پرامپت قیاسی؛ کاری کن هوش مصنوعی اول خودش مثال بسازد بعد جواب بدهد

چکیده. پرامپت قیاسی (Analogical Prompting) یعنی از مدل بخواهی پیش از حلِ مسئله، چند مثالِ مشابه را خودش تولید و حل کند تا با الگوگرفتن از آن‌ها به پاسخِ دقیق‌تری برسد. برخلاف few-shot که در آن تو مثال می‌دهی، اینجا مثال‌سازی بر عهدهٔ مدل است؛ پس هم زحمتِ تو کم می‌شود و هم مثال‌ها دقیقاً هم‌جنسِ مسئله‌اند. در ادامه، قالبِ آماده، چهار نسخهٔ کاربردی و خطاهای رایج را می‌بینی.

گام یکم — پرامپت قیاسی چیست و چه فرقی با few-shot دارد؟

در روش few-shot، تو چند نمونهٔ ورودی و خروجی را داخل پرامپت می‌گذاری تا مدل الگو را یاد بگیرد. مشکل اینجاست که پیداکردن و نوشتنِ مثال‌های خوب وقت‌گیر است و گاهی اصلاً نمونهٔ مناسبی در دست نداری. پرامپت قیاسی این بار را از دوشِ تو برمی‌دارد: تو فقط مسئله را می‌گویی و از مدل می‌خواهی خودش چند مسئلهٔ مشابه را بسازد، حل کند و بعد با تکیه بر آن‌ها جواب اصلی را بدهد.

به‌زبان ساده، few-shot یعنی «من به تو مثال می‌دهم»، و پرامپت قیاسی یعنی «تو برای خودت مثال بساز». چون مدل مثال‌ها را متناسب با همان مسئله می‌سازد، معمولاً نتیجه از هر دو حالتِ زنجیرهٔ تفکرِ ساده و few-shotِ دستی بهتر درمی‌آید. اگر با مبانی پرامپت‌نویسی تازه‌کار هستی، پیشنهاد می‌کنیم اول راهنمای پرامپت‌نویسی برای مبتدی‌ها را بخوانی تا این آموزش راحت‌تر جا بیفتد.

نکتهٔ ظریف اینجاست که پرامپت قیاسی را نباید با «دانش‌سازی مقدماتی» اشتباه گرفت. در دانش‌سازی، مدل اول چند «واقعیت و مفهوم» تولید می‌کند و بعد جواب می‌دهد؛ اما در پرامپت قیاسی، مدل چند «مسئلهٔ حل‌شدهٔ مشابه» می‌سازد و از روی الگوی حلِ آن‌ها به جواب می‌رسد. تفاوت ظریف است اما مهم: یکی روی دانش تکیه می‌کند و دیگری روی مسیرِ حل. در بسیاری از مسائل، ترکیبِ این دو بهترین نتیجه را می‌دهد.

مثال: «می‌خواهم این مسئله را حل کنی. اما قبل از آن، دو مسئلهٔ مشابه را که خودت بلدی بنویس و حل کن، بعد با همان روش سراغ مسئلهٔ من بیا. مسئلهٔ من: یک باغدار ۳۲۰ درخت دارد و می‌خواهد آن‌ها را در ردیف‌های مساوی بکارد به‌طوری‌که تعداد ردیف‌ها از تعداد درخت‌های هر ردیف بیشتر باشد؛ چند حالت ممکن است؟»

گام دوم — چرا خودمثال‌سازی جواب را دقیق‌تر می‌کند؟

وقتی مدل مجبور می‌شود اول چند نمونهٔ مشابه بسازد، در واقع «مسیرِ حل» را برای خودش گرم می‌کند. این کار حافظهٔ کاریِ پرامپت را با الگوهای درست پر می‌کند و احتمال پرش به جوابِ عجولانه را کم می‌کند. نتیجه شبیه این است که یک دانش‌آموز پیش از امتحان، چند سؤالِ مشابه را تمرین کند و بعد سراغ سؤال اصلی برود.

مزیت دیگر این است که مثال‌ها «اختصاصی» هستند؛ یعنی دقیقاً به سطح و جنسِ مسئلهٔ تو می‌خورند، نه مثال‌های عمومی و بی‌ربط. برای درک بهتر اینکه هوش مصنوعی واقعاً چه کارهایی از پسش برمی‌آید و کجا محدود است، خواندن توان و محدودیت‌های واقعی هوش مصنوعی کمک می‌کند انتظارت واقع‌بینانه بماند.

مثال: «قبل از پاسخ، سه نمونهٔ مشابهِ متنوع (نه تکراری) بساز و هرکدام را کوتاه حل کن، سپس بگو از این سه نمونه چه اصلی مشترک است و در آخر با همان اصل به مسئلهٔ من جواب بده.»

گام سوم — ساختار پایهٔ یک پرامپت قیاسی (قالب آماده)

یک پرامپت قیاسیِ خوب سه بخش دارد: درخواستِ ساختِ مثال، درخواستِ حلِ مثال‌ها، و درخواستِ حلِ مسئلهٔ اصلی با الگوگرفتن. اگر این سه را شفاف بنویسی، خروجی تمیزتر و قابل‌اعتمادتر می‌شود.

مثال: «[نقش] تو یک حل‌کنندهٔ مسئلهٔ دقیق هستی. [مرحلهٔ ۱] ابتدا سه مسئلهٔ مرتبط و مشابه با مسئلهٔ من را خودت بنویس. [مرحلهٔ ۲] هر مسئله را گام‌به‌گام حل کن و راه‌حل را کوتاه توضیح بده. [مرحلهٔ ۳] حالا با الگوگرفتن از آن‌ها مسئلهٔ اصلی را حل کن و فقط جوابِ نهایی را در یک بند جدا بنویس. مسئلهٔ اصلی: …»

اگر می‌خواهی خروجی همیشه در قالبِ مشخص (مثلاً جدول یا فهرست) بیاید، این آموزش را با کنترلِ قالبِ خروجی ترکیب کن؛ نمونه‌های بیشتری از پرامپت‌نویسیِ کاربردی را هم در آموزش‌های چت‌جی‌پی‌تی پیدا می‌کنی.

توصیه می‌کنیم مرحلهٔ ساختِ مثال و مرحلهٔ جوابِ نهایی را با یک جداکننده از هم جدا کنی؛ مثلاً از مدل بخواه بخشِ مثال‌ها را زیر عنوانِ «تمرینِ ذهنی» و جوابِ اصلی را زیر عنوانِ «پاسخِ نهایی» بیاورد. این کارِ کوچک باعث می‌شود هم خودت راحت‌تر جواب را پیدا کنی و هم اگر خواستی فقط جوابِ نهایی را کپی کنی، درگیرِ مثال‌ها نشوی. برای کارهای تکراری هم می‌توانی همین قالب را یک‌بار بنویسی و بارها با تغییرِ مسئلهٔ اصلی از آن استفاده کنی.

گام چهارم — نسخهٔ ریاضی و منطقی

پرامپت قیاسی در مسائل ریاضی، منطقی و معمایی بیشترین درخشش را دارد، چون این مسائل «مسیرِ حل» دارند و مدل با تمرینِ نمونه‌های مشابه، مسیر را بهتر پیدا می‌کند. کلید کار این است که صراحتاً بخواهی نمونه‌ها هم حل شوند، نه فقط مطرح.

مثال: «سه مسئلهٔ ترکیبیاتِ مشابهِ زیر را که خودت طراحی می‌کنی، کامل و مرحله‌به‌مرحله حل کن، بعد با همان روش این را جواب بده: به چند طریق می‌توان ۷ کتابِ متفاوت را بین ۳ نفر تقسیم کرد به‌طوری‌که هر نفر دست‌کم یک کتاب بگیرد؟»

گام پنجم — نسخهٔ برنامه‌نویسی

در کدنویسی، پرامپت قیاسی کمک می‌کند مدل پیش از نوشتنِ راه‌حلِ تو، الگوهای درست را از مسائلِ مشابه بازیابی کند و از دام‌های رایج دور بماند. این روش مخصوصاً وقتی مفید است که مسئله‌ات یک نمونهٔ خیلی نزدیک در دنیای واقعی دارد.

مثال: «می‌خواهم یک تابع پایتون برای اعتبارسنجی کد ملی ایران بنویسم. اول دو مسئلهٔ برنامه‌نویسیِ مشابه — مثل اعتبارسنجی شماره‌کارت بانکی با الگوریتم لان — را با راه‌حل کوتاه بازسازی کن و بگو منطقشان چیست، سپس با همان الگو تابع اصلی را با توضیحِ خط‌به‌خط بنویس و دو نمونه تست هم اضافه کن.»

اگر به این فکر می‌کنی که هوش مصنوعی می‌تواند جای مهندس را بگیرد یا نه، خواندن توهمِ توسعه‌دهندهٔ تنها در برابر مهندس واقعی دیدت را کامل‌تر می‌کند.

گام ششم — نسخهٔ نوشتن و کسب‌وکار

برای نوشتن ایمیل، معرفی محصول یا متنِ بازاریابی هم می‌توانی از قیاس استفاده کنی؛ فقط به‌جای «حلِ مسئله»، از مدل بخواه چند نمونهٔ موفقِ مشابه را بازسازی کند و اصولِ موفقیتشان را دربیاورد، بعد متن تو را با همان اصول بنویسد.

مثال: «می‌خواهم یک ایمیل عذرخواهی به مشتری بابتِ تأخیر در ارسال سفارش بنویسم. اول دو نمونهٔ حرفه‌ای از ایمیل‌های عذرخواهیِ موفق را بازسازی کن و در یک خط بگو هرکدام چرا خوب است، سپس با ترکیبِ همان اصول، ایمیل من را با لحنِ صمیمی اما رسمی بنویس.»

اگر می‌خواهی بدانی چرا این مهارت‌ها برای کسب‌وکار امروز حیاتی شده‌اند، اهمیت هوش مصنوعی در کسب‌وکار را از دست نده.

گام هفتم — نسخهٔ دانش‌محور: اول درس، بعد پاسخ

گاهی مسئله‌ات بیشتر «دانشی» است تا «حلِ گام‌به‌گام». در این حالت می‌توانی از نسخهٔ دانش‌محورِ قیاس استفاده کنی: از مدل بخواه اول اصول و مفاهیم کلیدیِ مرتبط را مثل یک درسِ کوتاه مرور کند، بعد بر پایهٔ همان به پرسش جواب بدهد. این کار جلوی جواب‌های سطحی را می‌گیرد.

مثال: «قبل از پاسخ به سؤالم، در چهار خط اصولِ کلیدیِ قیمت‌گذاریِ محصول را مرور کن، سپس با تکیه بر همان اصول بگو برای یک اپلیکیشنِ نوپا کدام مدل قیمت‌گذاری منطقی‌تر است و چرا.»

برای اینکه بدانی این مدل‌ها اصلاً چطور ساخته شده‌اند و پشت‌صحنه‌شان چیست، مروری بر اوپن‌ای‌آی چیست و تازه‌ترین اخبار هوش مصنوعی خالی از لطف نیست.

گام هشتم — خطاهای رایج و چطور از آن‌ها دوری کنیم

سه خطای پرتکرار در پرامپت قیاسی: اول، خواستنِ مثال بدونِ خواستنِ حلِ آن‌ها (مدل فقط چند نمونه ردیف می‌کند و چیزی یاد نمی‌گیرد). دوم، تعدادِ زیادِ مثال که پاسخ را طولانی و پراکنده می‌کند؛ سه تا پنج نمونه معمولاً بهترین تعادل است. سوم، مبهم‌بودنِ مسئلهٔ اصلی؛ اگر مسئله را دقیق نگویی، مثال‌های مدل هم بی‌ربط می‌شوند.

مثال: «سه نمونهٔ مشابهِ متنوع بساز و هر سه را حل کن (نه فقط فهرست کن)، از تکرارِ نمونه‌ها پرهیز کن، و در پایان جوابِ نهایی را جدا از مثال‌ها و در یک بندِ کوتاه بنویس.»

اگر می‌خواهی ببینی این روش چطور در کنار سایر تکنیک‌های مثال‌محور قرار می‌گیرد، بقیهٔ قسمت‌های آموزش را در مجموعهٔ کامل آموزش پرامپت‌نویسی دنبال کن.

پرسش‌های پرتکرار

پرامپت قیاسی با few-shot چه فرقی دارد؟ در few-shot مثال‌ها را تو داخل پرامپت می‌گذاری، اما در پرامپت قیاسی خودِ مدل پیش از حل، مثال‌های مشابه را می‌سازد و حل می‌کند؛ پس نیازی به آماده‌کردنِ نمونه نداری.

چند مثال بخواهم؟ معمولاً سه تا پنج نمونه بهترین نتیجه را می‌دهد؛ کمتر از آن اثرش ضعیف و بیشتر از آن پاسخ را شلوغ می‌کند.

این روش برای چه کارهایی بهترین است؟ برای مسائل ریاضی، منطقی، کدنویسی و هر کاری که «مسیرِ حل» دارد؛ برای کارهای نوشتاری هم با بازسازیِ نمونه‌های موفق خوب جواب می‌دهد.

نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید