تیر
ChatGPT
آموزش پرامپت مثالمحور (Few-shot): با چند نمونه جواب دقیقتر بگیر
با «پرامپت مثالمحور» یاد بگیر چطور فقط با چند نمونهٔ ساده، خروجی هوش مصنوعی را دقیق، همقالب و حرفهای کنی.
لیست مطالب
۱. پرامپت مثالمحور (Few-shot) چیست؟
«پرامپت مثالمحور» یعنی بهجای اینکه فقط با کلمات به مدل توضیح بدهی چه میخواهی، چند «نمونه» از ورودی و خروجی دلخواهت را جلوی چشمش بگذاری تا خودش الگو را کشف کند. اصطلاح انگلیسی آن Few-shot Prompting است؛ یعنی «با چند شلیک» یا «چند نمونه». مدلهای زبانی مثل ChatGPT برای یادگیری الگو ساخته شدهاند و وقتی دو یا سه نمونهٔ منسجم میبینند، بسیار بهتر از توضیح انتزاعی، منظور تو را میفهمند.
تصور کن میخواهی برای محصولات مختلف شعار تبلیغاتی بسازی. اگر فقط بنویسی «یک شعار بساز»، مدل ممکن است هر سبکی را انتخاب کند؛ اما اگر چند نمونه از سبک دلخواهت را نشان بدهی، خروجی دقیقاً همان لحن را میگیرد.
مثال: «مثل نمونهها یک شعار کوتاه بساز. نمونه اول، ورودی: قهوهٔ سرد و خروجی: تابستان را خنک بنوش. نمونه دوم، ورودی: کفش دویدن و خروجی: هر قدم، سبکتر از قبل. حالا برای این ورودی خروجی بده: هدفون بیسیم.»
چرا کار میکند؟ چون مدل بهجای حدسزدن سلیقهٔ تو، از روی دو نمونه یک «قانون» میسازد: شعار باید کوتاه، حسی و مرتبط با کاربرد محصول باشد. اگر تازهکار هستی، پیشنهاد میکنم قبل از هر چیز نگاهی به آموزش صفر تا صد پرامپتنویسی بیندازی تا پایهٔ کار محکم شود.
۲. تفاوت Zero-shot، One-shot و Few-shot
برای اینکه بدانی کِی از این تکنیک استفاده کنی، باید سه حالت را از هم تشخیص بدهی. در حالت «بدون نمونه» یا Zero-shot، هیچ مثالی نمیدهی و فقط دستور میدهی؛ این حالت برای کارهای ساده و عمومی خوب است. در حالت «تکنمونه» یا One-shot، یک مثال میدهی تا جهت کلی مشخص شود. در حالت «چندنمونه» یا Few-shot، دو تا چند مثال میدهی و بیشترین دقت و یکدستی را میگیری.
قاعدهٔ کلی این است: هرچه خروجی باید دقیقتر، قالبمندتر یا همسبکتر باشد، به نمونهٔ بیشتری نیاز داری. اما زیادهروی هم لازم نیست؛ اغلب دو تا چهار نمونه کافی است.
مثال: «متن زیر را به لحن رسمی بازنویسی کن. نمونه، ورودی: سلام داداش چطوری و خروجی: با سلام و احترام، امیدوارم حال شما خوب باشد. حالا این را بازنویسی کن: کی میتونیم جلسه بذاریم؟»
اینجا فقط یک نمونه (One-shot) دادیم، اما همان یک نمونه جهت لحن را کاملاً مشخص کرد. اگر خروجی هنوز نوسان داشت، نمونهٔ دوم را اضافه کن تا به Few-shot تبدیل شود و ثبات بیشتری بگیری.
۳. آناتومی یک پرامپت مثالمحور خوب
یک پرامپت مثالمحور حرفهای معمولاً از چهار بخش تشکیل شده است: یک «دستور» کوتاه که کار را توضیح میدهد، چند «نمونهٔ ورودی و خروجی» که الگو را نشان میدهند، یک «جداکنندهٔ روشن» بین نمونهها، و در پایان «ورودی واقعی» که منتظر پاسخ آن هستی. نظم این چهار بخش به مدل کمک میکند مرز بین آموزش و پرسش را دقیق تشخیص بدهد.
نکتهٔ کلیدی، «یکدستی قالب» است. اگر در نمونهها از برچسب «ورودی» و «خروجی» استفاده میکنی، در همهٔ نمونهها و در پرسش نهایی هم دقیقاً همان برچسبها را نگه دار. کوچکترین بینظمی در قالب، مدل را گیج میکند.
مثال: «کار: احساس هر جمله را با یک کلمه مشخص کن (مثبت، منفی یا خنثی). ورودی: غذا عالی بود و خروجی: مثبت. ورودی: خیلی دیر رسید و خروجی: منفی. ورودی: بستهبندی معمولی بود و خروجی:»
چون قالب کاملاً منظم است و خروجی آخر را نیمهکاره رها کردهایم، مدل میفهمد که باید دقیقاً یک کلمه در همان جای خالی بگذارد. این تکنیکِ «رها کردن جای خروجی» یکی از قویترین ترفندهای هدایت مدل است.
۴. گامبهگام: ساختن اولین پرامپت مثالمحور
حالا قدمبهقدم بسازیم. گام اول: هدف را در یک جمله بنویس (مثلاً «تبدیل عنوان خبر به تیتر جذاب»). گام دوم: دو یا سه نمونهٔ واقعی و باکیفیت از ورودی و خروجی دلخواه آماده کن. گام سوم: یک قالب ثابت انتخاب کن و همهٔ نمونهها را در همان قالب بنویس. گام چهارم: ورودی واقعی را در انتها اضافه کن و خروجی را خالی بگذار. گام پنجم: نتیجه را ببین و در صورت نیاز نمونهها را بهتر کن.
مثال: «عنوان خبری را به تیتر جذاب تبدیل کن. ورودی: افزایش قیمت بنزین در ماه آینده و خروجی: بنزین گران میشود؛ آنچه باید از امروز بدانید. ورودی: رونمایی از مدل جدید هوش مصنوعی و خروجی: غول تازه از راه رسید؛ این مدل چه میکند؟ ورودی: کاهش نرخ بیکاری در بهار و خروجی:»
چرا کار میکند؟ چون هر دو نمونه یک «فرمول» مشترک دارند: یک بخش خبری کوتاه بهعلاوهٔ یک قلاب کنجکاوی. مدل این فرمول را میگیرد و برای ورودی سوم هم همان ساختار را میسازد. اگر بخواهی این مهارت را روی ابزارهای مختلف تمرین کنی، مجموعهٔ آموزشهای گامبهگام ChatGPT نقطهٔ شروع خوبی است.
۵. چند نمونه کافی است؟ تعداد و تنوع
پرتکرارترین سؤال این است: چند مثال بدهم؟ پاسخ کوتاه: معمولاً دو تا چهار نمونه بهترین تعادل بین دقت و کوتاهی پرامپت است. با یک نمونه جهت کلی مشخص میشود، با دو تا چهار نمونه الگو تثبیت میشود، و بیشتر از آن اغلب فقط پرامپت را طولانی میکند بدون سود چندانی. البته برای کارهای پیچیدهتر یا قالبهای خیلی خاص، گاهی پنج تا شش نمونه هم منطقی است.
مهمتر از «تعداد»، «تنوع» نمونههاست. اگر همهٔ نمونههایت شبیه هم باشند، مدل فقط همان حالت خاص را یاد میگیرد. نمونهها را طوری انتخاب کن که حالتهای مختلف را پوشش بدهند: کوتاه و بلند، مثبت و منفی، ساده و پیچیده. این تنوع، مدل را برای ورودیهای واقعی و پیشبینینشده آماده میکند.
مثال: «ایمیل را در یک جمله خلاصه کن. ورودی: ایمیل بلند دربارهٔ تغییر ساعت جلسه و خروجی: جلسه به ساعت ۱۰ صبح موکول شد. ورودی: ایمیل کوتاه تشکر از همکاری و خروجی: قدردانی بابت همکاری اخیر. ورودی: ایمیل شکایت از تأخیر سفارش و خروجی:»
اینجا سه نمونه سه حالت متفاوت (اطلاعرسانی، تشکر، شکایت) را نشان میدهند؛ بنابراین مدل یاد میگیرد که «خلاصه» یعنی گرفتن پیام اصلی، نه صرفاً کوتاهکردن. همین تنوع باعث میشود روی ایمیلهای تازه هم خوب عمل کند.
۶. کاربردهای پرتکرار در کار روزمره
پرامپت مثالمحور تقریباً در هر کاری که «الگوی تکرارشونده» دارد به کار میآید. چهار کاربرد رایج آن عبارتاند از: دستهبندی (مثل تشخیص احساس یا موضوع)، استخراج اطلاعات (مثل بیرونکشیدن نام و تاریخ از متن)، تبدیل لحن (رسمی، دوستانه، تبلیغاتی) و قالببندی خروجی (مثل ساختن جدول یا فهرست منظم). در همهٔ اینها، نشاندادن چند نمونه بسیار مؤثرتر از توضیحدادن است.
برای مثال در استخراج اطلاعات، بهجای اینکه توضیح بدهی «نام شخص و شهر را پیدا کن»، کافی است دو نمونه نشان بدهی تا مدل دقیقاً بفهمد چه چیزی و در چه قالبی میخواهی. این رویکرد در پروژههای واقعی، از پشتیبانی مشتری تا تحلیل نظرات، وقت زیادی صرفهجویی میکند و به همین دلیل است که اهمیت هوش مصنوعی در کسبوکار هر سال بیشتر میشود.
مثال: «نام شخص و شهر را جدا کن. ورودی: رضا از شیراز تماس گرفت و خروجی: نام: رضا، شهر: شیراز. ورودی: خانم احمدی ساکن تبریز است و خروجی: نام: احمدی، شهر: تبریز. ورودی: علی از اصفهان پیام داد و خروجی:»
چون قالب خروجی («نام: …، شهر: …») در هر دو نمونه یکسان است، مدل بدون هیچ توضیح اضافهای همان ساختار را برای ورودی سوم بازتولید میکند. این دقیقاً همان یکدستی است که در خروجیهای ماشینی و قابلپردازش به آن نیاز داری.
۷. اشتباههای رایج و راهحلشان
حتی یک تکنیک ساده هم اگر بد اجرا شود نتیجه نمیدهد. رایجترین اشتباه، «نمونههای بیکیفیت» است؛ اگر خودِ نمونهها اشتباه یا نامرتب باشند، مدل هم همان اشتباه را تکرار میکند. اشتباه دوم، «قالب ناهماهنگ» است؛ وقتی برچسبها یا فاصلهها در نمونهها یکسان نیستند، مدل گیج میشود. اشتباه سوم، «نمونههای همشکل» است که تنوع ندارند و مدل را محدود میکنند.
راهحل هر سه ساده است: نمونهها را با دقت و درست بنویس، قالب را کاملاً یکدست نگه دار، و حالتهای متنوع را پوشش بده. یک ترفند مفید این است که خروجی خودت را یک بار بازخوانی کنی و بپرسی «اگر من مدل بودم، از این نمونهها چه قانونی میفهمیدم؟» اگر پاسخ روشن نبود، نمونهها هنوز جای بهبود دارند.
مثال: «این پرامپت ضعیف را اصلاح کن: ورودی اول: خوب بود، خروجی: مثبت. ورودی دوم: افتضاح، جواب: منفی.» مشکل اینجاست که در یک نمونه گفتهایم «خروجی» و در دیگری «جواب»؛ کافی است هر دو را «خروجی» کنیم تا قالب یکدست شود و دقت بالا برود.
اگر میخواهی درک واقعبینانهای از جایی که مدلها میدرخشند و جایی که کم میآورند داشته باشی، مطلب توان و محدودیتهای واقعی هوش مصنوعی کمک میکند انتظارت را واقعبینانه تنظیم کنی.
۸. ترکیب Few-shot با تکنیکهای دیگر
قدرت واقعی وقتی آزاد میشود که پرامپت مثالمحور را با تکنیکهای دیگر ترکیب کنی. برای مثال، ترکیب آن با «نقشدادن» به مدل (مثلاً «تو یک ویراستار حرفهای هستی») لحن نمونهها را قویتر میکند. ترکیب آن با «استدلال گامبهگام» برای مسائل منطقی و ریاضی معجزه میکند: در نمونهها نهفقط پاسخ نهایی، بلکه مسیر رسیدن به پاسخ را هم نشان بده تا مدل یاد بگیرد که «فکر کردن» را هم تقلید کند.
این ترکیبها همان چیزی است که پرامپتنویسی حرفهای را از حالت آماتور جدا میکند. اگر کنجکاوی که این ابزارها از کجا آمدهاند و چطور کار میکنند، آشنایی با اینکه OpenAI چیست و همچنین مقایسهٔ ابزارها در نبرد ChatGPT و DeepSeek دید بازتری به تو میدهد.
مثال: «مسئله را مثل نمونه با ذکر مراحل حل کن. ورودی: اگر ۳ مداد ۶ هزار تومان است، ۵ مداد چند؟ خروجی: هر مداد ۲ هزار تومان، پس ۵ مداد ۱۰ هزار تومان. حالا این را حل کن: اگر ۴ دفتر ۲۰ هزار تومان است، ۷ دفتر چند؟»
چون نمونه، «مسیر حل» را نشان داده، مدل هم برای ورودی جدید ابتدا قیمت واحد را حساب میکند و بعد به پاسخ میرسد؛ نتیجه هم دقیقتر است و هم قابلاعتمادتر. این نکته یادآور تفاوت کاربر آماتور و حرفهای در استفاده از هوش مصنوعی است: حرفهایها به مدل «نحوهٔ فکر کردن» را نشان میدهند، نه فقط صورت مسئله را.
پرسشوپاسخ کوتاه (FAQ)
پرسش: پرامپت مثالمحور برای چه مدلهایی کار میکند؟ تقریباً همهٔ مدلهای زبانی امروزی مثل ChatGPT، Gemini و Claude از این تکنیک پشتیبانی میکنند؛ چون یادگیری از روی الگو، ویژگی ذاتی این مدلهاست.
پرسش: اگر خروجی هنوز دقیق نشد چه کنم؟ اول کیفیت و تنوع نمونهها را بررسی کن، بعد قالب را یکدست کن و در نهایت یک نمونهٔ دیگر که حالت پوششدادهنشده را نشان میدهد اضافه کن.
پرسش: آیا نمونهها باید واقعی باشند؟ نه لزوماً، اما باید درست و باکیفیت باشند. نمونهٔ ساختگی ولی دقیق بهتر از نمونهٔ واقعی ولی نامرتب است.
پرسش: تفاوت این تکنیک با توضیح دادن ساده چیست؟ توضیح، «قانون» را میگوید اما نمونه، «قانون» را نشان میدهد؛ و مدلهای زبانی از نشاندادن بسیار بهتر از گفتن یاد میگیرند.
نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید
