مهندسی کانتکست در پرامپت‌نویسی؛ چه چیزی را به هوش مصنوعی بدهیم و چه چیزی را حذف کنیم

خیلی وقت‌ها فکر می‌کنیم راز گرفتن جواب بهتر از هوش مصنوعی، پیدا کردن «جملهٔ جادویی» درست است؛ ولی حقیقت این است که مدل فقط به اندازهٔ اطلاعاتی که جلویش می‌گذاری باهوش است. مهندسی کانتکست دقیقاً دربارهٔ همین است: اینکه چه اطلاعاتی را، به چه ترتیبی و به چه اندازه‌ای وارد پنجرهٔ دید مدل کنی تا بهترین جواب ممکن را بگیری — و مهم‌تر از آن، چه چیزی را عمداً حذف کنی.

مهندسی کانتکست یعنی چه و چه فرقی با پرامپت‌نویسی دارد؟

پرامپت‌نویسی سنتی روی یک چیز تمرکز دارد: جملهٔ درخواست را چطور بنویسی تا واضح باشد. اما در کارهای واقعی، جواب خوب تنها به نوع جمله بستگی ندارد؛ به این بستگی دارد که مدل در لحظهٔ پاسخ‌دادن «چه می‌داند». آن دانش از جایی می‌آید که ما به آن کانتکست می‌گوییم: دستورها، پیشینهٔ موضوع، نمونه‌ها، دادهٔ خام، تاریخچهٔ گفتگو و هر چیز دیگری که داخل پنجرهٔ دید مدل قرار می‌گیرد.

مهندسی کانتکست یعنی طراحیِ آگاهانهٔ همین مجموعه. به‌جای اینکه فقط بپرسی «چطور بنویسم؟»، می‌پرسی «مدل برای این کار دقیقاً به چه اطلاعاتی نیاز دارد، چه اطلاعاتی فقط حواسش را پرت می‌کند، و این‌ها را به چه ترتیبی بچینم؟». یک قیاس ساده: پرامپت‌نویسی مثل خوب پرسیدن سؤال از یک کارشناس است؛ مهندسی کانتکست مثل این است که قبل از سؤال، درست همان پرونده‌هایی را روی میز او بگذاری که به کارش می‌آید — نه یک کتابخانهٔ کامل.

چرا «بیشتر» همیشه بهتر نیست؛ مشکل شلوغی کانتکست

شهود اشتباهِ رایج این است: «هرچه اطلاعات بیشتری بدهم، جواب بهتر می‌شود». ولی پنجرهٔ کانتکست مثل یک میز کار محدود است و هر چیزی که رویش می‌گذاری، جای توجه چیزهای مهم‌تر را تنگ می‌کند. سه مشکل اصلی وقتی کانتکست را بی‌حساب پر می‌کنی پیش می‌آید:

گم‌شدن در میانه. مدل‌ها به اطلاعاتِ ابتدای و انتهای کانتکست بیشتر توجه می‌کنند تا به وسط. وقتی سؤال اصلی یا نکتهٔ کلیدی را لای یک متنِ طولانی دفن کنی، احتمالِ نادیده‌گرفتنش بالا می‌رود.

آلودگی کانتکست. اطلاعات بی‌ربط یا قدیمی مدل را گمراه می‌کند. اگر یک پاراگرافِ نامربوط دربارهٔ محصول قبلی‌ات داخل درخواست باشد، مدل ممکن است همان را جدی بگیرد و جواب را به بیراهه ببرد.

تناقض و هزینه. هرچه متن طولانی‌تر باشد، احتمالِ وجود دستورهای متناقض بیشتر می‌شود؛ ضمن اینکه کانتکست بلند، هم کندتر پردازش می‌شود و هم گران‌تر تمام می‌شود. کانتکستِ تمیز و کوتاه تقریباً همیشه از کانتکستِ شلوغ و بلند بهتر جواب می‌دهد.

چهار تصمیم اصلی در مهندسی کانتکست

هر بار که می‌خواهی کانتکست یک درخواست را بچینی، در عمل داری چهار تصمیم می‌گیری. اگر این چهار تصمیم را آگاهانه بگیری، نیمی از کار تمام است:

گنجاندن — چه چیزی حتماً باید باشد؟ فقط اطلاعاتی که مدل بدون آن‌ها نمی‌تواند جواب درست بدهد: هدف کار، محدودیت‌ها، داده یا سندِ مرجع، و یکی دو نمونه از خروجی مطلوب.

حذف — چه چیزی باید بیرون بماند؟ هر چیزی که به این کارِ خاص ربط ندارد، حتی اگر «خوب» باشد: تاریخچهٔ گفتگوی قدیمی، جزئیاتِ تزئینی، نسخه‌های قبلیِ یک متن، و توضیحاتی که مدل از قبل می‌داند.

ترتیب — چه چیزی کجا بیاید؟ دستورهای حیاتی و خودِ سؤال را نزدیک انتها بگذار (چون مدل به انتها توجه زیادی دارد)، دادهٔ مرجع را در یک بلوک جدا، و پیشینه را در ابتدا.

اندازه — چقدر از هر چیز؟ به‌جای کل یک سند، فقط بخش‌های مرتبطش؛ به‌جای ده نمونه، دو نمونهٔ دقیق؛ به‌جای کل تاریخچهٔ گفتگو، یک خلاصهٔ چندخطی. هدف، کمترین کانتکستی است که کار را درست انجام می‌دهد.

قالب آمادهٔ چیدمان کانتکست

این قالب را می‌توانی برای هر کار جدی (ایمیل مهم، گزارش، تحلیل، کد) استفاده کنی. نکتهٔ کلیدی، جداکردن بخش‌ها با عنوان و گذاشتن سؤال در انتهاست:

«نقش و هدف: تو [نقش] هستی و قرار است [هدف] را انجام بدهی.
منابع (فقط از همین‌ها استفاده کن):
—
[متنِ مرجع، داده یا سند مرتبط]
—
نمونهٔ خروجی مطلوب: [یک یا دو نمونهٔ کوتاه و دقیق]
محدودیت‌ها: [طول، لحن، چیزهایی که نباید انجام شود]
اگر اطلاعات کافی نبود، به‌جای حدس‌زدن بپرس.
حالا کار اصلی: [سؤال یا درخواست دقیق، در یک جمله، همین‌جا در انتها].»

دقت کن که «فقط از همین منابع استفاده کن» و «اگر کافی نبود بپرس» دو جملهٔ کوچک ولی بسیار مؤثرند؛ همین دو جمله جلوی بخش بزرگی از توهم و حدس‌های بی‌پایهٔ مدل را می‌گیرد.

یک مثال واقعی؛ قبل و بعد

فرض کن می‌خواهی برای معرفیِ یک محصول جدید، یک ایمیل خبری بنویسی.

نسخهٔ قبل (کانتکست شلوغ): کل سند ۲۰ صفحه‌ایِ برندبوک، تاریخچهٔ کامل شرکت، مشخصات فنیِ همهٔ محصولات قبلی و در آخر یک جملهٔ کوتاه: «یک ایمیل معرفی بنویس». نتیجه معمولاً کلی، بی‌روح و پر از جزئیاتِ نامربوط است، چون مدل نمی‌داند کدام تکه مهم است و سؤال اصلی هم لای انبوه اطلاعات گم شده.

نسخهٔ بعد (کانتکست مهندسی‌شده): فقط سه چیز را می‌دهی — یک پاراگراف دربارهٔ لحن برند، سه ویژگیِ کلیدیِ همین محصول جدید، و یک نمونه ایمیلِ موفق قبلی به‌عنوان الگوی لحن. بعد در انتها می‌نویسی: «با همین لحن و همین ساختار، یک ایمیل ۱۵۰ کلمه‌ای برای معرفی این محصول بنویس که با یک جملهٔ قلاب شروع شود.» خروجی این نسخه دقیق، متمرکز و قابل استفاده است؛ چون مدل دقیقاً همان چیزی را دیده که لازم داشت، نه یک گرم بیشتر.

مدیریت گفتگوهای طولانی؛ خلاصه کن تا گم نشوی

در گفتگوهای طولانی، تاریخچهٔ چت خودش بخشی از کانتکست است و به‌مرور شلوغ و متناقض می‌شود؛ مخصوصاً وقتی وسط راه نظرت عوض شده یا چند بار درخواست را تغییر داده‌ای. سه ترفند عملی اینجا کار را نجات می‌دهد:

خلاصه‌کن و از نو شروع کن. وقتی گفتگو شلوغ شد، از مدل بخواه «تا اینجا را در ده خط خلاصه کن: تصمیم‌های نهایی، محدودیت‌ها و قدم بعدی». بعد یک گفتگوی تازه باز کن و فقط همان خلاصه را بچسبان. این کار تاریخچهٔ آلوده را پاک می‌کند و فقط عصارهٔ مفید را نگه می‌دارد.

حقایق کلیدی را سنجاق کن. چند واقعیتِ ثابت (مثل نام پروژه، مخاطب هدف، محدودیت‌های قطعی) را در یک بلوک کوتاه نگه دار و در هر مرحلهٔ مهم دوباره یادآوری کن، تا وسط گفتگوی طولانی فراموش نشوند.

شاخه‌ها را جدا کن. اگر می‌خواهی چند مسیر مختلف را امتحان کنی، هر مسیر را در گفتگوی جدا پیش ببر؛ قاطی‌کردن همهٔ آزمون‌ها در یک چت، کانتکست را به بدترین شکل آلوده می‌کند.

ترفندهای حرفه‌ای مهندسی کانتکست

چند تکنیک که تفاوت یک کاربر معمولی و یک کاربر حرفه‌ای را می‌سازد:

مهم‌ترین دستور را در انتهای پرامپت تکرار کن، چون مدل به انتها بیشترین توجه را دارد. بخش‌های مختلف کانتکست را با عنوان یا جداکننده (مثل خط تیره یا برچسب) از هم جدا کن تا مدل مرز داده و دستور را گم نکند. یک «منبعِ حقیقت» مشخص کن و صریح بگو فقط به آن استناد کند. و در آخر، به مدل بگو چه چیزی را نادیده بگیرد؛ گفتن «به بخش قیمت‌گذاری قدیمی کاری نداشته باش» گاهی مؤثرتر از هر دستور مثبتی است.

اشتباه‌های رایج که باید کنار بگذاری

چسباندن همه‌چیز «محض احتیاط»؛ این عادت بزرگ‌ترین دشمن کیفیت است. دفن‌کردن سؤال اصلی وسط یک متن طولانی به‌جای گذاشتنش در انتها. نگه‌داشتن تاریخچهٔ گفتگوی قدیمی و متناقض به امید اینکه «شاید به درد بخورد». دادن ده نمونه به‌جای دو نمونهٔ دقیق، که فقط مدل را گیج می‌کند. و فراموش‌کردن این نکته که مدل خیلی چیزها را از قبل می‌داند و لازم نیست پایه‌ای‌ترین تعریف‌ها را برایش تکرار کنی.

پرسش‌های پرتکرار

مهندسی کانتکست با پرامپت‌نویسی فرق دارد یا همان است؟
مکمل همدیگرند. پرامپت‌نویسی روی نحوهٔ نوشتن درخواست تمرکز دارد و مهندسی کانتکست روی چیدمانِ اطلاعاتِ دور آن. در کارهای ساده فقط پرامپت کافی است؛ در کارهای جدی، مهندسی کانتکست همان چیزی است که کیفیت را می‌سازد.

از کجا بفهمم کانتکستم زیادی شلوغ است؟
یک نشانهٔ خوب: اگر بتوانی بخشی از متن را حذف کنی بدون اینکه جواب خراب شود، آن بخش اضافی بوده. با حذف تدریجی و آزمون، به کمترین کانتکستِ کافی می‌رسی.

آیا مدل‌های با پنجرهٔ کانتکست خیلی بزرگ، این بحث را بی‌معنی نمی‌کنند؟
نه. پنجرهٔ بزرگ‌تر یعنی می‌توانی اطلاعات بیشتری بدهی، نه اینکه باید بدهی. حتی در پنجره‌های بزرگ هم مشکل گم‌شدن در میانه و آلودگی کانتکست سر جایش است؛ انتخابِ آگاهانه همچنان برنده است.

جمع‌بندی

مهندسی کانتکست یک تغییر نگاه است: به‌جای شکار «جملهٔ جادویی»، میز کار مدل را آگاهانه می‌چینی. چهار تصمیم را یادت باشد — چه بگنجانی، چه حذف کنی، به چه ترتیبی بچینی و چه اندازه بدهی — و این اصل طلایی را: کمترین کانتکستی که کار را درست انجام می‌دهد، بهترین کانتکست است. وقتی این عادت را بسازی، می‌بینی که کیفیت جواب‌هایت بدون هیچ ترفند پیچیده‌ای، یک پله بالاتر می‌رود.

این آموزش بخشی از مجموعهٔ آموزش پرامپت‌نویسی Mr ChatGPT است. برای دیدن همهٔ قسمت‌ها و ترتیب یادگیری، سری کامل را اینجا ببین: مجموعهٔ آموزش پرامپت‌نویسی.