پرامپت لنگر گفتگو؛ گفت‌وگوهای طولانی با هوش مصنوعی را از انحراف نجات بده

تصور کن یک گفت‌وگوی طولانی با ChatGPT یا Claude شروع کرده‌ای؛ داری با کمکِ آن یک دوره‌ی آموزشی طراحی می‌کنی یا یک محصول را برنامه‌ریزی می‌کنی. ده پیامِ اول عالی است: مدل همه‌چیز را به‌خاطر دارد، منظورت را می‌گیرد و دقیق جواب می‌دهد. اما بعد از سی‌چهل پیام یک اتفاقِ آشنا می‌افتد؛ مدل تصمیمی را که دو صفحه بالاتر گرفته بودید فراموش می‌کند، با حرفِ قبلی‌اش تناقض پیدا می‌کند، یا دوباره سؤالی می‌پرسد که خیلی وقت پیش جوابش را داده بودی. گفت‌وگو کم‌کم منحرف می‌شود و تو مدام مجبوری عقب‌تر را یادآوری کنی.

راهِ درست این نیست که امیدوار باشی مدل همه‌چیز را به‌خاطر بسپارد، بلکه این است که خودت یک «لنگر» برایش بسازی. تکنیکی که امروز یاد می‌گیری «لنگرِ گفتگو» نام دارد؛ یک بلوکِ کوتاه و ساخت‌یافته از وضعیتِ گفت‌وگو که آن را نگه می‌داری و هر چند نوبت دوباره جلوی مدل می‌گذاری تا مسیر گم نشود. این درس اولین قسمت از سری تازه‌ای درباره‌ی مدیریتِ گفت‌وگوهای طولانی با هوش مصنوعی است.

چرا گفت‌وگوهای طولانی با هوش مصنوعی منحرف می‌شوند؟

هر مدلِ زبانی یک «پنجره‌ی زمینه» دارد؛ یعنی مقدارِ محدودی از متن که می‌تواند هم‌زمان در نظر بگیرد. وقتی گفت‌وگو کوتاه است، کلِ آن راحت در این پنجره جا می‌شود. اما هرچه پیش‌تر می‌روی، متنِ قدیمی یا از پنجره بیرون می‌افتد یا آن‌قدر پایین دفن می‌شود که وزنِ کمتری می‌گیرد. مدل همیشه به چند پیامِ آخر بیشتر توجه می‌کند تا به تصمیمی که در پیامِ پنجم گرفته بودید.

به این پدیده مشکلِ «گم‌شدن در میانه» هم می‌گویند: اطلاعاتی که وسطِ یک متنِ طولانی قرار دارند، بیشتر از همه نادیده گرفته می‌شوند. برای همین است که مدل تصمیم‌های اول و وسطِ گفت‌وگو را از یاد می‌برد اما حرفِ همین الان را خوب می‌فهمد. نتیجه این می‌شود که در پروژه‌های بلند، کیفیتِ جواب‌ها به‌مرور افت می‌کند، نه چون مدل ضعیف شده، بلکه چون دیگر تصویرِ کاملی از کلِ کار جلوی چشمش نیست.

راه‌حلِ رایج این است که مدام متن‌های قدیمی را کپی کنی و دوباره بچسبانی؛ اما این کار هم خسته‌کننده است و هم پنجره را با انبوهی از حرف‌های تکراری پُر می‌کند. لنگرِ گفتگو دقیقاً همین مشکل را حل می‌کند: به‌جای بازپخشِ کلِ گفت‌وگو، فقط عصاره‌ی ساخت‌یافته‌ی آن را نگه می‌داری.

لنگرِ گفتگو چیست و چه فرقی با حافظهٔ خودکار دارد؟

لنگرِ گفتگو یک بلوکِ فشرده و منظم است که مهم‌ترین چیزهای گفت‌وگو را در چند خط نگه می‌دارد: هدفِ نهایی، تصمیم‌هایی که قطعی شده‌اند، محدودیت‌ها، واژه‌هایی که معنیِ خاص دارند، موارده‌ای که هنوز باز است، و گامِ بعدی. این بلوک را تو کنترل می‌کنی؛ هر وقت گفت‌وگو درازتر شد یا حس کردی مدل دارد منحرف می‌شود، همین بلوک را دوباره جلویش می‌گذاری تا در یک چشم‌به‌هم‌زدن کلِ تصویر را پس بگیرد.

شاید بپرسی این با همان «حافظه»‌ای که ChatGPT و بعضی ابزارهای دیگر دارند چه فرقی می‌کند؟ تفاوت در کنترل و دقت است. حافظه‌ی خودکار خودش تصمیم می‌گیرد چه چیزی را نگه دارد و معمولاً برای واقعیت‌های کلیِ بلندمدت خوب است، نه برای وضعیتِ یک پروژه‌ی مشخص. لنگرِ گفتگو برعکس، دقیقاً همان چیزی را نگه می‌دارد که تو انتخاب کرده‌ای، در گفت‌وگوهای تازه و حتی روی مدل‌های دیگر هم قابلِ استفاده است، و هر لحظه می‌توانی ببینی و ویرایشش کنی. این دو با هم تناقض ندارند؛ بهترین کار این است که هر دو را کنار هم به کار ببری.

قالبِ آمادهٔ «بلوکِ وضعیت»

این قالب را کپی کن، فیلدها را با پروژه‌ی خودت پُر کن، و از همان ابتدای گفت‌وگو جلوی مدل بگذار:

بلوکِ وضعیتِ گفتگو — نسخه ۱

هدفِ نهایی: [در یک جمله بنویس از این گفت‌وگو می‌خواهی به چه برسی]
تصمیم‌های قطعی: [هر چیزی که قبلاً توافق شده و دیگر عوض نمی‌شود]
محدودیت‌ها: [بودجه، زمان، لحن، و کارهایی که نباید انجام شود]
واژه‌نامه: [کلمه‌ها و نام‌هایی که معنیِ خاص دارند تا مدل اشتباه نگیرد]
مواردِ باز: [پرسش‌ها و تصمیم‌هایی که هنوز حل نشده‌اند]
گامِ بعدی: [دقیقاً همین حالا می‌خواهی مدل چه کار کند]
قالبِ خروجی: [طول، زبان و ساختارِ جوابی که می‌خواهی]

قاعده: تا وقتی نگفته‌ام، هیچ‌کدام از «تصمیم‌های قطعی» را عوض نکن.

نکته‌ی مهم این است که لازم نیست خودت این بلوک را دستی به‌روز نگه داری؛ می‌توانی همین کار را به مدل بسپاری. هر چند نوبت یک‌بار این پرامپتِ کوتاه را بفرست تا نسخه‌ی تازه‌ی لنگر را برایت بسازد:

تا اینجای گفت‌وگو را در قالبِ «بلوکِ وضعیت» زیر خلاصه کن و فقط همین بلوک را برگردان، بدونِ هیچ توضیحِ اضافه:
هدفِ نهایی / تصمیم‌های قطعی / محدودیت‌ها / واژه‌نامه / مواردِ باز / گامِ بعدی / قالبِ خروجی.
هر جا اطلاعاتِ کافی نیست، همان خط را خالی بگذار و با علامتِ (؟) مشخص کن.

حالا یک لنگرِ تمیز و به‌روز داری که می‌توانی نگهش داری و هر وقت لازم شد دوباره بازپخشش کنی. این همان جایی است که این تکنیک با مهندسیِ کانتکست دست می‌دهد: تو آگاهانه انتخاب می‌کنی چه چیزی جلوی چشمِ مدل بماند و چه چیزی حذف شود.

چطور لنگر را در یک گفت‌وگوی طولانی به کار ببری؟

کارِ با لنگر سه حرکتِ ساده دارد. حرکتِ اول، شروع است: در همان پیامِ اول، بلوکِ وضعیت را پُر کن و بفرست تا مدل از ابتدا بداند کجای کار ایستاده‌اید. حرکتِ دوم، به‌روزرسانی است: هر ده پانزده نوبت یک‌بار، یا هر وقت دیدی مدل دارد منحرف می‌شود، از او بخواه لنگر را دوباره بسازد و نسخه‌ی تازه را جایی نگه دار. حرکتِ سوم، بازنشانی است: اگر گفت‌وگو خیلی شلوغ شد یا خواستی مدل را عوض کنی، یک گفت‌وگوی تازه باز کن و فقط آخرین لنگر را بچسبان؛ در یک پیام کلِ زمینه برمی‌گردد، بدونِ آن‌که مجبور باشی ده‌ها پیامِ قدیمی را کپی کنی.

همین حرکتِ سوم یکی از قدرتمندترین کاربردهای لنگر است. وقتی یک گفت‌وگو سنگین و کُند می‌شود، به‌جای ادامه‌دادنِ همان نخِ آشفته، با یک لنگرِ تمیز از نو شروع می‌کنی و کیفیت و سرعت را پس می‌گیری. این کار شبیهِ نگه‌داشتنِ یک نقطه‌ی ذخیره در بازی است که هر وقت لازم شد از همان‌جا ادامه می‌دهی.

یک مثالِ واقعی؛ از برنامهٔ یک دورهٔ آموزشی

فرض کن داری با کمکِ هوش مصنوعی یک دوره‌ی شش‌هفته‌ایِ پرامپت‌نویسی طراحی می‌کنی. بعد از بیست پیام، مدل یادش می‌رود که قرار بود هر هفته فقط یک تکنیک پوشش داده شود و شروع می‌کند هر جلسه را با سه تکنیک شلوغ‌کردن. به‌جای بحثِ دوباره، یک لنگرِ کوتاه جلویش می‌گذاری:

بلوکِ وضعیتِ گفتگو — نسخه ۳

هدفِ نهایی: طراحیِ یک دوره‌ی شش‌هفته‌ایِ پرامپت‌نویسی برای مبتدی‌ها.
تصمیم‌های قطعی: هر هفته فقط یک تکنیک؛ هر جلسه یک تمرینِ عملی دارد؛ زبان ساده و فارسی.
محدودیت‌ها: هر جلسه حداکثر ۲۰ دقیقه؛ بدونِ اصطلاحِ فنیِ توضیح‌داده‌نشده.
واژه‌نامه: «جلسه» یعنی یک درسِ کوتاه، نه یک کلاسِ حضوری.
مواردِ باز: عنوانِ دقیقِ هفته‌ی پنجم و ششم هنوز قطعی نشده.
گامِ بعدی: فهرستِ تکنیکِ هر هفته را در یک جدولِ شش‌ردیفه بده.
قالبِ خروجی: فارسی، کوتاه، با یک جدول.

همین چند خط کافی است تا مدل دوباره روی ریل بیفتد. حالا دیگر لازم نیست کلِ بحثِ بیست‌پیامی را تکرار کنی؛ لنگر همه‌ی تصمیم‌های مهم را در یک نگاه به او برمی‌گرداند. اگر هفته‌ی پنجم را نهایی کردید، فقط خطِ «مواردِ باز» را به‌روز می‌کنی و لنگر همیشه تصویرِ تازه‌ای از پروژه نگه می‌دارد.

لنگرِ گفتگو در کنارِ دیگر تکنیک‌ها

لنگر به‌تنهایی قوی است، اما وقتی با چند تکنیکِ دیگر ترکیب شود، گفت‌وگوهای طولانی‌ات واقعاً حرفه‌ای می‌شوند. اگر پروژه مرحله‌به‌مرحله پیش می‌رود، لنگر را با پرامپت‌نویسیِ چندنوبتی ترکیب کن تا هر نوبت یک گامِ مشخص جلو بروی و لنگر وضعیت را میانشان نگه دارد. اگر می‌خواهی مدل قبل از هر گامِ بزرگ کمی بیشتر فکر کند، از پرامپت دفترچهٔ فکر استفاده کن و خروجیِ نهایی را در لنگر خلاصه کن. و اگر نگرانِ جوابِ بی‌پشتوانه هستی، همان قاعده‌های مهار توهم هوش مصنوعی را داخلِ خطِ «محدودیت‌ها» بگذار تا مدل هیچ‌وقت آن‌ها را فراموش نکند.

اشتباه‌های رایج در ساختنِ لنگر و راهِ رفعشان

شایع‌ترین اشتباه این است که لنگر را بیش از حد بلند کنی؛ اگر بلوکِ وضعیت خودش به یک متنِ طولانی تبدیل شود، همان مشکلِ گم‌شدن در میانه را دوباره می‌سازی. لنگر باید فشرده بماند و فقط چکیده‌ی تصمیم‌ها را نگه دارد، نه کلِ گفت‌وگو را. اشتباهِ دوم این است که لنگر را به‌روز نکنی؛ یک بلوکِ کهنه که تصمیم‌های جدید را نشان نمی‌دهد، مدل را به مسیرِ اشتباه می‌برد، پس بعد از هر تصمیمِ مهم خطِ مربوطه را تازه کن.

اشتباهِ سوم این است که داده‌های خام و جزئیات را داخلِ لنگر بریزی؛ لنگر جای تصمیم‌ها و قاعده‌هاست، نه جای کلِ اسناد. داده‌ی بلند را جداگانه بده و فقط نتیجه‌اش را در لنگر بنویس. و اشتباهِ چهارم این است که فراموش کنی تصمیم‌های قطعی را «قفل» کنی؛ اگر صریح نگویی چه چیزهایی نباید عوض شوند، مدل ممکن است در بازسازیِ لنگر آن‌ها را تغییر دهد، پس همیشه قاعده‌ی «این‌ها را بدونِ اجازه عوض نکن» را نگه دار.

پرسش‌های پرتکرار

هر چند نوبت باید لنگر را بازپخش کنم؟
قاعده‌ی ثابتی نیست، اما یک معیارِ خوب این است که هر ده تا پانزده نوبت یک‌بار، یا هر وقت دیدی مدل تصمیمی را فراموش کرده یا با حرفِ قبلی‌اش تناقض پیدا کرده، لنگر را به‌روز و بازپخش کنی. در پروژه‌های حساس‌تر زودتر و در گفت‌وگوهای ساده دیرتر.

فرقِ لنگر با حافظهٔ ChatGPT چیست؟
حافظه‌ی خودکار برای واقعیت‌های کلیِ بلندمدتِ توست و خودش تصمیم می‌گیرد چه نگه دارد. لنگر را تو می‌سازی و کنترل می‌کنی، مخصوصِ وضعیتِ یک پروژه‌ی مشخص است، و در هر گفت‌وگو و حتی روی مدل‌های دیگر هم قابلِ استفاده است. بهترین کار استفاده از هر دو با هم است.

روی چه مدل‌هایی کار می‌کند؟
روی همه‌ی مدل‌های اصلی مثلِ ChatGPT، Claude و Gemini خوب کار می‌کند، چون یک بلوکِ کوتاه و منظم را هر مدلی به‌راحتی می‌فهمد. در واقع یکی از مزیت‌های بزرگِ لنگر همین است که به یک مدلِ خاص وابسته نیست و می‌توانی با آن بینِ مدل‌ها جابه‌جا شوی.

لنگر باید چقدر بلند باشد؟
هرچه کوتاه‌تر، بهتر؛ تا جایی که همه‌ی تصمیم‌ها و محدودیت‌های مهم در آن باشد. یک لنگرِ خوب معمولاً در حدِ چند خط تا نصفِ صفحه است. اگر از این بلندتر شد، یعنی داری جزئیاتِ اضافه را داخلش می‌ریزی و باید دوباره فشرده‌اش کنی.

حالا نوبتِ توست. دو تمرینِ زیر کمک می‌کنند مطمئن شوی تکنیک را واقعاً گرفته‌ای، نه فقط خوانده‌ای.

جمع‌بندی

لنگرِ گفتگو یک تغییرِ کوچک اما تعیین‌کننده در طرزِ کار با هوش مصنوعی است: به‌جای این‌که امیدوار باشی مدل همه‌چیز را به‌خاطر بسپارد، خودت یک بلوکِ کوتاه و ساخت‌یافته از وضعیتِ گفت‌وگو می‌سازی، آن را نگه می‌داری، و هر وقت لازم شد دوباره جلوی مدل می‌گذاری. نتیجه این است که گفت‌وگوهای طولانی دیگر منحرف نمی‌شوند، تصمیم‌های مهم گم نمی‌شوند، و هر وقت خواستی می‌توانی کار را روی یک مدلِ تازه یا یک گفت‌وگوی تمیز ادامه بدهی.

این درس اولین قسمت از یک سری تازه درباره‌ی مدیریتِ گفت‌وگوهای طولانی با هوش مصنوعی است. برای دیدنِ نقشه‌ی کاملِ سری‌ها و ادامه‌ی مسیرِ یادگیریِ پرامپت‌نویسی، به راهنمای جامع پرامپت‌نویسی سر بزن. و اگر می‌خواهی ببینی چطور با هدایتِ گام‌به‌گامِ گفت‌وگو جوابِ بهتری بگیری، سراغِ درسِ پرامپت‌نویسیِ چندنوبتی برو.