تکنیک «بازنویسی و پاسخ»؛ جواب دقیق‌تر از هوش مصنوعی با یک قدم ساده

بیشتر جواب‌های ناامیدکنندهٔ هوش مصنوعی از یک جای ساده می‌آیند: سؤالی که به‌اندازهٔ کافی روشن نیست. در این آموزش با تکنیک «بازنویسی و پاسخ» (Rephrase and Respond) آشنا می‌شوی؛ ترفندی کم‌هزینه که با یک جملهٔ اضافه، ابهام پرسش را برطرف می‌کند و کیفیت خروجی را به‌شکل محسوسی بالا می‌برد. اگر تازه با مبانی پرامپت‌نویسی آشنا شده‌ای، این درس گام بعدیِ خوبی برای توست.

گام ۱ — بازنویسی و پاسخ چیست و چرا جواب می‌دهد

وقتی از یک هوش مصنوعی سؤال می‌پرسی، مدل باید منظور تو را از روی چند کلمه حدس بزند. هرچه پرسش کوتاه‌تر و مبهم‌تر باشد، دامنهٔ این حدس‌ها بزرگ‌تر می‌شود و احتمال اینکه جواب از هدفت دور بیفتد بالا می‌رود. مدل خطا نمی‌کند؛ صرفاً به تفسیری از سؤال جواب می‌دهد که شاید تفسیر تو نبوده است.

تکنیک بازنویسی و پاسخ این حلقهٔ ضعیف را می‌بندد. به‌جای اینکه مدل بی‌درنگ روی اولین برداشتش جواب بدهد، ابتدا خودِ پرسش را با کلمات دقیق‌تر و کامل‌تر بازنویسی می‌کند، ابهام‌ها و فرض‌های پنهانش را روشن می‌کند و سپس بر پایهٔ آن نسخهٔ شفاف پاسخ می‌دهد. همین یک قدم اضافه، بخش بزرگی از بدفهمی‌ها را پیش از تولید جواب از بین می‌برد.

مثال: «نخست سؤال زیر را دقیق‌تر و کامل‌تر بازنویسی کن و فرض‌های پنهانش را فهرست کن، سپس بر پایهٔ نسخهٔ بازنویسی‌شده جواب بده. سؤال: چطور فروش فروشگاه اینترنتی‌ام را بیشتر کنم؟» با این پرامپت، مدل نخست روشن می‌کند که بازهٔ زمانی، بودجهٔ تبلیغات و نوع محصول چیست، بعد پاسخی متناسب می‌دهد.

گام ۲ — تفاوت آن با پرامپت سقراطی و گام‌به‌عقب

این تکنیک شبیه دو روش دیگر به نظر می‌رسد، اما با هر دو فرق دارد. در روش سقراطی، مدل از تو سؤال می‌پرسد و منتظر جواب می‌ماند؛ گفت‌وگو رفت‌وبرگشتی است. در تکنیک بازنویسی و پاسخ، مدل خودش پرسش را بازنویسی می‌کند و لازم نیست منتظر تو بماند؛ کنترل دست توست ولی جریان سریع‌تر است.

روش «گام‌به‌عقب» هم متفاوت است: آنجا مدل ابتدا یک اصل یا قاعدهٔ کلی‌تر را استخراج می‌کند و بعد به مسئلهٔ خاص برمی‌گردد. اما در بازنویسی و پاسخ، تمرکز روی خودِ صورت‌مسئله است، نه اصول پشت آن. اگر بخواهی این سه را کنار هم ببینی، می‌توانی سری کامل آموزش‌ها را در بخش آموزش‌های مستر چت جی پی دنبال کنی.

مثال: «سؤال من را طوری بازنویسی کن که هیچ ابهامی نداشته باشد؛ اگر چند برداشت ممکن است، رایج‌ترین برداشت را انتخاب کن و همان را در پاسخ لحاظ کن. سؤال: یک پیام تبریک بنویس.»

گام ۳ — ساختار پایهٔ یک پرامپت بازنویسی و پاسخ

یک پرامپت خوب در این تکنیک سه جزء دارد: دستور بازنویسی، شرط روشن‌سازی ابهام‌ها، و دستور پاسخ بر پایهٔ نسخهٔ جدید. ترتیب این سه مهم است؛ اگر بازنویسی بعد از جواب بیاید، دیگر اثری روی خروجی نمی‌گذارد. جملهٔ کلیدی معمولاً چیزی شبیه «اول بازنویسی کن، بعد جواب بده» است.

می‌توانی به مدل بگویی نسخهٔ بازنویسی‌شده را هم نشان بدهد تا خودت ببینی برداشتش درست بوده یا نه. این شفافیت به‌ویژه در کارهای مهم ارزشمند است، چون به تو فرصت می‌دهد پیش از اعتماد به جواب، تفسیر مدل را بررسی کنی. اصول کلی نوشتن دستور روشن را در راهنمای پرامپت برای مبتدی‌ها هم مرور کن.

مثال: «۱) سؤال من را کامل و بی‌ابهام بازنویسی کن و آن را نشان بده. ۲) فرض‌هایی را که برای پاسخ لازم است فهرست کن. ۳) بر پایهٔ نسخهٔ بازنویسی‌شده پاسخ نهایی را بنویس. سؤال: یک رژیم مطالعه برای آزمون بده.»

گام ۴ — نسخهٔ یک‌مرحله‌ای در برابر دومرحله‌ای

نسخهٔ یک‌مرحله‌ای همه‌چیز را در یک پیام انجام می‌دهد: مدل در همان یک پاسخ، هم بازنویسی می‌کند و هم جواب می‌دهد. این نسخه سریع است و برای بیشتر کارهای روزمره کافی است. مزیتش این است که وقت تو را نمی‌گیرد و در یک رفت‌وبرگشت تمام می‌شود.

نسخهٔ دومرحله‌ای دقت را بالاتر می‌برد. اینجا از مدل می‌خواهی فقط بازنویسی کند و متوقف شود تا تو تأیید کنی؛ بعد از تأیید، جواب می‌دهد. این روش برای تصمیم‌های مهم، متن‌های رسمی یا پروژه‌های حساس عالی است، چون پیش از صرف زمان روی جواب، مطمئن می‌شوی صورت‌مسئله درست فهمیده شده است.

مثال: «مرحلهٔ اول فقط سؤال من را بازنویسی کن و همان‌جا بایست و منتظر تأیید من بمان. سؤال: یک برنامهٔ غذایی سالم برای یک هفته بده.» پس از دیدن بازنویسی، اگر درست بود می‌نویسی «تأیید شد، حالا پاسخ بده» و اگر نه، اصلاحش می‌کنی.

گام ۵ — کاربرد در جست‌وجو، خلاصه‌سازی و ترجمه

بیشترین سود این تکنیک جایی است که بدفهمیِ صورت‌مسئله گران تمام می‌شود. در جست‌وجو و پژوهش، بازنویسیِ پرسش باعث می‌شود مدل دامنهٔ درست را پوشش بدهد و از پاسخ‌های کلی فاصله بگیرد. برای درک بهتر توان و محدودیت‌های واقعی این مدل‌ها، مطلب پتانسیل و محدودیت‌های هوش مصنوعی کمک‌کننده است.

در خلاصه‌سازی، از مدل بخواه اول مشخص کند خلاصه برای چه مخاطبی و با چه هدفی است، بعد خلاصه کند؛ نتیجه به‌جای فشرده‌سازیِ کور، هدفمند می‌شود. در ترجمه هم بازنویسیِ منظور جمله پیش از ترجمه، لحن و اصطلاح درست را تضمین می‌کند و از ترجمهٔ تحت‌اللفظی جلوگیری می‌کند.

نوشتن ایمیل و پیام رسمی هم نمونهٔ خوبی است. اگر بنویسی «منظورم را روشن‌تر بازنویسی کن و لحن مناسب گیرنده را مشخص کن، بعد ایمیل را بنویس»، خروجی به‌جای یک متن کلیشه‌ای، دقیقاً با موقعیت تو جور درمی‌آید. همین منطق برای نوشتن آگهی، توضیح محصول یا کپشن شبکه‌های اجتماعی هم صدق می‌کند؛ هر جا لحن و مخاطب مهم است، بازنویسیِ صورت‌مسئله بازدهی را بالا می‌برد.

مثال: «اول مشخص کن این متن قرار است برای مدیرعامل خلاصه شود یا برای کاربر عادی، سپس بر همان اساس در سه بند خلاصه کن. متن: [متن گزارش را اینجا بگذار].»

گام ۶ — کاربرد در کدنویسی و کار با داده

در برنامه‌نویسی، بیشتر باگ‌ها از بدفهمیِ نیازمندی می‌آید نه از نوشتن کد. اگر پیش از تولید کد، از مدل بخواهی صورت‌مسئله و ورودی و خروجی مورد انتظار را بازنویسی کند، کدِ حاصل بسیار نزدیک‌تر به چیزی می‌شود که واقعاً می‌خواستی. این نکته را در کنار هشدارهای واقع‌بینانهٔ توهم برنامه‌نویس تنها در برابر مهندس واقعی بخوان تا از مدل انتظار درست داشته باشی.

در کار با داده و جدول هم همین‌طور است؛ ستون‌ها، واحدها و منطق فیلترکردن اغلب مبهم‌اند. وقتی مدل اول این‌ها را روشن کند، خروجی جدول یا فرمول قابل‌اعتمادتر می‌شود. اگر می‌خواهی بدانی چرا این دقت برای کسب‌وکار مهم است، اهمیت هوش مصنوعی در کسب‌وکار را ببین.

مثال: «پیش از نوشتن هر کدی، نیازمندی این تابع را با ذکر ورودی، خروجی و حالت‌های مرزی بازنویسی کن و نشان بده، سپس کد پایتون را بنویس. خواسته: تابعی که ایمیل‌های معتبر را از یک فهرست جدا کند.»

گام ۷ — خطاهای رایج و راه رفعشان

نخستین خطا این است که ترتیب را رعایت نکنی؛ اگر جملهٔ «اول بازنویسی کن» را نگذاری، مدل مستقیم جواب می‌دهد و تکنیک بی‌اثر می‌شود. خطای دوم افراط است: برای سؤال‌های خیلی ساده، بازنویسی فقط جواب را طولانی و کند می‌کند بدون آنکه چیزی اضافه کند.

خطای سوم این است که به بازنویسیِ مدل بی‌توجه بمانی. اگر نسخهٔ بازنویسی‌شده برداشت غلطی داشته باشد و تو آن را نبینی، جواب هم روی همان اشتباه بنا می‌شود. برای همین در کارهای مهم، همیشه نسخهٔ بازنویسی‌شده را یک بار بخوان. جدیدترین ابزارها و تغییرات مدل‌ها را هم می‌توانی در بخش اخبار دنبال کنی تا بدانی کدام مدل در فهم پرسش قوی‌تر است.

خطای چهارم، مبهم‌گذاشتنِ خودِ دستور بازنویسی است. اگر فقط بگویی «بازنویسی کن»، ممکن است مدل صرفاً جمله را زیباتر کند بدون آنکه ابهام‌ها را حل کند. بهتر است صریح بخواهی که فرض‌های پنهان روشن شود، چند برداشت ممکن نام برده شود و رایج‌ترین حالت انتخاب شود؛ هرچه دستور بازنویسی دقیق‌تر باشد، سود این تکنیک بیشتر می‌شود.

مثال: «سؤال من را بازنویسی کن، اما اگر پرسش کاملاً روشن بود، صادقانه بگو نیازی به بازنویسی نیست و مستقیم جواب بده. سؤال: پایتخت ژاپن کجاست؟»

گام ۸ — الگوی آمادهٔ کپی‌پیست

این الگو را ذخیره کن و هر جا لازم شد، فقط سؤال خودت را جایگزین کن. الگو هم بازنویسی، هم روشن‌سازی فرض‌ها و هم پاسخ نهایی را پوشش می‌دهد و برای بیشتر کارها بی‌دردسر جواب می‌دهد.

مثال: «نقش تو یک دستیار دقیق است. مرحلهٔ ۱: سؤال من را کامل‌تر و بی‌ابهام بازنویسی کن و نشان بده. مرحلهٔ ۲: هر فرض پنهانی را که برای پاسخ لازم است فهرست کن و رایج‌ترین حالت را انتخاب کن. مرحلهٔ ۳: بر پایهٔ نسخهٔ بازنویسی‌شده، پاسخ نهاییِ ساخت‌یافته بده. سؤال من این است: [سؤالت را اینجا بنویس].»

می‌خواهی بدانی سازندهٔ این مدل‌ها کیست و از کجا آمده‌اند؟ نگاهی به اوپن‌ای‌آی چیست بینداز تا زمینهٔ فنی این ابزارها روشن‌تر شود.

پرسش‌های پرتکرار

آیا این تکنیک روی همهٔ مدل‌ها کار می‌کند؟

بله، چون به قابلیت خاصی وابسته نیست و فقط ترتیب کار را عوض می‌کند. روی مدل‌های متن‌محورِ رایج مثل نسخه‌های گوناگون ChatGPT، Gemini و Claude به‌خوبی جواب می‌دهد.

آیا بازنویسی، جواب را طولانی نمی‌کند؟

کمی طولانی‌تر می‌شود، اما می‌توانی بگویی نسخهٔ بازنویسی‌شده را کوتاه نشان بده یا اصلاً نشان نده و فقط در پاسخ لحاظ کند. برای سؤال‌های ساده هم بهتر است اصلاً از این تکنیک استفاده نکنی.

تفاوت اصلی‌اش با روش سقراطی چیست؟

در روش سقراطی مدل از تو سؤال می‌پرسد و منتظر جواب می‌ماند، ولی اینجا مدل خودش پرسش را بازنویسی می‌کند و بدون معطلی پیش می‌رود؛ کنترل با توست اما سرعت بیشتر است.