پرامپت شرطی؛ آموزش منطق اگر–آنگاه برای گرفتن جواب دقیق از هوش مصنوعی

بیشتر ما پرامپت‌ها را طوری می‌نویسیم که انگار ورودی همیشه یک شکل ثابت دارد. اما در کار واقعی، ورودی‌ها متنوع‌اند: گاهی یک شکایت، گاهی یک سؤال فنی، گاهی چیزی کاملاً بی‌ربط. «پرامپت شرطی» تکنیکی است که به مدل یاد می‌دهد بسته به شرایطِ ورودی، مسیر درست را خودش انتخاب کند؛ درست مثل یک دوراهی هوشمند که مدل را به سمت پاسخ مناسب هدایت می‌کند.

گام اول — پرامپت شرطی چیست و چه فرقی با پرامپت معمولی دارد؟

پرامپت معمولی «تک‌مسیره» است: یک دستور می‌دهی و انتظار یک رفتار ثابت داری. اما تا وقتی ورودی همیشه یک شکل داشته باشد این خوب کار می‌کند؛ به‌محض اینکه ورودی‌ها متنوع شوند، مدل مجبور می‌شود خودش حدس بزند چه انتظاری داری و همین‌جا خطاها شروع می‌شوند. پرامپت شرطی این حدس‌زدن را حذف می‌کند: تو مرزهای تصمیم را از قبل مشخص می‌کنی و به مدل می‌گویی در هر شرایطی دقیقاً چه‌کار کند. اگر تازه با اصول اولیه آشنا می‌شوی، بد نیست ابتدا نگاهی به راهنمای پرامپت‌نویسی از صفر بیندازی تا پایهٔ کار محکم شود.

تفاوت را با یک تصویر ساده ببین: پرامپت معمولی یک خط مستقیم است، اما پرامپت شرطی یک درخت تصمیم است که هر شاخه‌اش به یک نوع ورودی پاسخ می‌دهد. همین تفاوت کوچک، کیفیت خروجی را روی داده‌های واقعی و نامنظم به‌شدت بالا می‌برد.

مثال: «متن زیر را بخوان. اگر یک نظر مثبت دربارهٔ محصول بود، در یک جمله از مشتری تشکر کن؛ اگر یک انتقاد بود، ابتدا همدلی کن و بعد یک راه‌حل پیشنهاد بده. متن: [متن نظر اینجا]»

گام دوم — چرا شرط‌گذاری خروجی را قابل‌اعتماد می‌کند؟

وقتی شرط نمی‌گذاری، مدل ناچار است نیت تو را از روی کلمات حدس بزند و در حالت‌های لبه‌ای (ورودی‌های غیرمنتظره) همین حدس‌ها به جواب‌های عجیب تبدیل می‌شوند. شرط‌گذاری این حالت‌ها را پیشاپیش مهار می‌کند و رفتار مدل را قابل‌پیش‌بینی می‌سازد. این موضوع مخصوصاً وقتی اهمیت پیدا می‌کند که بخواهی یک پرامپت واحد را بارها روی ورودی‌های مختلف اجرا کنی؛ آن‌وقت به‌جای نوشتن ده پرامپت جداگانه، یک پرامپت شرطیِ خوب کار همه را انجام می‌دهد.

نکتهٔ مهم این است که هوش مصنوعی جادو نیست و محدودیت‌های واقعی خودش را دارد؛ شرط‌گذاری دقیقاً ابزاری است که این محدودیت‌ها را می‌پوشاند و از مدل خروجی باثبات‌تری می‌گیرد. در محیط‌های کاری و کاربردهای تجاری هوش مصنوعی همین ثبات، مرز میان یک ابزار سرگرم‌کننده و یک ابزار قابل‌اتکا است.

مثال: «اگر در متن زیر یک عدد یا مبلغ ذکر شده بود، آن را در یک خط جدا و با فرمت دقیق بنویس؛ اگر هیچ عددی نبود، صراحتاً بنویس: هیچ عددی در متن یافت نشد. حدس نزن.»

گام سوم — ساختار پایه: اگر… آنگاه… وگرنه…

هستهٔ هر پرامپت شرطی سه بخش است: شرط (چه چیزی را بررسی کنم؟)، رفتار در حالت درست‌بودن شرط (آنگاه چه کنم؟) و رفتار جایگزین (وگرنه چه کنم؟). هرچه این سه بخش روشن‌تر و بدون ابهام‌تر باشند، خروجی دقیق‌تر است. کلید کار این است که شرط را «قابل‌سنجش» بنویسی؛ یعنی چیزی که مدل بتواند به‌روشنی تشخیص دهد برقرار است یا نه، نه یک توصیف مبهم و سلیقه‌ای.

یک ترفند ساده: شرط را با فعل تشخیصی شروع کن مثل «اگر شامل… بود»، «اگر لحن… داشت»، «اگر موضوع دربارهٔ… بود». این ساختار به مدل کمک می‌کند مرز مسیرها را دقیق‌تر ببیند. برای دیدن نمونه‌های عملی بیشتر می‌توانی سری به آموزش‌های چت‌جی‌پی‌تی بزنی.

مثال: «به ایمیل زیر نگاه کن. اگر لحن ایمیل عصبانی یا شاکی بود، آنگاه ابتدا یک جملهٔ عذرخواهی بنویس و بعد راه‌حل بده؛ اگر لحن خنثی و صرفاً پرسشی بود، آنگاه مستقیم و کوتاه به سؤال پاسخ بده؛ در غیر این صورت بنویس که برای پاسخ به اطلاعات بیشتری نیاز داری. ایمیل: [متن ایمیل]»

گام چهارم — چند شرط و چند مسیر در یک پرامپت

وقتی ورودی‌ها بیش از دو حالت دارند، به‌جای «اگر/وگرنه» ساده، از چند شرط پشت‌سرهم استفاده کن؛ درست مثل یک فهرست از حالت‌ها که مدل یکی‌یکی بررسی می‌کند و اولین مورد منطبق را اجرا می‌کند. برای اینکه مسیرها با هم قاطی نشوند، دو قاعده را رعایت کن: اول اینکه شرط‌ها نباید هم‌پوشانی داشته باشند، و دوم اینکه ترتیب بررسی را مشخص کن تا مدل بداند از کجا شروع کند.

این الگوی چندشاخه‌ای پایهٔ بسیاری از کارهای پیشرفته‌تر است و به همین دلیل در سری کامل آموزش پرامپت‌نویسی Mr ChatGPT بارها به شکل‌های مختلف تکرار می‌شود. هرچه در تعریف شاخه‌ها منظم‌تر باشی، خروجی هم مرتب‌تر خواهد بود.

مثال: «پیام پشتیبانی زیر را دسته‌بندی کن و بر اساس دسته پاسخ بده. اگر دربارهٔ مشکل پرداخت بود، شمارهٔ پیگیری بخواه و مراحل بازگشت وجه را توضیح بده؛ اگر دربارهٔ مشکل فنی بود، سه سؤال عیب‌یابی بپرس؛ اگر درخواست بازگشت کالا بود، شرایط مرجوعی را بنویس؛ اگر هیچ‌کدام نبود، پیام را به دستهٔ «سایر» منتقل کن و از کاربر توضیح بیشتر بخواه. پیام: [متن پیام]»

گام پنجم — مسیر پیش‌فرض؛ تور ایمنی حالت‌های پیش‌بینی‌نشده

مهم‌ترین بخش یک پرامپت شرطی خوب، همان مسیری است که خیلی‌ها فراموشش می‌کنند: مسیر پیش‌فرض. این مسیر تعیین می‌کند وقتی هیچ‌یک از شرط‌ها برقرار نبود، مدل چه کند. بدون مسیر پیش‌فرض، مدل در حالت‌های ناشناخته شروع به حدس‌زدن و حتی جعل اطلاعات می‌کند. با یک مسیر پیش‌فرضِ روشن، این خطر را از بین می‌بری و به مدل اجازه می‌دهی صادقانه بگوید «نمی‌دانم» یا سؤال بپرسد.

بهترین مسیر پیش‌فرض معمولاً یکی از این دو حالت است: یا از کاربر یک سؤال روشن‌کننده بپرس، یا صراحتاً اعلام کن که اطلاعات کافی موجود نیست. هر دو حالت بهتر از یک جواب اشتباهِ با اعتمادبه‌نفس هستند.

مثال: «تاریخ رویداد را از متن زیر استخراج کن. اگر تاریخ صریح ذکر شده بود همان را بنویس؛ اگر فقط اشاره‌ای غیرمستقیم بود، آن را به‌صورت حدسی و با ذکر کلمهٔ «احتمالاً» بنویس؛ اگر هیچ نشانه‌ای از تاریخ نبود، دقیقاً بنویس: تاریخ در متن ذکر نشده است. تحت هیچ شرایطی تاریخ نساز.»

گام ششم — ترکیب شرط با نقش‌دهی و قالب خروجی

پرامپت شرطی به‌تنهایی قوی است، اما وقتی با دو تکنیک دیگر ترکیب شود حرفه‌ای می‌شود: نقش‌دهی و کنترل قالب خروجی. می‌توانی در ابتدای پرامپت به مدل یک نقش بدهی (مثلاً کارشناس پشتیبانی)، بعد قالب خروجی را ثابت کنی (مثلاً جدول یا فهرست)، و در ادامه بر اساس نوع ورودی مسیر را عوض کنی. این ترکیب باعث می‌شود خروجی هم لحن درستی داشته باشد، هم ساختار ماشین‌خوان، و هم پاسخ متناسب با شرایط.

نکته این است که ترتیب را رعایت کنی: اول نقش و قالب کلی را تعریف کن، بعد شرط‌ها را بیاور. این‌طوری شرط‌ها در چارچوب نقش و قالب اجرا می‌شوند، نه برعکس. اگر می‌خواهی بدانی این ابزارها از کجا آمده‌اند و چرا این‌قدر قدرتمند شده‌اند، مطلب اوپن‌ای‌آی چیست تصویر خوبی از پشت‌صحنه به تو می‌دهد.

مثال: «تو یک کارشناس منابع انسانی هستی. خروجی را همیشه در قالب سه خط بده: خلاصه، اقدام پیشنهادی، سطح فوریت. حالا رزومهٔ زیر را بررسی کن: اگر تجربهٔ مرتبط بالای سه سال داشت، سطح فوریت را «بالا» بگذار؛ اگر بین یک تا سه سال بود «متوسط»؛ در غیر این صورت «پایین». رزومه: [متن رزومه]»

گام هفتم — کاربرد واقعی: مسیریابی و طبقه‌بندی خودکار

یکی از قوی‌ترین کاربردهای پرامپت شرطی، ساختن یک «مسیریاب» است: پرامپتی که ابتدا نوع ورودی را تشخیص می‌دهد و بعد آن را به مسیر پردازش مناسب می‌فرستد. این دقیقاً همان کاری است که سیستم‌های پشتیبانی، خلاصه‌سازی خودکار و ابزارهای دسته‌بندی محتوا انجام می‌دهند. زیبایی کار این است که با یک پرامپت شرطیِ خوب می‌توانی نسخهٔ سادهٔ چنین سیستمی را بدون هیچ کدنویسی بسازی.

برای کارهای بزرگ‌تر، می‌توانی خروجی هر مسیر را ورودی یک پرامپت بعدی کنی و یک زنجیره بسازی؛ اما حتی همان مسیریاب تک‌مرحله‌ای هم در بسیاری از کارهای روزمره کافی است. اگر دنبال ایده‌های تازه برای خودکارسازی هستی، بخش اخبار هوش مصنوعی پر از نمونه‌های الهام‌بخش است.

مثال: «هر پیام ورودی را ابتدا در یک کلمه دسته‌بندی کن (فروش، پشتیبانی، شکایت، یا نامرتبط). سپس اگر دستهٔ «فروش» بود، اطلاعات تماس را استخراج کن؛ اگر «پشتیبانی» بود، مشکل را در یک جمله خلاصه کن؛ اگر «شکایت» بود، سطح نارضایتی را از ۱ تا ۵ بده؛ اگر «نامرتبط» بود، فقط بنویس نیازی به اقدام نیست. پیام: [متن پیام]»

گام هشتم — اشتباه‌های رایج و راه اصلاح آن‌ها

رایج‌ترین اشتباه، نوشتن شرط‌های مبهم است؛ مثل «اگر متن مهم بود». مدل نمی‌داند «مهم» یعنی چه، پس نتیجه تصادفی می‌شود. راه‌حل این است که شرط را قابل‌سنجش کنی: «اگر متن شامل کلمهٔ فوری یا مهلت زمانی بود». اشتباه دوم، شرط‌های هم‌پوشان است که باعث می‌شود مدل نداند کدام مسیر را انتخاب کند؛ همیشه مطمئن شو مرز شرط‌ها روشن است. اشتباه سوم هم فراموش‌کردن مسیر پیش‌فرض است که در گام پنجم دربارهٔ خطرش صحبت کردیم.

یک نکتهٔ ظریف دیگر: به دام «همه‌کاره‌سازی» نیفت. اگر یک پرامپت بیش از پنج یا شش شاخه پیدا کرد، احتمالاً بهتر است آن را به چند پرامپت کوچک‌تر بشکنی. سادگی، دوستِ قابلیت‌اعتماد است. این هشدار شبیه همان درسی است که در مقالهٔ توهم ساختن با هوش مصنوعی مطرح شده: ابزار قدرتمند است، اما طراحی درست و ساده کار خود توست.

مثال: «این پرامپت را بازبینی کن و اگر شرطی مبهم یا هم‌پوشان داشت، آن را به شرط‌های روشن و بدون تداخل بازنویسی کن؛ اگر مسیر پیش‌فرض نداشت، یک مسیر پیش‌فرض مناسب اضافه کن. پرامپت: [متن پرامپت]»

پرسش‌های پرتکرار

پرسش: پرامپت شرطی فقط برای کارهای فنی و برنامه‌نویسی است؟
خیر. هر کاری که ورودی‌های متنوع دارد از این تکنیک سود می‌برد؛ از پاسخ به پیام مشتری و دسته‌بندی ایمیل گرفته تا خلاصه‌سازی متن و حتی نوشتن محتوای متناسب با مخاطب. هر جا «بستگی دارد» گفتی، احتمالاً یک شرط در کار است.

پرسش: چند شرط در یک پرامپت مناسب است؟
معمولاً دو تا چهار شرط به‌علاوهٔ یک مسیر پیش‌فرض، نقطهٔ شیرین کار است. اگر شرط‌ها از پنج شش تا بیشتر شد، بهتر است پرامپت را به چند بخش کوچک‌تر بشکنی تا خوانا و قابل‌اعتماد بماند.

پرسش: آیا همهٔ مدل‌های هوش مصنوعی از منطق شرطی پشتیبانی می‌کنند؟
بله، مدل‌های زبانیِ امروزی مثل ChatGPT، Gemini و Claude همگی منطق «اگر… آنگاه…» را به‌خوبی می‌فهمند. تنها شرطش این است که شرط‌ها را روشن و قابل‌سنجش بنویسی.