قسمت ۱ — پرامپت مثال‌محور چیست و کِی از آن استفاده کنیم

قسمت اول از سری «پرامپت مثال‌محور»: در این قسمت فقط با مبانی کار داریم؛ اینکه نشان دادن چند نمونه به مدل دقیقاً چه فرقی با توضیح دادن دارد، ساختار پایهٔ یک پرامپت مثال‌محور چیست، و کِی ارزش دارد سراغش بروی.

۱. پرامپت مثال‌محور در یک جمله

پرامپت مثال‌محور یک تکنیک ساده است: پیش از دادن کار واقعی، چند جفت «ورودی و خروجی مطلوب» به مدل نشان می‌دهی و بعد ورودی خودت را می‌گذاری. مدل از روی همان نمونه‌ها الگو را برمی‌دارد و روی ورودی جدید اجرا می‌کند.

در ادبیات فنی به این کار few-shot گفته می‌شود و به حالتی که هیچ نمونه‌ای نمی‌دهی zero-shot می‌گویند، اما نام‌ها مهم نیستند. چیزی که مهم است این است: تو داری آموزش می‌دهی بدون آنکه توضیح بدهی. مدل چیزی را که در نمونه‌ها می‌بیند تقلید می‌کند، حتی جزئیاتی را که خودت هم متوجه نشده‌ای در آن‌ها هست.

همین جملهٔ آخر هم قدرت روش است و هم خطرش. اگر نمونه‌هایت دقیق باشند، خروجی دقیقاً همان چیزی می‌شود که می‌خواستی. اگر یک بی‌دقتی مشترک در نمونه‌ها باشد، آن هم منتقل می‌شود.

۲. تفاوت با حالتی که هیچ مثالی نمی‌دهی

فرض کن می‌خواهی نظرهای مشتری‌ها را در یک خط خلاصه کنی. بدون مثال، درخواستت چیزی شبیه این است: «این نظر را در یک جمله خلاصه کن.» خروجی احتمالاً درست است ولی هر بار شکل متفاوتی دارد؛ یک بار با فعل شروع می‌شود، یک بار با اسم مشتری، یک بار سه جمله می‌نویسد چون «یک جمله» را جدی نگرفته.

با مثال، همان درخواست تبدیل می‌شود به دو سه نمونهٔ واقعی که هر کدام دقیقاً همان قالبی را دارند که می‌خواهی. خروجی مدل روی ورودی چهارم، تقریباً همان شکل را می‌گیرد. اختلاف اصلی این دو حالت، دقت نیست؛ ثبات است.

و ثبات دقیقاً همان چیزی است که کارهای تکراری را قابل خودکارسازی می‌کند. وقتی خروجی هر بار شکل دیگری دارد، مجبوری هر بار خودت ویرایش کنی و عملاً هیچ صرفه‌جویی‌ای اتفاق نیفتاده است.

۳. چرا نمونه از توضیح قوی‌تر است

توضیح کردن یک قالب، ترجمه‌ای دو مرحله‌ای است: تو تصویر ذهنی‌ات را به کلمه تبدیل می‌کنی و مدل کلمه‌ها را به تصویر برمی‌گرداند. در هر دو مرحله چیزی گم می‌شود. نمونه این دو مرحله را حذف می‌کند و تصویر را مستقیم نشان می‌دهد.

یک آزمون ساده این را روشن می‌کند. سعی کن لحن مطلوبت را با کلمه توصیف کنی: «رسمی ولی صمیمی، کوتاه ولی گرم، بدون تعارف اضافه». حالا دو نمونه از متنی که دقیقاً همان لحن را دارد بگذار. نمونه‌ها در سه خط چیزی را منتقل می‌کنند که آن سه صفت هرگز منتقل نمی‌کردند.

دلیل دومی هم هست: بعضی قاعده‌ها اصلاً قابل بیان نیستند. تو می‌دانی کدام خروجی درست است ولی نمی‌توانی قاعده‌اش را بنویسی. در این موارد نمونه تنها راه ارتباط است، نه راه بهتر.

۴. ساختار پایهٔ یک پرامپت مثال‌محور

یک پرامپت مثال‌محور استاندارد سه بخش دارد و ترتیبشان اهمیت دارد.

بخش اول، دستور کوتاه. یک یا دو جمله که می‌گوید کار چیست. حتی وقتی نمونه داری، این جمله لازم است تا مدل بداند نمونه‌ها را در چه چارچوبی بخواند. اما بلند نباید باشد؛ کار اصلی را نمونه‌ها می‌کنند.

بخش دوم، نمونه‌ها با برچسب یکسان. هر نمونه باید دقیقاً همان ساختاری را داشته باشد که از خروجی نهایی انتظار داری، و برچسب‌ها — مثلاً «ورودی» و «خروجی» — باید در همهٔ نمونه‌ها یکسان بمانند. تغییر دادن برچسب بین نمونه‌ها یکی از رایج‌ترین دلایل بی‌اثر شدن این تکنیک است.

بخش سوم، ورودی واقعی با همان برچسب و بدون خروجی. مدل الگو را می‌بیند و جای خالی را پر می‌کند. ورودی واقعی باید آخرین چیز در پرامپت باشد؛ اگر بعد از آن توضیح اضافه کنی، الگو شکسته می‌شود.

۵. یک نمونهٔ عملی: قبل و بعد

فرض کن می‌خواهی از پیام‌های پشتیبانی، یک خط خلاصه با دسته‌بندی بیرون بکشی. نسخهٔ بدون مثال چیزی شبیه این است: «این پیام پشتیبانی را خلاصه کن و دسته‌اش را بگو.» خروجی معمولاً یک پاراگراف توضیحی است که در آن دسته هم جایی ذکر شده — نه چیزی که بشود در جدول ریخت.

نسخهٔ مثال‌محور همان کار را با دو نمونه انجام می‌دهد: ورودی «سه روزه سفارشم نرسیده و پشتیبانی جواب نمی‌دهد» و خروجی «تأخیر ارسال — نارضایتی بالا»؛ ورودی «چطور می‌توانم آدرس فاکتور را عوض کنم؟» و خروجی «راهنمایی حساب کاربری — نارضایتی پایین». حالا هر ورودی جدیدی که بدهی، دقیقاً در همین قالب دو تکه‌ای برمی‌گردد.

به تفاوت دقت کن: در نسخهٔ دوم هیچ‌جا ننوشته‌ای که خروجی باید کوتاه باشد، با خط تیره جدا شود، یا دسته‌ها از یک فهرست مشخص انتخاب شوند. همهٔ این‌ها را نمونه‌ها منتقل کرده‌اند.

۶. پرامپت آمادهٔ کپی برای شروع

این قالب را بردار و فقط جاهای خالی را با کار خودت پر کن. برای اولین تجربه، همان دو نمونه کافی است:

کار: برای هر ورودی، خروجی را دقیقاً با همان ساختار نمونه‌ها بنویس.
قواعد: فقط خروجی را بنویس، بدون مقدمه و بدون توضیح اضافه. اگر ورودی با هیچ‌کدام از نمونه‌ها جور نبود، به‌جای حدس زدن بنویس «خارج از الگو».
ورودی: [نمونهٔ اول]
خروجی: [خروجی مطلوب برای نمونهٔ اول]
ورودی: [نمونهٔ دوم، متفاوت با اولی]
خروجی: [خروجی مطلوب برای نمونهٔ دوم]
ورودی: [کار واقعی خودت را اینجا بگذار]
خروجی:

چهار نکته در همین قالب کوتاه هست. یک: خط «فقط خروجی را بنویس» جلوی مقدمه‌نویسی مدل را می‌گیرد. دو: عبارت «خارج از الگو» یک راه فرار سالم می‌دهد تا مدل ورودی نامربوط را زورکی در قالب نچپاند. سه: برچسب‌ها در هر سه بلوک یکسان‌اند. چهار: آخرین خط عمداً خالی مانده تا مدل بداند باید همان‌جا را پر کند.

۷. کِی ارزش دارد و کِی نه

جاهایی که می‌ارزد: کارهای تکرارشونده با خروجی ساختاریافته، هر جا که قالب مشخص مهم‌تر از خلاقیت است، لحن و سبکی که توصیف‌کردنش سخت است، و مواردی که می‌خواهی خروجی مستقیم وارد یک جدول یا سیستم دیگر شود.

جاهایی که نمی‌ارزد: کارهای یک‌باره که ساختن نمونه برایشان بیشتر از خود کار وقت می‌برد، تولید ایدهٔ خام که تنوع می‌خواهی نه ثبات، و مسائل چندمرحله‌ای که نیاز به استدلال دارند. برای دستهٔ آخر، ابزار درست زنجیرهٔ تفکر است نه مثال — و البته می‌شود این دو را با هم ترکیب کرد.

یک مرز مهم دیگر هم هست: وقتی کار واقعاً به دانش تازه نیاز دارد، مثال کمکی نمی‌کند. نمونه شکل خروجی را می‌سازد، نه محتوای آن را. اگر مدل جواب را نمی‌داند، ده نمونه هم آن را یاد نمی‌دهد.

۸. پرسش‌های پرتکرار

چند مثال بگذارم؟ برای شروع دو تا سه نمونه. بحث دقیق تعداد، ترتیب و نقطهٔ بازدهی نزولی موضوع قسمت پنجم این سری است.

مثال‌ها باید واقعی باشند یا می‌توانم بسازم؟ ساختگی هم قابل قبول است، به شرطی که شبیه داده‌های واقعی‌ات باشند. نمونهٔ خیلی تمیز و آرمانی، مدل را برای ورودی‌های واقعی و شلوغ آماده نمی‌کند. معیارهای انتخاب نمونهٔ خوب موضوع قسمت دوم است.

اگر خروجی مدل شبیه یکی از نمونه‌ها شد چه؟ این نشانهٔ کپی‌برداری کورکورانه است و معمولاً وقتی رخ می‌دهد که نمونه‌ها به هم خیلی شبیه‌اند. راه‌حل، متنوع‌تر کردن نمونه‌هاست؛ این خطا و راه‌های جلوگیری‌اش را در قسمت ششم مفصل می‌بینیم.

برای شروع پرامپت‌نویسی از کجا بروم؟ اگر تازه‌کار هستی، راهنمای نوشتن پرامپت برای مبتدی‌ها نقطهٔ شروع خوبی است و در آموزش‌های ChatGPT نمونه‌های عملی بیشتری پیدا می‌کنی.