پرامپت دسته‌ای؛ چطور چند کار را با یک پرامپت به هوش مصنوعی بسپاریم

تصور کن باید برای بیست محصول کپشن بنویسی یا صد نظر مشتری را دسته‌بندی کنی. اگر برای هرکدام یک پرامپت جدا بفرستی، هم زمان زیادی می‌سوزانی و هم توکن و هزینه را هدر می‌دهی. پرامپت دسته‌ای دقیقاً برای همین ساخته شده است: چند کار هم‌جنس را یکجا به هوش مصنوعی می‌سپاری و یک خروجی مرتب و ردیف‌شده می‌گیری.

گام اول: پرامپت دسته‌ای چیست و چه وقت به کار می‌آید؟

پرامپت دسته‌ای یعنی یک دستور را یک‌بار می‌نویسی، اما آن را روی فهرستی از ورودی‌ها اجرا می‌کنی؛ همه در یک پیام. مدل به‌جای این‌که بیست گفت‌وگوی جدا داشته باشد، یک‌بار دستور را می‌خواند و بیست خروجی هم‌شکل تحویل می‌دهد. سه سود مهم دارد: سرعت (یک رفت‌وبرگشت به‌جای بیست تا)، هزینهٔ کمتر (دستور فقط یک‌بار در توکن‌ها تکرار می‌شود) و یکدستی (همهٔ موارد با یک لحن و یک معیار پردازش می‌شوند).

بهترین کاربردها کارهای تکراری و هم‌جنس‌اند: ترجمهٔ یک فهرست جمله، نوشتن چند کپشن، دسته‌بندی نظرها، استخراج فیلد از چند ایمیل، خلاصه‌کردن چند پاراگراف یا تولید چند عنوان. اگر تازه با مفهوم پرامپت آشنا می‌شوی، پیشنهاد می‌کنم اول راهنمای ساده پرامپت‌نویسی و مجموعهٔ آموزش‌های چت‌جی‌پی‌تی را ببینی تا پایه‌ات محکم شود.

مثال: «شش عنوان زیر را برای بلاگ به لحن جذاب‌تر بازنویسی کن. هر عنوان را جدا و با همان شماره برگردان: ۱) روش‌های کاهش هزینه ۲) معرفی محصول جدید ۳) نکات امنیت حساب ۴) راهنمای شروع کار ۵) پرسش‌های رایج ۶) داستان موفقیت مشتری.»

گام دوم: سه ستون یک پرامپت دسته‌ای خوب

هر پرامپت دسته‌ای موفق روی سه ستون می‌ایستد. ستون نخست، یک دستور روشن که فقط یک‌بار و شفاف گفته می‌شود؛ مدل باید بداند دقیقاً روی هر مورد چه کاری انجام دهد. ستون دوم، ورودی‌های شماره‌دار که از هم جدا و قابل‌تشخیص‌اند. ستون سوم، قالب خروجی ثابت که ترتیب ورودی را حفظ می‌کند تا بتوانی هر پاسخ را به ورودی‌اش وصل کنی.

وقتی این سه ستون کنار هم باشند، خروجی از یک متن درهم به یک جدول یا فهرست تمیز تبدیل می‌شود. نبود هر ستون یک نشتی می‌سازد: بدون دستور روشن، هر مورد سلیقه‌ای پردازش می‌شود؛ بدون شماره، نگاشت مورد-به-مورد از دست می‌رود؛ بدون قالب، خروجی هر بار شکل دیگری می‌گیرد.

مثال: «این پنج جملهٔ فارسی را به انگلیسی ترجمه کن (دستور). خروجی را دقیقاً با همین شماره‌ها و ترتیب بده و چیزی اضافه نکن (قالب): ۱) سلام، خوش آمدید ۲) سفارش شما ثبت شد ۳) لطفاً منتظر بمانید ۴) پرداخت ناموفق بود ۵) با تشکر از خرید شما.»

گام سوم: ورودی‌ها را شماره‌دار و مرزبندی کن

مهم‌ترین کاری که پرامپت دسته‌ای را از یک متن آشفته نجات می‌دهد، مرزبندی روشن بین ورودی‌هاست. هر مورد را با یک شماره شروع کن و اگر ورودی‌ها خودشان چندخطی‌اند، بین‌شان یک جداکنندهٔ واضح مثل خط تیرهٔ سه‌تایی بگذار. این کار به مدل می‌گوید کجا یک مورد تمام می‌شود و مورد بعدی شروع می‌شود، و از قاطی‌شدن محتوا جلوگیری می‌کند.

شماره‌گذاری فقط برای زیبایی نیست؛ کلید نگاشت خروجی به ورودی است. وقتی از مدل می‌خواهی خروجی را با همان شماره‌ها برگرداند، بررسی نتیجه به یک نگاه ساده تبدیل می‌شود. برای مرزبندی محکم‌تر می‌توانی از برچسب‌ها و تگ‌ها هم کمک بگیری؛ همان منطقی که پشت استفاده از قالب‌های ساختاریافته است.

مثال: «چهار ایمیل زیر با علامت — از هم جدا شده‌اند. از هرکدام نام فرستنده و درخواست اصلی را استخراج کن و با همان شماره برگردان. ۱) — سلام، لطفاً فاکتور مرداد را بفرستید. علی — ۲) — امکان تعویض سایز هست؟ مریم — ۳) — سفارشم کنسل شود. نیما — ۴) — زمان تحویل چند روز است؟ سارا —»

گام چهارم: قالب خروجی ثابت بساز (فهرست، جدول یا JSON)

قالب خروجی تعیین می‌کند نتیجه چقدر قابل‌استفاده باشد. برای پاسخ‌های کوتاه، فهرست شماره‌دار کافی است. برای طبقه‌بندی و استخراج، جدول با ستون‌های مشخص بهترین انتخاب است چون هر ستون یک فیلد را نگه می‌دارد. و اگر می‌خواهی خروجی را مستقیم به یک برنامه یا فایل بدهی، از مدل بخواه آرایه‌ای از JSON با کلیدهای ثابت تولید کند.

نکتهٔ کلیدی این است که قالب را دقیق و بدون ابهام توصیف کنی: نام ستون‌ها، ترتیب‌شان و این‌که چه چیزی نباید در خروجی باشد. اگر می‌خواهی عمیق‌تر روی این موضوع کار کنی، آموزش اختصاصی ما دربارهٔ کنترل و طراحی خروجی در همین سری کمکت می‌کند تا خروجی هر بار دقیقاً همان شکلی باشد که لازم داری.

مثال: «برای هر یک از این شش محصول یک کپشن اینستاگرام زیر بیست کلمه بنویس. خروجی را فقط به شکل جدول با این ستون‌ها بده: شماره | نام محصول | کپشن. متن اضافه ننویس: ۱) هدفون بی‌سیم ۲) ساعت هوشمند ۳) پاوربانک ۴) کیف لپ‌تاپ ۵) اسپیکر بلوتوث ۶) شارژر سریع.»

گام پنجم: اندازهٔ دسته را کنترل کن و تکه‌تکه بفرست

هرچه فهرست بلندتر شود، دو مشکل بزرگ‌تر می‌شود: کیفیت هر مورد کمی افت می‌کند و احتمال جا افتادن بالا می‌رود. مدل‌ها ظرفیت توجه محدودی دارند و در فهرست‌های خیلی بلند، موارد میانی بیشتر آسیب می‌بینند. پس اندازهٔ دسته یک تصمیم مهم است، نه یک جزئیات.

یک قانون تجربی خوب: کارهای ساده مثل ترجمه یا برچسب‌زنی را در دسته‌های ده تا بیست‌تایی و کارهای پیچیده‌تر مثل بازنویسی خلاقانه را در دسته‌های پنج تا هشت‌تایی بفرست. اگر فهرست خیلی بلند بود، آن را به چند تکه بشکن و هر تکه را در یک پیام جدا اجرا کن؛ هم دقت حفظ می‌شود و هم به محدودیت کانتکست برنمی‌خوری. این‌جا بد نیست نگاهی به توان و محدودیت‌های واقعی هوش مصنوعی بیندازی تا انتظارت از یک دسته واقع‌بینانه بماند.

مثال: «این فهرست سی‌تایی را نمی‌خواهم یکجا پردازش کنی. فقط ده مورد اول را الان برچسب بزن و در پایان بنویس تعداد پردازش‌شده چند بود تا بقیه را در پیام بعدی بفرستم: ۱) … ۲) … ۳) …»

گام ششم: جلوی جا افتادن و خلاصه‌سازی ناخواسته را بگیر

بزرگ‌ترین خطای پرامپت دسته‌ای این است که مدل به‌جای پردازش تک‌تک، همهٔ موارد را در یک پاراگراف خلاصه کند یا چند مورد را ساکت حذف کند. راهکار، یک جملهٔ محافظ در انتهای دستور است: از مدل صریح بخواه هر مورد را جدا پردازش کند، هیچ‌کدام را حذف نکند و در پایان تعداد کل موارد پردازش‌شده را اعلام کند.

این «شمارش پایانی» ساده‌ترین سازوکار راستی‌آزمایی است. اگر ورودی بیست مورد بود و مدل نوشت «تعداد کل: ۱۸»، همان لحظه می‌فهمی دو مورد گم شده و دوباره اجرا می‌کنی. همین یک خط، ساعت‌ها بازبینی دستی را حذف می‌کند و خطای خاموش را به خطای آشکار تبدیل می‌کند.

مثال: «هر یک از این هشت نظر را جدا برچسب بزن (مثبت/منفی/خنثی). هیچ موردی را ادغام یا حذف نکن و در خط آخر بنویس: تعداد کل موارد پردازش‌شده = ؟ ۱) کیفیت عالی بود ۲) دیر رسید ۳) قیمتش زیاد است ۴) بسته‌بندی خوب بود ۵) پشتیبانی جواب نداد ۶) دوباره می‌خرم ۷) اندازه اشتباه بود ۸) راضی‌ام.»

گام هفتم: پرامپت دسته‌ای را با مثال‌محور و نقش‌دهی ترکیب کن

پرامپت دسته‌ای وقتی به اوج می‌رسد که تنها نباشد. یک مثال نمونه در ابتدای پرامپت بگذار تا مدل دقیقاً بفهمد خروجی هر مورد چه شکلی باشد؛ این همان قدرت پرامپت مثال‌محور است. یک نقش هم به مدل بده تا لحن و معیارش یکدست شود، مثلاً «تو یک ویراستار حرفه‌ای هستی». ترکیب این سه، خروجی را هم دقیق و هم حرفه‌ای می‌کند.

برای دیدن تصویر بزرگ‌تر و ترتیب یادگیری تکنیک‌ها، نقشهٔ راه سری آموزش پرامپت‌نویسی را ببین. اگر هم دنبال کاربرد این مهارت‌ها در فضای کسب‌وکار هستی، اهمیت هوش مصنوعی در کسب‌وکار نشان می‌دهد چرا صرفه‌جویی در زمانِ کارهای تکراری این‌قدر ارزشمند است.

مثال: «تو یک ویراستار حرفه‌ای هستی. ابتدا این نمونه را ببین — ورودی: (متن خام) / خروجی: (متن ویراسته و کوتاه). حالا همین کار را روی پنج متن زیر انجام بده و خروجی هرکدام را با همان شماره و همان قالبِ نمونه برگردان: ۱) … ۲) … ۳) … ۴) … ۵) …»

گام هشتم: کجا از دسته‌ای استفاده نکنیم؟ (محدودیت‌ها)

پرامپت دسته‌ای جادو نیست و جای درستی دارد. برای کارهایی که هر مورد به استدلال عمیق و جداگانه نیاز دارد — مثل حل چند مسئلهٔ پیچیدهٔ متفاوت یا تحلیل حقوقی چند پرونده — دسته‌ای کردن کیفیت را پایین می‌آورد، چون توجه مدل بین موارد تقسیم می‌شود. در این حالت‌ها هر مورد را جدا بفرست یا از زنجیرهٔ پرامپت استفاده کن.

همچنین وقتی ورودی‌ها خیلی بلندند (مثل چند مقالهٔ کامل)، جمع‌کردن‌شان در یک پیام تو را به سقف کانتکست می‌رساند و کیفیت افت می‌کند. قاعدهٔ کلی: دسته‌ای برای کارهای ساده، تکراری و هم‌جنس عالی است؛ برای کارهای سنگین و ناهمگون، تک‌به‌تک یا زنجیره‌ای بهتر است. برای مقایسهٔ توانمندی مدل‌ها در کارهای پیچیده هم می‌توانی نبرد چت‌جی‌پی‌تی و دیپ‌سیک را بخوانی، و برای دنبال‌کردن تازه‌ترین ابزارها سری به اخبار هوش مصنوعی بزن.

مثال: «این سه مسئلهٔ متفاوت هرکدام تحلیل جداگانه لازم دارند، پس آن‌ها را دسته‌ای پاسخ نده. فقط مسئلهٔ شمارهٔ ۱ را کامل و گام‌به‌گام حل کن؛ بعد از تأیید من، سراغ مسئلهٔ بعدی می‌رویم.»

پرسش‌های پرتکرار

آیا پرامپت دسته‌ای کیفیت پاسخ را پایین می‌آورد؟ اگر اندازهٔ دسته را متناسب با سختی کار نگه داری و قالب خروجی ثابت بدهی، کیفیت تقریباً برابر پردازش تک‌تک می‌ماند. افت جدی معمولاً وقتی رخ می‌دهد که فهرست خیلی بلند یا کار خیلی پیچیده باشد.

چند مورد در هر دسته مناسب است؟ برای کارهای ساده ده تا بیست مورد، و برای کارهای خلاقانه یا پیچیده پنج تا هشت مورد. اگر شمارش پایانی نشان داد موردی جا افتاده، اندازهٔ دسته را کوچک‌تر کن.

تفاوتش با «پردازش دسته‌ای» یا Batch API چیست؟ پردازش دسته‌ای در سطح API یک قابلیت زیرساختی برای اجرای نامتقارن و ارزان‌ترِ حجم زیادی درخواست است. اما پرامپت دسته‌ای یک تکنیک نوشتن است که همین‌جا در جعبهٔ چت اجرا می‌شود و به هیچ برنامه‌نویسی‌ای نیاز ندارد.