهای یکطرفه چیست؟
بیشتر ما با هوش مصنوعی یکطرفه حرف میزنیم. یک درخواست تایپ میکنیم، دکمه را میزنیم و منتظر میمانیم جادو اتفاق بیفتد. اما وقتی جواب میآید، اغلب کلی، خشک و «مالِ همه» است؛ انگار مدل متن را برای یک آدم فرضی نوشته، نه برای تو. این دقیقاً همانجایی است که بیشتر کاربران ناامید میشوند و نتیجه میگیرند «هوش مصنوعی آنقدرها هم باهوش نیست».
اما ریشهی مشکل جای دیگری است. مدلهای زبانی ذهنخوان نیستند. آنها فقط با کلماتی که تو میدهی کار میکنند و هر جای خالیِ اطلاعات را با یک حدس پُر میکنند. اگر ننویسی مخاطبت کیست، لحن را حدس میزند. اگر نگویی چند خط میخواهی، طول را حدس میزند. مجموعهی این حدسها همان چیزی است که جواب را از خواستهی واقعی تو دور میکند. اگر میخواهی از پایه با اصول درست پرامپت آشنا شوی، پیشنهاد میکنیم راهنمای پرامپتنویسی برای مبتدیها را هم بخوانی.
راهحل رایج این است که یاد بگیریم پرامپتهای طولانیتر و کاملتر بنویسیم. این کار درست است، اما یک مشکل دارد: تو معمولاً نمیدانی مدل دقیقاً به چه اطلاعاتی نیاز دارد. اینجاست که یک تکنیک هوشمندانه وارد میشود و کل بازی را عوض میکند.
تکنیک «اول سوال، بعد جواب» دقیقاً چیست؟
ایدهی این تکنیک بسیار ساده است: بهجای اینکه تو تلاش کنی همهی جزئیات را از قبل حدس بزنی و توضیح بدهی، از خودِ هوش مصنوعی میخواهی نقش یک مصاحبهگر حرفهای را بازی کند. یعنی اول چند سوال کلیدی از تو بپرسد، جوابهایت را بشنود و تنها بعد از آن، پاسخ نهایی را بسازد. به این ترتیب مدل خودش کمبودهای اطلاعاتیاش را پیدا میکند.
چرا این کار منطقی است؟ چون کسی که قرار است جواب را بنویسد، بهتر از هر کس دیگری میداند برای یک جواب خوب به چه چیزهایی احتیاج دارد. تو نمیدانی مدل به کدام جزئیات حساس است، اما مدل دقیقاً میداند. با این تکنیک، مسئولیتِ کاملکردن تصویر را از دوش تو برمیداری و روی دوش کسی میگذاری که ابزارش را دارد.
نتیجهی عملی چشمگیر است: بهجای چند بار رفتوبرگشت و نوشتن «نه، اینطوری نه، آنطوری» و اصلاحِ خستهکننده، همان بار اول یک خروجی میگیری که انگار خودت با تمام جزئیات نوشتهای. این تکنیک یکی از پرکاربردترین ترفندها در میان کاربران حرفهای آموزشهای ChatGPT است.
قالب آماده: این جمله را به پرامپتت اضافه کن
برای استفاده از این تکنیک لازم نیست چیز پیچیدهای بنویسی. کافی است انتهای هر درخواستی این جمله را بچسبانی:
«قبل از پاسخ، سه تا پنج سوال ضروری از من بپرس تا خواستهام را کامل بفهمی؛ سپس بر اساس جوابهای من، پاسخ نهایی را بده.»
همین یک جمله لحن گفتگو را کاملاً عوض میکند. مدل بهجای اینکه فوری یک متن تحویلت بدهد، مکث میکند و میپرسد: مخاطب این متن کیست؟ هدفت از آن چیست؟ لحن رسمی باشد یا صمیمی؟ چه طولی مدنظرت است؟ هر جوابی که بدهی مثل یک قطعهی پازل به تصویر نهایی اضافه میشود.
میتوانی این قالب را کمی حرفهایتر هم کنی. مثلاً وقتی روی یک پروژهی مهم کار میکنی، از مدل بخواه سوالهایش را دستهبندی کند:
«میخواهم یک صفحهی فرود برای محصولم بنویسم. قبل از نوشتن، سوالهایت را در سه دسته بپرس: دربارهی محصول، دربارهی مخاطب، و دربارهی لحن و هدف. بعد از جوابهای من شروع کن.»
این نسخه بهخصوص وقتی کارت جدی است بینظیر عمل میکند، چون مدل را وادار میکند سیستماتیک فکر کند و هیچ زاویهی مهمی را جا نیندازد.
چرا این روش واقعاً جواب میدهد؟
پشت این ترفندِ ساده یک اصل روانشناختی و فنی مهم خوابیده است. کیفیت جواب هر مدل زبانی مستقیماً به کیفیت و کاملی «بافت» (context) بستگی دارد. وقتی بافت ناقص باشد، مدل با احتمالات کار میکند و محتملترین جواب معمولاً عمومیترین و کمریسکترین جواب است؛ یعنی همان جواب کلیشهای که دوستش نداری.
وقتی مدل خودش سوال میپرسد، در واقع دارد فعالانه بافت را کامل میکند. هر جوابی که میدهی فضای احتمالات را تنگتر میکند تا جایی که فقط یک مسیر منطقی باقی میماند: دقیقاً همان چیزی که تو میخواهی. این یعنی تو کنترل را از دست نمیدهی، بلکه آن را هوشمندانهتر اعمال میکنی.
نکتهی مهم دیگر این است که این روش خطای «فرضِ اشتباه» را از بین میبرد. در حالت عادی مدل ممکن است فرض کند مخاطب تو یک مدیر ارشد است، در حالی که واقعاً مخاطبت یک دوست صمیمی است. اگر این فرض اشتباه در همان ابتدا اصلاح نشود، کل جواب روی پایهی غلط ساخته میشود. سوالپرسیدن، این فرضها را قبل از ساختهشدن جواب آشکار و اصلاح میکند.
سه مثال واقعی از قدرت این تکنیک
بیایید تفاوت را با مثال ببینیم. فرض کن میخواهی ایمیلی برای درخواست افزایش حقوق بنویسی. اگر ساده بنویسی «یک ایمیل درخواست افزایش حقوق بنویس»، متنی تحویل میگیری که میتوانست مالِ هر کارمندی در دنیا باشد. اما با تکنیک ما، مدل اول میپرسد: چند سال سابقه داری؟ آخرین بار کی حقوقت اضافه شد؟ چه دستاورد قابلاندازهگیری داشتهای؟ رابطهات با مدیرت چطور است؟ و بعد ایمیلی میسازد که واقعاً برای موقعیت تو نوشته شده.
مثال دوم، برنامهریزی سفر است. بهجای «یک برنامهی سفر سهروزه به شمال بده»، از این قالب استفاده کن:
«میخواهم یک سفر سهروزه برنامهریزی کنم. قبل از دادن برنامه، دربارهی بودجه، تعداد نفرات، علاقهمندیها و سطح آرامش یا هیجانی که میخواهم، از من سوال بپرس.»
مثال سوم برای برنامهنویسان کاربردی است. وقتی میخواهی یک قطعه کد بگیری، فرضهای پنهان زیادی وجود دارد: زبان، نسخه، کتابخانهها، شیوهی مدیریت خطا. با یک جمله میتوانی همه را روشن کنی:
«میخواهم یک تابع برای اعتبارسنجی ایمیل بنویسی. قبل از کدنویسی، دربارهی زبان برنامهنویسی، نحوهی مدیریت خطا و اینکه میخواهم ساده باشد یا کامل، از من بپرس.»
در هر سه مثال، خروجی نهایی از زمین تا آسمان با حالت یکخطی فرق میکند. برای دیدن نمونههای بیشتر و آشنایی با شرکت سازندهی ChatGPT هم میتوانی مطلب OpenAI چیست را بخوانی.
چطور این تکنیک را حرفهایتر کنیم؟
یک نگرانی رایج این است: «اگر حوصلهی جوابدادن به سوالها را نداشته باشم چه؟» راهحل ساده است. یک قید هوشمندانه به پرامپت اضافه کن تا مدل در صورت بیجوابی متوقف نشود:
«اگر به سوالی جواب ندادم، منطقیترین فرض را در نظر بگیر، آن فرض را برایم بنویس و بعد ادامه بده.»
این قید بهترین هر دو دنیا را به تو میدهد: هم فرصت داری اطلاعات کلیدی را کامل کنی، هم اگر عجله داشتی کار متوقف نمیشود و مدل خودش هوشمندانه پیش میرود، ضمن اینکه شفاف میگوید بر چه فرضی جلو رفته است.
نکتهی پیشرفتهی دیگر، ترکیب این تکنیک با سایر اصول پرامپتنویسی است. وقتی این روش را با نقشدادن به مدل («تو یک کپیرایتر حرفهای هستی») و مشخصکردن قالب خروجی («جواب را در قالب فهرست بده») ترکیب کنی، کیفیت خروجی چند برابر میشود. پرامپتنویسی مثل هر مهارت دیگری با تمرین پخته میشود؛ آخرین آموزشها و اخبار این حوزه را میتوانی در بخش اخبار هوش مصنوعی دنبال کنی.
پرسشوپاسخ کوتاه (FAQ)
آیا این تکنیک روی همهی مدلهای هوش مصنوعی کار میکند؟
بله. این تکنیک به یک قابلیت خاص وابسته نیست و روی همهی مدلهای زبانی مطرح مثل ChatGPT، Gemini، Claude و Grok جواب میدهد. تنها کافی است مدل توانایی گفتگوی چندمرحلهای داشته باشد که تقریباً همهی مدلهای امروزی دارند.
چند سوال از مدل بخواهم که بپرسد؟
معمولاً سه تا پنج سوال نقطهی تعادل خوبی است. اگر تعداد سوالها کم باشد بافت کامل نمیشود و اگر زیاد باشد گفتگو خستهکننده میشود. برای کارهای ساده دو سه سوال کافی است و برای پروژههای پیچیده میتوانی تا هفت هشت سوال هم اجازه بدهی.
آیا این کار پرامپت را طولانی و پیچیده نمیکند؟
برعکس. زیبایی این تکنیک همینجاست: تو پرامپت کوتاه و ساده مینویسی و بارِ کاملکردن جزئیات را به مدل میسپاری. یعنی با کمترین تلاش، دقیقترین خروجی را میگیری؛ درست نقطهی مقابل نوشتن پرامپتهای طولانی و خستهکننده.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
