آموزش کنترل قالب خروجی در پرامپت‌نویسی هوش مصنوعی

خیلی وقت‌ها هوش مصنوعی جوابِ درست می‌دهد، اما در قالبی که به کارِ تو نمی‌آید: یک متن طولانی به‌جای یک جدول تمیز، توضیح اضافه‌ای که باید دستی پاکش کنی، یا فهرستی که هر بار شکل تازه‌ای دارد. مهارتی که این وضعیت را زیر و رو می‌کند «کنترل قالب خروجی» است؛ یعنی از همان ابتدا تعیین کنی که پاسخ در چه ساختاری تحویل داده شود. در این آموزشِ گام‌به‌گام یاد می‌گیری چطور خروجی را دقیقاً همان‌طور که می‌خواهی بگیری تا نتیجه بدون ویرایش، آمادهٔ استفاده باشد.

۱) قالب خروجی چیست و چرا نتیجه را متحول می‌کند؟

«قالب خروجی» یعنی شکل و ساختاری که مدل پاسخ را در آن ارائه می‌دهد؛ فرق است بین یک پاراگراف روان و یک جدول ستون‌بندی‌شده، یا بین یک متن توضیحی و یک شیء دادهٔ آمادهٔ کد. مدل‌های زبانی به‌طور پیش‌فرض «پرحرف» هستند و اگر ساختار را مشخص نکنی، معمولاً یک متن توصیفی طولانی تحویل می‌دهند. مشکل این‌جاست که آن متن، هرچقدر هم درست باشد، برای استفادهٔ عملی — کپی در اکسل، ورود به یک برنامه، یا انتشار سریع — به بازنویسی نیاز دارد.

وقتی قالب را کنترل می‌کنی، عملاً بارِ «تصمیم‌گیری دربارهٔ شکل» را از دوش مدل برمی‌داری و او تمام توانش را صرف محتوا می‌کند. نتیجه هم دقیق‌تر است و هم بلافاصله قابل‌استفاده. این همان تفاوتی است که یک کاربر حرفه‌ای را از یک کاربر معمولی جدا می‌کند و بخش مهمی از آموزش‌های کار با ChatGPT را تشکیل می‌دهد.

مثال: «سه مزیت رقابتی این محصول را بنویس. خروجی را به‌صورت یک جدول با دو ستون بده: «مزیت» و «توضیح یک‌خطی». فقط جدول را برگردان.»

۲) گام اول: قالب را صریح و بی‌ابهام نام ببر

مؤثرترین و ساده‌ترین کار این است که مستقیم بگویی خروجی چه شکلی باشد. کلماتی مثل «جدول»، «فهرست شماره‌دار»، «بولت»، «پاراگراف کوتاه»، «کد» یا «JSON» برای مدل کاملاً معنادارند. ابهام دشمن قالب است؛ «خلاصه کن» می‌تواند به ده شکل مختلف تعبیر شود، اما «در سه بولت خلاصه کن» فقط یک تعبیر دارد.

هرچه واژهٔ قالب دقیق‌تر باشد، خروجی یکدست‌تر می‌شود. اگر خروجی چند بخش دارد، نام هر بخش را هم بگو تا مدل ترتیب را رعایت کند. این دقت به‌ویژه وقتی چند پرامپت پشت‌سرهم اجرا می‌کنی اهمیت دارد، چون خروجی‌ها با یک ساختار ثابت کنار هم می‌نشینند.

مثال: «برای این پست وبلاگ، خروجی را در سه بخشِ مشخص بده — «عنوان پیشنهادی» (یک خط)، «خلاصه» (دو جمله) و «پنج کلیدواژه» (فهرست بولت). هیچ متن دیگری اضافه نکن.»

۳) گام دوم: یک تمپلیت (اسکلت) برای پرکردن بده

گاهی نام‌بردن قالب کافی نیست و بهتر است شکل دقیق را نشان بدهی. در این روش یک «اسکلت» با جای‌خالی می‌سازی و از مدل می‌خواهی فقط جاهای خالی را پر کند. این کار خروجی را به شکل چشمگیری قابل‌پیش‌بینی می‌کند، چون مدل عملاً یک الگوی آماده جلوی چشمش دارد.

تمپلیت‌ها به‌خصوص برای کارهای تکرارشونده — کپشن، ایمیل، توضیح محصول، شرح شغلی — عالی‌اند. یک بار قالب را طراحی می‌کنی و بارها از آن استفاده می‌کنی. همین ایده پایهٔ بسیاری از گردش‌کارهای استفاده از هوش مصنوعی در کسب‌وکار است، جایی که یکدستی خروجی به‌اندازهٔ کیفیت آن اهمیت دارد.

مثال: «یک کپشن اینستاگرام با این قالب دقیق بنویس و فقط جای براکت‌ها را پر کن —\nقلاب: [یک جملهٔ توجه‌برانگیز]\nمتن: [دو جمله دربارهٔ فایده]\nدعوت به اقدام: [یک جمله]\nهشتگ‌ها: [سه هشتگ فارسی]»

۴) گام سوم: طول، تعداد و ترتیب را دقیق مهار کن

یک قالب خوب فقط «شکل» نیست؛ «اندازه» هم هست. اگر طول را مشخص نکنی، ممکن است یک بند دو کلمه‌ای بگیری یا یک مقالهٔ پانصد کلمه‌ای. عددها را صریح بگو: تعداد آیتم‌ها، سقف کلمات هر آیتم، تعداد جمله‌ها. این محدودیت‌ها به مدل کمک می‌کنند به‌جای پراکنده‌گویی، فشرده و هدفمند بنویسد.

ترتیب هم بخشی از قالب است. اگر می‌خواهی ابتدا نتیجه بیاید و بعد توضیح، همان را بگو. مدل‌ها معمولاً دوست دارند اول مقدمه‌چینی کنند؛ با تعیین ترتیب، این عادت را کنترل می‌کنی. درک این‌که چرا مدل گاهی از دستور طول سرپیچی می‌کند، به شناخت توانایی‌ها و محدودیت‌های واقعی هوش مصنوعی برمی‌گردد؛ محدودیت‌های سخت‌گیرانه را همیشه در پرامپت تکرار کن.

مثال: «این متن را در حداکثر سه بولت خلاصه کن؛ هر بولت زیر پانزده کلمه، و از فعل کنشی شروع شود. اول مهم‌ترین نکته بیاید. هیچ جمله‌ای بیرون از بولت‌ها ننویس.»

۵) گام چهارم: خروجی ساختارمند (JSON و جدول) برای اتوماسیون

اگر خروجی قرار است وارد یک برنامه، صفحه‌گسترده یا ابزار دیگری شود، باید «ماشین‌خوان» باشد. این‌جا JSON بهترین دوست توست: به مدل بگو فقط یک شیء JSON با کلیدهای مشخص برگرداند و چیز دیگری ننویسد. برای انسان‌ها هم جدول‌بندی خواناترین قالب داده است. تعیینِ نامِ دقیق کلیدها یا ستون‌ها باعث می‌شود خروجی هر بار یک‌شکل باشد و بتوانی مطمئن با آن کد بنویسی.

یک نکتهٔ مهم: وقتی JSON می‌خواهی، تأکید کن که خروجی «فقط JSON معتبر، بدون توضیح و بدون بلوک کد اضافه» باشد، وگرنه ممکن است مدل دور آن حرف بزند و پارس‌کردنش سخت شود. همین ساختارمندی است که هوش مصنوعی را از یک اسباب‌بازی به یک ابزار جدی برای پلتفرم‌هایی مثل OpenAI و محصولات مبتنی بر آن‌ها تبدیل می‌کند.

مثال: «برای این سه محصول، فقط یک آرایهٔ JSON معتبر بده که هر عضو این کلیدها را داشته باشد: name، price، in_stock (بولی). هیچ متن، توضیح یا بلوک کدی خارج از JSON ننویس.»

۶) گام پنجم: متن اضافه و مقدمه‌چینی را ممنوع کن

یکی از آزاردهنده‌ترین رفتارها این است که مدل قبل و بعد از خروجی اصلی، جمله‌های تعارف‌آمیز اضافه می‌کند: «حتماً! این هم جدول شما…». برای کارهای عملی این جمله‌ها فقط نویز هستند. راهکار ساده است: صریح بگو که فقط خروجی خواسته‌شده را بدهد و از هرگونه مقدمه، نتیجه‌گیری یا توضیح خودداری کند.

عبارت‌هایی مثل «فقط جدول را برگردان»، «بدون هیچ متن اضافه» یا «هیچ مقدمه و جمع‌بندی ننویس» بسیار مؤثرند. این محدودیت‌ها خروجی را تمیز می‌کنند و مخصوصاً وقتی خروجی را مستقیم در جایی می‌چسبانی، وقت زیادی صرفه‌جویی می‌کنند.

مثال: «پنج تیتر برای این مقاله پیشنهاد بده. فقط خودِ تیترها را در یک فهرست شماره‌دار بنویس؛ بدون مقدمه، بدون توضیح و بدون جمله‌بندی اضافه در ابتدا یا انتها.»

۷) گام ششم: با یک نمونه، قالب را «قفل» کن (لنگر قالب)

قوی‌ترین راه برای تثبیت یک قالب پیچیده، نشان‌دادن یک «نمونهٔ کامل» است. وقتی یک مثالِ پرشده جلوی مدل بگذاری، او سبک، لحن و ساختار آن را تقلید می‌کند. به این کار «لنگرکردن قالب» یا few-shot می‌گویند و وقتی توضیح‌دادن قالب با کلمات سخت است، معجزه می‌کند.

کافی است بگویی «دقیقاً با همین ساختار ادامه بده» و یک نمونه بدهی. مدل الگو را می‌گیرد و ورودی‌های بعدی را در همان شکل می‌ریزد. این تکنیک برای ساختن مجموعه‌داده‌های یکدست، سؤالات آزمون، یا ردیف‌های مشابه فوق‌العاده است و یکی از پرکاربردترین ترفندها در آموزش‌های پیشرفتهٔ ChatGPT به شمار می‌رود.

مثال: «با همین قالب برای بقیهٔ شهرها ادامه بده — نمونه: «تهران — جمعیت: ۸٫۷ میلیون — کد: ۰۲۱». حالا برای مشهد، شیراز و اصفهان بنویس؛ دقیقاً همین ساختار، بدون تغییر.»

۸) گام هفتم: قالب را تکرار و اصلاح کن تا بی‌نقص شود

لازم نیست بار اول به قالب کامل برسی. پرامپت‌نویسی یک فرایند رفت‌وبرگشتی است؛ اگر خروجی دقیقاً آن چیزی که می‌خواستی نبود، در همان گفتگو اصلاحش کن. جمله‌های کوتاهِ اصلاحی مثل «همین را فقط به‌صورت جدول بده» یا «ستون قیمت را حذف کن و یک ستون تاریخ اضافه کن» سریع نتیجه می‌دهند، چون مدل زمینهٔ قبلی را در حافظه دارد.

وقتی به قالب ایده‌آل رسیدی، آن پرامپت را ذخیره کن تا دفعهٔ بعد از صفر شروع نکنی. به‌مرور یک کتابخانهٔ کوچک از قالب‌های آزموده‌شده می‌سازی که سرعت کارت را چند برابر می‌کند. برای دیدن نمونه‌های تازه و کاربردی، اخبار و آموزش‌های هوش مصنوعی را دنبال کن.

مثال: «خروجی قبلی خوب بود، اما دو تغییر بده: نتیجه را به‌صورت جدول درآور و یک ستون «اولویت» با مقدار زیاد/متوسط/کم اضافه کن. بقیهٔ محتوا ثابت بماند.»

پرسش‌های پرتکرار

آیا کنترل قالب خروجی روی همهٔ مدل‌ها جواب می‌دهد؟ بله، اصولش یکسان است؛ چه ChatGPT، چه Gemini و چه Claude. فقط مدل‌های قوی‌تر معمولاً محدودیت‌های طول و ساختار را دقیق‌تر رعایت می‌کنند. اگر مدلی مدام از قالب خارج می‌شود، دستور قالب را کوتاه‌تر و صریح‌تر و در انتهای پرامپت تکرار کن.

چطور مطمئن شوم خروجی JSON همیشه معتبر است؟ در پرامپت تأکید کن «فقط JSON معتبر بدون هیچ متن اضافه»، نام کلیدها را دقیق مشخص کن و یک نمونهٔ کوچک از خروجی مطلوب بده. اگر باز هم خطا داشت، از مدل بخواه خروجی قبلی را «فقط اصلاح و معتبرسازی» کند.

فرق تمپلیت با few-shot چیست؟ تمپلیت یک اسکلتِ خالی است که مدل پرش می‌کند؛ few-shot یک یا چند نمونهٔ کاملِ پرشده است که مدل از روی آن تقلید می‌کند. برای قالب‌های ساده تمپلیت کافی است، اما برای سبک و لحنِ خاص، few-shot دقیق‌تر عمل می‌کند.