پرامپت قیاسی؛ وقتی هوش مصنوعی خودش برای خودش مثال می‌سازد

تا اینجای سری آموزش پرامپت‌نویسی یاد گرفتیم که با گذاشتنِ چند نمونهٔ حل‌شده داخل پرامپت (روش مثال‌محور یا few-shot) جواب‌های دقیق‌تری از هوش مصنوعی می‌گیریم. اما یک مشکل بزرگ باقی می‌ماند: چه کنیم وقتی هیچ مثال خوبی در دست نداریم، یا ساختن مثالِ درست خودش سخت‌تر از حل مسئله است؟ اینجاست که یک تکنیک هوشمندانه به کمک می‌آید: پرامپت قیاسی.

پرامپت قیاسی (Analogical Prompting) کاری می‌کند که مدل، درست پیش از حل مسئلهٔ شما، خودش چند مسئلهٔ مشابهِ حل‌شده بسازد و بعد با الگو گرفتن از آن‌ها سراغ مسئلهٔ اصلی برود. یعنی به‌جای اینکه شما زحمت ساختن مثال را بکشید، این کار را به خودِ مدل می‌سپارید. در این آموزش، قدم‌به‌قدم یاد می‌گیرید این روش چطور کار می‌کند، ساختار آماده‌اش چیست و کجا واقعاً به دردتان می‌خورد.

پرامپت قیاسی چیست؟

ایدهٔ اصلی از رفتار خودِ ما انسان‌ها الهام گرفته شده است. وقتی با یک مسئلهٔ تازه روبه‌رو می‌شویم، ناخودآگاه از خودمان می‌پرسیم: «مسئلهٔ شبیه به این را قبلاً کجا دیده‌ام و چطور حلش کردم؟» مغز ما اول چند نمونهٔ آشنا را به یاد می‌آورد و بعد راه‌حل تازه را روی همان الگو می‌سازد.

پرامپت قیاسی دقیقاً همین مسیر را به هوش مصنوعی تحمیل می‌کند. شما در یک پرامپت از مدل می‌خواهید که در دو گام کار کند: نخست، چند مسئلهٔ مرتبط و حل‌شده را خودش تولید کند؛ سپس، با راهنمایی همان مثال‌های خودساخته، مسئلهٔ واقعی شما را پاسخ دهد. تفاوت ظریف اما مهم این است که مثال‌ها از بیرون داده نمی‌شوند؛ مدل آن‌ها را متناسب با همین مسئله می‌سازد.

چرا این روش جواب می‌دهد؟

سه دلیل ساده باعث می‌شود پرامپت قیاسی اغلب نتیجهٔ بهتری از یک پرسش خام بدهد:

• مثال‌ها دقیقاً به مسئلهٔ شما می‌خورند. در روش مثال‌محور، نمونه‌هایی که دستی انتخاب می‌کنید ممکن است کمی بی‌ربط باشند؛ اما مثالی که مدل برای همین مسئله می‌سازد، معمولاً نزدیک‌تر و مرتبط‌تر است.
• دانشِ خفته بیدار می‌شود. وقتی مدل مجبور می‌شود اول چند مسئلهٔ مشابه را حل کند، الگوها و روش‌های مرتبط در «ذهنش» فعال می‌شوند و همان‌ها به پاسخ نهایی جهت می‌دهند. این نکته شباهت زیادی به منطق پرامپت دانش‌سازی مقدماتی دارد.
• هزینهٔ آماده‌سازی صفر است. همهٔ مزیت روش مثال‌محور را می‌گیرید، بدون آنکه وقت بگذارید و خودتان نمونهٔ خوب پیدا کنید.

تفاوت پرامپت قیاسی با مثال‌محور و زنجیرهٔ تفکر

این سه تکنیک به هم نزدیک‌اند اما یکی نیستند. جدول زیر مرز آن‌ها را روشن می‌کند:

به بیان ساده: در روش مثال‌محور شما معلمی هستید که نمونه‌سؤال می‌دهید؛ در زنجیرهٔ تفکر فقط می‌گویید «قدم‌به‌قدم فکر کن»؛ اما در پرامپت قیاسی از مدل می‌خواهید اول برای خودش چند نمونه‌سؤالِ حل‌شده بسازد و بعد امتحان اصلی را بدهد.

ساختار یک پرامپت قیاسی

یک پرامپت قیاسیِ خوب سه بخش دارد: تعریف مسئله، دستور ساختن مثال‌های مشابه، و دستور حل نهایی بر پایهٔ همان مثال‌ها. این قالب آمادهٔ فارسی را می‌توانید مستقیم استفاده کنید:

مسئلهٔ من این است: [مسئلهٔ خودت را دقیق بنویس]

قبل از پاسخ به مسئلهٔ بالا، این دو گام را انجام بده:
گام یک: سه مسئلهٔ مشابه و متنوع را که با روش‌های مختلف حل می‌شوند، خودت طرح کن و هرکدام را کامل حل کن.
گام دو: توضیح بده هر مثال چه ربطی به مسئلهٔ اصلی دارد و چه درسی از آن می‌گیریم.

حالا با الگو گرفتن از آن سه مثال، مسئلهٔ اصلی مرا گام‌به‌گام حل کن و در پایان جمع‌بندی کوتاهی بده.

نکتهٔ کلیدی، عبارتِ «سه مسئلهٔ مشابه و متنوع» است؛ اگر روی تنوع تأکید نکنید، مدل معمولاً سه نمونهٔ تقریباً یکسان می‌سازد و مزیت روش از بین می‌رود.

مثال کاربردی: حل یک مسئلهٔ واقعی

فرض کنید صاحب یک کافه هستید و می‌خواهید قیمت یک نوشیدنی تازه را تعیین کنید. یک پرسش خام مثل «قیمت این نوشیدنی چند باشد؟» جوابی کلی می‌گیرد. اما با پرامپت قیاسی می‌نویسید:

مسئله: می‌خواهم برای یک لاتهٔ ویژه با شیر گیاهی قیمت‌گذاری کنم. بهای تمام‌شده ۴۵ هزار تومان است و می‌خواهم هم پرفروش باشد هم حاشیهٔ سود منطقی داشته باشم.

قبل از پاسخ، سه مسئلهٔ قیمت‌گذاریِ مشابه اما از حوزه‌های متفاوت (مثلاً یک محصول دیجیتال، یک خدمت آموزشی و یک کالای فیزیکی) طرح کن و هرکدام را با منطق روشن حل کن. بعد توضیح بده کدام اصل مشترک به کار مسئلهٔ من می‌آید و در نهایت یک بازهٔ قیمتی پیشنهاد بده.

خروجی این پرامپت، به‌جای یک عدد خشک، شامل چند الگوی قیمت‌گذاری (مثل قیمت‌گذاری بر پایهٔ ارزش، لنگر قیمتی و حاشیهٔ هدف) می‌شود که مدل خودش از دل مثال‌ها بیرون کشیده و سپس روی مسئلهٔ شما پیاده کرده است. همین روش برای مسائل ریاضی، طراحی کمپین، دیباگ کد و تصمیم‌های مدیریتی هم کار می‌کند.

نکته‌های حرفه‌ای برای نتیجهٔ بهتر

• روی تنوع مثال‌ها پافشاری کن. از مدل بخواه مثال‌ها از حوزه‌های مختلف باشند تا زاویه‌های تازه پیدا شوند، نه سه نسخهٔ تکراری از یک چیز.
• تعداد را مشخص کن. معمولاً سه تا پنج مثال بهترین توازن است؛ کمتر از آن ضعیف و بیشتر از آن باعث شلوغی و پرت‌شدن حواس مدل می‌شود.
• دلیل ربط را بخواه. وقتی مدل مجبور شود بگوید هر مثال چه ربطی به مسئله دارد، انتقالِ درس از مثال به پاسخ محکم‌تر می‌شود.
• با راستی‌آزمایی ترکیب کن. در پایان از مدل بخواه پاسخ نهایی را یک بار نقد کند؛ ترکیب این روش با تکنیک‌هایی مثل تجزیهٔ مسئله به زیرمسئله نتیجه را حرفه‌ای‌تر می‌کند.

خطاهای رایج و راه‌حل

• مثال‌های بی‌ربط یا سطحی. اگر مدل نمونه‌های بی‌کیفیت ساخت، صریح بگو مثال‌ها باید «چالشی و نزدیک به مسئلهٔ اصلی» باشند.
• اعتماد کامل به مثال‌های خودساخته. یادت باشد خودِ مثال‌ها هم ممکن است اشتباه باشند؛ برای مسائل حساس، درستیِ راه‌حل مثال‌ها را جداگانه چک کن.
• استفاده روی کار ساده. برای یک پرسش کوتاه و روشن، این روش فقط پاسخ را طولانی می‌کند؛ آن را برای مسائل واقعاً تازه و پیچیده نگه دار.

کجا از پرامپت قیاسی استفاده نکنیم؟

این تکنیک همه‌کاره نیست. برای پرسش‌های واقعیِ ساده (مثل «پایتخت ژاپن کجاست؟»)، برای کارهایی که نمونهٔ طلاییِ آماده دارید (همان‌جا روش مثال‌محور بهتر است) و برای مواقعی که سرعت پاسخ برایتان حیاتی است، سراغ روش‌های سبک‌تر بروید. پرامپت قیاسی وقتی می‌درخشد که با یک مسئلهٔ نو، مبهم یا چندلایه روبه‌رو باشید و هیچ نمونهٔ آماده‌ای در دست نداشته باشید.

پرسش‌های پرتکرار

پرامپت قیاسی با روش مثال‌محور چه فرقی دارد؟
در روش مثال‌محور شما مثال‌ها را از قبل می‌نویسید؛ در پرامپت قیاسی مدل خودش مثال‌های مرتبط را درست پیش از حل مسئله می‌سازد.

چند مثال از مدل بخواهم؟
معمولاً سه تا پنج مثالِ متنوع بهترین نتیجه را می‌دهد. اگر مسئله خیلی پیچیده است، می‌توانید تا پنج مثال بروید.

آیا این روش روی همهٔ مدل‌ها کار می‌کند؟
روی مدل‌های بزرگ و توانمند بهتر جواب می‌دهد، چون توانایی ساختن مثال‌های باکیفیت لازم است. روی مدل‌های کوچک ممکن است مثال‌ها ضعیف شوند.

می‌شود آن را با تکنیک‌های دیگر ترکیب کرد؟
بله. ترکیب با زنجیرهٔ تفکر و راستی‌آزمایی پایانی، معمولاً دقیق‌ترین نتیجه را می‌دهد.

جمع‌بندی

پرامپت قیاسی یک ارتقای هوشمندانه روی روش مثال‌محور است: به‌جای اینکه خودتان دنبال نمونهٔ خوب بگردید، از هوش مصنوعی می‌خواهید اول چند مسئلهٔ مشابهِ متنوع بسازد و حل کند، بعد با الگوی همان‌ها سراغ مسئلهٔ واقعی شما بیاید. این روش مخصوصِ مسائل تازه و پیچیده‌ای است که نمونهٔ آماده‌ای برایشان ندارید. کافی است روی «تنوع مثال‌ها» و «توضیح ربط هر مثال» پافشاری کنید تا نتیجه چند پله بهتر شود.

این آموزش بخشی از مجموعهٔ کامل پرامپت‌نویسی مستر چت جی پی تی است. برای دیدن ترتیب درست همهٔ درس‌ها و سری‌های آموزشی، به راهنمای جامع پرامپت‌نویسی سر بزنید و قدم‌به‌قدم پیش بروید.