کنترل قالب خروجی هوش مصنوعی: راهنمای کامل پرامپت‌نویسی

اگر خروجی هوش مصنوعی برایت طولانی، بی‌نظم یا «تقریباً درست ولی غیرقابل‌استفاده» درمی‌آید، به‌احتمال زیاد مشکل از هوشِ مدل نیست؛ مشکل این است که قالب خروجی را برایش مشخص نکرده‌ای. در این آموزشِ گام‌به‌گام یاد می‌گیری چطور شکل، ساختار، طول و لحنِ جواب را دقیق کنترل کنی تا هر بار همان چیزی را بگیری که در ذهن داری — نه چیزی که مدل حدس می‌زند.

۱) قالب خروجی چیست و چرا خروجی‌ها شلوغ می‌شوند؟

«قالب خروجی» یعنی شکل و ساختاری که انتظار داری پاسخ در آن ارائه شود: یک جدول، یک فهرست شماره‌دار، چند پاراگراف کوتاه، یک قطعه کد یا یک شیء دادهٔ ساختاریافته. مدل‌های زبانی وقتی قالب مشخصی نبینند، یک قالب پیش‌فرض انتخاب می‌کنند و این پیش‌فرض معمولاً طولانی، توضیحی و پر از مقدمه و نتیجه‌گیری است. به همین دلیل است که دو نفر با یک سؤالِ مشابه، دو خروجی کاملاً متفاوت می‌گیرند؛ تفاوت در «چطور خواستن» است، نه در «چه پرسیدن».

نکتهٔ کلیدی این است: مدل تلاش می‌کند محتمل‌ترین ادامه را تولید کند، و اگر تو مرزها را تعیین نکنی، خودش پرحرف‌ترین و بی‌خطرترین حالت را برمی‌گزیند. وقتی قالب را قفل می‌کنی، در واقع فضای پاسخ را کوچک و دقیق می‌کنی و مدل مجبور می‌شود در همان چارچوب بماند.

مثال: «مزایای انرژی خورشیدی را توضیح بده.» در برابرِ «مزایای انرژی خورشیدی را در یک فهرست شماره‌دار ۴ موردی بنویس؛ هر مورد یک جمله، بدون مقدمه و بدون نتیجه‌گیری.» جملهٔ دوم دقیقاً همان چیزی را می‌دهد که می‌خواهی و نیاز به ویرایش را حذف می‌کند.

اگر تازه وارد دنیای پرامپت شده‌ای، بهتر است ابتدا مبانی را در راهنمای پرامپت‌نویسی برای مبتدی‌ها مرور کنی تا این آموزش برایت ملموس‌تر شود.

۲) گام اول: قالب را با یک کلمهٔ صریح مشخص کن

ساده‌ترین و قوی‌ترین اهرم، نام‌بردن مستقیم قالب است. فقط کافی است در پرامپت بگویی خروجی «جدول» باشد یا «فهرست» یا «پاراگراف» یا «کد». همین یک کلمه، درصد زیادی از پرگویی و بی‌نظمی را حذف می‌کند، چون مدل بلافاصله می‌فهمد قرار است چه چیزی بسازد.

برای جدول، ستون‌ها را نام ببر. برای فهرست، بگو شماره‌دار باشد یا بولت. برای پاراگراف، تعداد بندها را مشخص کن. هرچه قالب را دقیق‌تر نام ببری، خروجی قابل‌پیش‌بینی‌تر می‌شود.

مثال: «پاسخ را فقط به‌صورت یک جدول با دو ستونِ «ویژگی» و «توضیح» بده؛ حداکثر ۶ ردیف و بدون هیچ متنی بیرون از جدول.» توجه کن که «بدون متن بیرون از جدول» جلوی مقدمه‌چینی مدل را می‌گیرد.

۳) گام دوم: به‌جای گفتن، قالب را «نشان» بده

گاهی توضیح قالب با کلمات سخت است، اما نشان‌دادن یک نمونه بسیار آسان و مؤثر است. اگر یک الگوی خالی جلوی مدل بگذاری، آن را دقیقاً پر می‌کند. مدل‌ها در تقلید از الگو فوق‌العاده‌اند و این روش خطای قالب را به کمترین حد می‌رساند. این همان ایده‌ای است که در پرامپت‌نویسی به آن «few-shot قالبی» می‌گویند: یک قالب مرجع می‌دهی و می‌خواهی خروجی عیناً همان ساختار را داشته باشد.

این روش مخصوصاً وقتی چند خروجی پشت سر هم می‌خواهی طلایی است، چون همه در یک ساختار یکسان تولید می‌شوند و کنار هم مرتب و یکدست به نظر می‌رسند.

مثال: «خروجی را دقیقاً در این قالب پر کن — عنوان: […] | خلاصهٔ یک‌خطی: […] | سه نکتهٔ کلیدی: ۱) … ۲) … ۳) … | یک اقدام عملی: […]». همین الگوی خالی باعث می‌شود مدل چیزی خارج از آن اضافه نکند.

نمونه‌های بیشتری از این تکنیک را در مجموعهٔ آموزش‌های ChatGPT می‌توانی دنبال کنی.

۴) گام سوم: طول، تعداد و مرزها را عددی کن

ابهام دشمن خروجی خوب است و عددها بهترین ابزار برای حذف ابهام‌اند. به‌جای «کوتاه بنویس» بگو «حداکثر ۱۰۰ کلمه»؛ به‌جای «چند نکته» بگو «دقیقاً ۳ نکته». وقتی محدودیت عددی می‌گذاری، مدل چارچوب مشخصی برای تصمیم دارد و خروجی از باری به هر جهت خارج می‌شود.

عددها را می‌توانی روی هر بُعدی اعمال کنی: تعداد کلمات، تعداد بندها، تعداد ردیف‌های جدول، تعداد گزینه‌ها، حتی حداکثر تعداد کاراکتر برای یک عنوان. این دقت، خروجی را هم قابل‌استفاده و هم قابل‌مقایسه می‌کند.

مثال: «این مقاله را در حداکثر ۱۲۰ کلمه خلاصه کن و دقیقاً ۳ نکتهٔ کلیدی به‌صورت بولت بیرون بکش؛ هر بولت حداکثر ۱۵ کلمه.» چنین پرامپتی تقریباً همیشه خروجی یکنواخت و قابل‌اعتماد می‌دهد.

۵) گام چهارم: خروجی ماشین‌خوان بگیر — JSON، جدول و CSV

اگر قرار است خروجی را در یک برنامه، صفحهٔ گسترده یا سیستم دیگری استفاده کنی، به خروجی «ماشین‌خوان» نیاز داری؛ یعنی داده‌ای که ساختار مشخص و قابل‌پردازش دارد. رایج‌ترین قالب‌ها JSON و CSV هستند. رمز موفقیت این است که هم ساختار را دقیق تعریف کنی و هم صریح بخواهی که هیچ متن اضافه‌ای بیرون از داده نباشد.

اینجا یک نکتهٔ مهم وجود دارد: مدل‌ها گاهی دوست دارند قبل یا بعد از داده توضیح بدهند. با یک جملهٔ صریح مثل «فقط JSON معتبر برگردان» جلوی این رفتار را بگیر. همچنین بهتر است نام کلیدها و نوع مقدارها را از پیش تعیین کنی تا خروجی همیشه یکسان باشد.

مثال: «برای هر محصول یک شیء JSON با کلیدهای name (متن)، price (عدد) و in_stock (بولین) بده. خروجی یک آرایه از این اشیاء باشد و فقط JSON معتبر برگردان، بدون هیچ توضیح اضافه.» این قالب مستقیماً قابل استفاده در کد است.

اگر می‌خواهی بدانی این توانمندی از کجا آمده و پشت این مدل‌ها چه شرکتی است، نگاهی به OpenAI چیست بینداز.

۶) گام پنجم: لحن، زبان و مخاطب را قفل کن

قالب فقط ساختار نیست؛ لحن و سطح زبان هم بخشی از قالب خروجی است. یک توضیح یکسان می‌تواند برای یک متخصص یا برای یک کودک نوشته شود و کاملاً متفاوت به نظر برسد. اگر مخاطب و لحن را مشخص نکنی، مدل یک لحن میانهٔ خنثی انتخاب می‌کند که ممکن است برای هدف تو مناسب نباشد.

مخاطب را نام ببر، سطح دانش او را مشخص کن و بگو لحن رسمی باشد یا صمیمی. حتی می‌توانی بخواهی از تشبیه و مثال روزمره استفاده شود یا نشود. هرچه این ابعاد را دقیق‌تر بگویی، خروجی به صدای موردنظر تو نزدیک‌تر می‌شود.

مثال: «این توضیح فنی را با زبان ساده و برای یک نوجوان ۱۵ ساله بازنویسی کن؛ لحن دوستانه، با یک مثال از زندگی روزمره و بدون اصطلاح تخصصی.» همین جمله لحن و مخاطب را هم‌زمان قفل می‌کند.

۷) گام ششم: با محدودیت منفی، اضافات را حذف کن

گاهی مهم‌تر از گفتن آنچه می‌خواهی، گفتن آنچه نمی‌خواهی است. به این کار «محدودیت منفی» می‌گویند. مدل‌ها تمایل دارند مقدمه‌چینی کنند، جمع‌بندی اضافه بگذارند، از عبارت‌های پرتکرار استفاده کنند یا بیش از حد محتاط پاسخ دهند. با چند دستور منفی روشن می‌توانی این عادت‌ها را خاموش کنی.

البته محدودیت منفی را باید هوشمندانه به کار برد؛ درک اینکه مدل کجا خوب عمل می‌کند و کجا باید مهارش کنی، بخشی از شناخت توان و محدودیت‌های واقعی هوش مصنوعی است. هدف، حذف نویز است، نه محدودکردن محتوای مفید.

مثال: «فقط خودِ پاسخ را بده؛ بدون مقدمه، بدون عبارت‌هایی مثل «حتماً» یا «البته»، بدون جمع‌بندی پایانی و بدون ایموجی.» خروجی این پرامپت تمیز و مستقیم است و آمادهٔ استفاده.

۸) گام هفتم: قالب را به یک «قالب قابل‌تکرار» تبدیل کن

وقتی به یک قالب خوب رسیدی، آن را دور نینداز؛ به یک الگوی ثابت تبدیلش کن که بارها استفاده شود. می‌توانی به مدل بگویی از این پس تا اطلاع ثانوی همهٔ خروجی‌ها را در همین ساختار بدهد. این کار در کارهای تکراری — مثل خلاصه‌کردن اخبار، تولید توضیح محصول یا ساختن پست — زمان زیادی صرفه‌جویی می‌کند و خروجی‌ها را یکدست نگه می‌دارد.

این رویکردِ «یک‌بار بساز، همیشه استفاده کن» دقیقاً همان جایی است که پرامپت‌نویسی از یک مهارت سرگرمی به یک ابزار جدی بهره‌وری تبدیل می‌شود؛ موضوعی که در بحث اهمیت هوش مصنوعی در کسب‌وکار اهمیتش روشن‌تر می‌شود. تفاوت یک کاربر معمولی با یک کاربر حرفه‌ای، اغلب در همین قالب‌های آماده است — نکته‌ای که در نوشتهٔ توهم هوش مصنوعی: توسعه‌دهندهٔ تنها در برابر مهندس واقعی هم دیده می‌شود.

مثال: «از این پس برای هر خبری که می‌فرستم، خروجی را دقیقاً در همین قالب بده — تیتر: […] | سه خط خلاصه | چرا مهم است: […] | یک نکتهٔ کاربردی: […] — تا وقتی خودم بگویم قالب عوض شود.» حالا یک خط دستور کافی است تا ده‌ها خروجی یکسان بگیری.

پرسش‌های پرتکرار

آیا کنترل قالب، کیفیت محتوا را پایین می‌آورد؟ نه. کنترل قالب فقط شکل و مرزها را تعیین می‌کند؛ اگر خواستهٔ محتوایی‌ات هم دقیق باشد، کیفیت حفظ می‌شود و حتی بالاتر می‌رود، چون مدل انرژی خود را صرف پرگویی نمی‌کند.

اگر مدل قالب را رعایت نکرد چه کنم؟ معمولاً یک نمونهٔ خالی نشان بده و صریح بگو «دقیقاً از این ساختار پیروی کن». اگر باز هم خطا داشت، محدودیت‌های منفی اضافه کن و خروجی نادرست را با ذکر بخشِ اشتباه به مدل برگردان تا اصلاح کند.

بهترین قالب برای داده‌های عددی و فنی چیست؟ برای استفاده در برنامه یا صفحهٔ گسترده، JSON یا CSV با کلیدهای مشخص بهترین گزینه است؛ برای خواندن انسانی، جدول با ستون‌های نام‌گذاری‌شده مناسب‌تر است.