مهندسی کانتکست چیست؟ گام بعدیِ پرامپت‌نویسی برای جواب دقیق‌تر از هوش مصنوعی

تا اینجای سری آموزش پرامپت‌نویسی، ده‌ها تکنیک یاد گرفتی: از زنجیرهٔ تفکر و مثال‌محور گرفته تا نقش‌دهی و کنترل قالب خروجی. اما احتمالاً بارها به این تجربهٔ آزاردهنده برخورده‌ای: یک پرامپت تمیز و دقیق می‌نویسی، همهٔ قواعد را رعایت می‌کنی، ولی جواب مدل باز هم سطحی، بی‌ربط یا اشتباه است. در بیشتر این موارد، مشکل از جمله‌بندی پرامپت تو نیست؛ مشکل از چیزهایی است که مدل «کنارِ» پرامپت می‌بیند — یا نمی‌بیند.

اینجاست که یک مهارت تازه وارد میدان می‌شود: مهندسی کانتکست (Context Engineering). این مفهوم در سال‌های ۲۰۲۵ و ۲۰۲۶ به‌سرعت به داغ‌ترین موضوع دنیای هوش مصنوعی تبدیل شد؛ تا جایی که بسیاری از متخصص‌ها می‌گویند پرامپت‌نویسی فقط یک زیرمجموعهٔ کوچک از آن است. در این درس یاد می‌گیری که مدل را نه با یک جملهٔ جادویی، بلکه با مدیریت کل اطلاعاتی که وارد ذهنش می‌شود کنترل کنی.

مهندسی کانتکست دقیقاً یعنی چه؟

پرامپت‌نویسی یعنی هنر نوشتن یک دستور خوب: اینکه چطور جمله‌ات را بچینی تا مدل منظورت را بفهمد. اما مدل هنگام پاسخ‌دادن فقط آن یک جمله را نمی‌خواند؛ او به کل «کانتکست» یا زمینه‌ای نگاه می‌کند که در آن لحظه جلوی چشمش است. این زمینه شامل چند چیز است: دستور سیستمی (System Prompt) که رفتار کلی مدل را تعیین می‌کند، پیام خودِ تو، تاریخچهٔ کل گفتگوی قبلی، فایل‌ها و اسنادی که چسبانده‌ای، نتیجهٔ ابزارهایی که مدل صدا زده، مثال‌هایی که داده‌ای و حتی حافظهٔ بلندمدتی که از تو ذخیره شده است.

مهندسی کانتکست یعنی هنر و علمِ تصمیم‌گیری دربارهٔ همین مجموعه: چه اطلاعاتی، به چه شکلی و در چه زمانی وارد پنجرهٔ دیدِ مدل شود تا بهترین جواب ممکن را بدهد. اگر پرامپت‌نویسی مثل نوشتن یک سؤال خوب در برگهٔ امتحان باشد، مهندسی کانتکست مثل چیدن کل میز مطالعه است: کدام کتاب باز باشد، کدام جزوه کنار دستت، و کدام کاغذِ بی‌ربط از روی میز جمع شود تا حواست پرت نشود.

برای درک تفاوت لحن این دو، پیشنهاد می‌کنیم درس پرامپت سیستمی در برابر پرامپت کاربر را هم بخوانی؛ چون دستور سیستمی یکی از مهم‌ترین اجزای کانتکست است.

چرا یک پرامپت خوب همیشه کافی نیست؟

ذهن یک مدل زبانی بی‌نهایت نیست. هر مدل یک «پنجرهٔ کانتکست» (Context Window) دارد؛ یعنی حداکثر تعداد توکن‌هایی (تکه‌های واژه) که می‌تواند هم‌زمان در نظر بگیرد. حتی وقتی این پنجره خیلی بزرگ است — صدها هزار یا میلیون‌ها توکن — باز هم یک بودجهٔ محدود است. مهم‌تر از آن، پژوهش‌ها نشان داده‌اند که هرچه این پنجره را پرتر کنی، توانایی مدل برای پیدا کردن و استفاده از هر تکهٔ مشخص از اطلاعات کاهش می‌یابد. به این پدیده «پوسیدگی کانتکست» (Context Rot) می‌گویند.

یک یافتهٔ کلاسیک دیگر هم هست که به آن «گم‌شدن در میانه» (Lost in the Middle) می‌گویند: مدل‌ها به اطلاعاتی که در ابتدا و انتهای کانتکست قرار دارند بیشترین توجه را نشان می‌دهند و چیزهایی را که وسطِ یک متن طولانی دفن شده‌اند، راحت‌تر از دست می‌دهند. یعنی حتی اگر جواب درست دقیقاً داخل کانتکست باشد، ممکن است مدل آن را نبیند، فقط چون جای بدی قرار گرفته است.

نتیجه روشن است: توجهِ مدل یک منبع محدود است، و اطلاعات بیشتر لزوماً بهتر نیست. یک پرامپت عالی که در دل یک کانتکستِ شلوغ، متناقض و بی‌ربط گم شده باشد، محکوم به شکست است.

پنجرهٔ کانتکست؛ بودجه‌ای که باید هوشمندانه خرج کنی

بهترین راه برای فکر کردن به کانتکست، این است که آن را مثل یک بودجهٔ محدود ببینی. هر توکنی که وارد پنجره می‌کنی، بخشی از توجه مدل را مصرف می‌کند. پس سؤال درست این نیست که «چقدر اطلاعات می‌توانم بریزم؟»، بلکه این است که «کمترین مجموعهٔ اطلاعاتِ باکیفیت که مدل برای انجام درستِ این کار لازم دارد چیست؟»

این نگاه، کل بازی را عوض می‌کند. به‌جای اینکه یک سند صدصفحه‌ای را کامل بچسبانی، فقط سه پاراگراف مرتبط را می‌آوری. به‌جای اینکه یک گفتگوی دو ساعته را ادامه بدهی، آن را خلاصه می‌کنی و تازه شروع می‌کنی. هدف، بیشترین «سیگنال» با کمترین «نویز» است.

پنج اصل عملی مهندسی کانتکست

مهندسی کانتکست یک نظریهٔ انتزاعی نیست؛ پنج اصل ساده دارد که هم سازندگان ایجنت‌های پیشرفته و هم کاربر عادی می‌توانند از آن‌ها استفاده کنند:

• کمترین کانتکستِ باکیفیت: فقط اطلاعاتی را وارد کن که واقعاً به تصمیم یا جوابِ این لحظه ربط دارند. هر چیز اضافه، نویز است.
• بازیابی به‌موقع (Just-in-Time): همهٔ اطلاعات را یک‌جا و از اول نریز. هر تکه را دقیقاً وقتی لازم شد وارد کن. این همان ایده‌ای است که پشت سیستم‌های بازیابی و RAG قرار دارد.
• خلاصه‌سازی و فشرده‌سازی: وقتی تاریخچهٔ گفتگو بلند شد، آن را خلاصه کن تا نکات کلیدی بمانند و توکن‌ها آزاد شوند. روش حرفه‌ایِ این کار را در درس خلاصه‌سازی اسناد بلند نشان داده‌ایم.
• حافظه و یادداشتِ بیرونی: واقعیت‌های پایدار (مثل اینکه تو کی هستی، لحن دلخواهت چیست، پروژه‌ات چیست) را بیرون از گفتگو نگه دار و هر وقت لازم شد بازگردان — مثلاً با «دستورهای سفارشی» و «حافظه» در چت‌جی‌پی‌تی.
• نظم و جایگاه‌گذاری: اطلاعات را با برچسب، عنوان و جداکننده مرتب کن و مهم‌ترین دستورها را ابتدا یا انتهای کانتکست بگذار، نه وسط یک تودهٔ درهم.

مهندسی کانتکست در برابر پرامپت‌نویسی؛ تفاوت در یک نگاه

این دو مهارت رقیب هم نیستند؛ مکمل هم‌اند. پرامپت‌نویسی جمله را می‌سازد، مهندسی کانتکست صحنه را می‌چیند. جدول زیر تفاوتشان را جمع‌بندی می‌کند:

مهندسی کانتکست برای کاربر عادی چت‌جی‌پی‌تی

شاید فکر کنی این مفهوم فقط به درد برنامه‌نویس‌ها می‌خورد، اما اشتباه است. هر کاربر معمولی هم روزانه با کانتکست سروکار دارد. پنج عادت ساده کیفیت جواب‌هایت را زیر و رو می‌کند:

• برای هر موضوع تازه، چت تازه باز کن. ادامه‌دادن یک گفتگوی قدیمی دربارهٔ موضوعی نامرتبط، کانتکست را آلوده می‌کند و مدل را گیج می‌سازد.
• فقط بخش مرتبط را بچسبان. به‌جای کل یک کتاب یا گزارش، همان چند پاراگرافی را بده که به سؤالت ربط دارد.
• از حافظه و دستورهای سفارشی استفاده کن. اطلاعات ثابت دربارهٔ خودت را یک‌بار تنظیم کن تا مجبور نباشی هر بار تکرارشان کنی.
• «اول خلاصه کن، بعد ادامه بده». در گفتگوهای طولانی، از مدل بخواه تا اینجا را خلاصه کند، بعد بر پایهٔ همان خلاصه جلو بروید.
• ورودی‌ات را ساختارمند بده. با عنوان و برچسب مشخص کن کدام بخش «داده»، کدام «دستور» و کدام «مثال» است.

اشتباه‌های رایج در مدیریت کانتکست

بیشتر جواب‌های بد از چند اشتباه تکراری می‌آیند. حواست به این‌ها باشد: ریختنِ همه‌چیز به امید اینکه «شاید به کار بیاید»؛ ادامه‌دادن یک چتِ بی‌پایان برای ده‌ها موضوع متفاوت؛ باقی‌گذاشتنِ اطلاعات متناقض در گفتگو (مثلاً دو نسخهٔ مختلف از یک متن) که مدل نمی‌داند کدام را باور کند؛ و دادنِ ابزارها یا فایل‌های بیش‌ازحد که فقط توجه مدل را می‌بلعند. در هر چهار مورد، راه‌حل یکی است: پاک‌سازی، خلاصه‌سازی و تمرکز بر سیگنال کلیدی.

پرسش‌های پرتکرار

مهندسی کانتکست جای پرامپت‌نویسی را می‌گیرد؟
نه. پرامپت‌نویسی همچنان لازم است؛ مهندسی کانتکست آن را در بر می‌گیرد و کامل می‌کند. اول باید بلد باشی خوب بپرسی، بعد یاد بگیری صحنهٔ اطلاعات را درست بچینی.

آیا داشتن پنجرهٔ کانتکستِ بزرگ‌تر یعنی جواب بهتر؟
لزوماً نه. پنجرهٔ بزرگ‌تر ظرفیت بیشتری می‌دهد، اما اگر آن را با اطلاعات بی‌ربط پر کنی، به‌خاطر پوسیدگی کانتکست کیفیت جواب پایین می‌آید. کیفیت و ترتیبِ اطلاعات مهم‌تر از حجم آن است.

این مفهوم فقط برای ساخت ایجنت است؟
نه. ایجنت‌ها شدیدترین نمونهٔ نیاز به مهندسی کانتکست‌اند، اما همان اصول برای یک گفتگوی ساده در چت‌جی‌پی‌تی هم صدق می‌کند.

ساده‌ترین کاری که همین امروز می‌توانم بکنم چیست؟
برای هر کار مهم، یک چت تازه باز کن و فقط اطلاعات لازمِ همان کار را — مرتب و برچسب‌خورده — به مدل بده. همین یک عادت، تفاوت بزرگی می‌سازد.

تمرین تعاملی این درس

یادگیری واقعی با تمرین اتفاق می‌افتد. دو تمرین زیر را همین حالا انجام بده:

جمع‌بندی

پرامپت‌نویسی به تو یاد داد چطور خوب بپرسی؛ مهندسی کانتکست یاد می‌دهد چطور صحنه‌ای بسازی که مدل در آن بهترین جوابش را بدهد. پنجرهٔ کانتکست را مثل یک بودجه ببین، فقط سیگنالِ باکیفیت را خرج کن، به‌موقع اطلاعات بده، خلاصه کن و همه‌چیز را مرتب بچین. همین چند عادت، شما را از یک کاربر معمولی به کسی تبدیل می‌کند که واقعاً می‌داند دارد با هوش مصنوعی چه می‌کند.

این درس بخشی از یک مسیر کامل است. برای دیدن همهٔ قسمت‌ها و ترتیب پیشنهادی مطالعه، به صفحهٔ راهنمای جامع پرامپت‌نویسی سر بزن و قدم‌به‌قدم حرفه‌ای شو.

نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید