کنترل طول پاسخ هوش مصنوعی؛ جواب کوتاه، جمع‌وجور و به‌اندازه بگیر

همه‌ی ما این تجربه را داشته‌ایم: از هوش مصنوعی یک جواب کوتاه می‌خواهیم و او یک مقاله تحویل‌مان می‌دهد؛ سه خط می‌خواهیم و سه پاراگراف می‌گیریم. این «پرحرفی» فقط آزاردهنده نیست، بلکه وقت، توکن و پول را هم هدر می‌دهد. خبر خوب این است که طولِ پاسخ یکی از قابل‌کنترل‌ترین بخش‌های خروجی است، به‌شرط اینکه بلد باشی چطور از مدل بخواهی.

گام یکم: چرا هوش مصنوعی پرحرفی می‌کند

مدل‌های زبانی طوری آموزش دیده‌اند که «کامل و مفید» به نظر برسند؛ برای همین تمایل دارند مقدمه‌چینی کنند، هر نکته را توضیح بدهند و در پایان جمع‌بندی بیاورند. از دید مدل، جوابِ طولانی‌تر یعنی جوابِ کامل‌تر. اما از دید تو، اغلب برعکس است: پاسخِ متمرکز و کوتاه ارزش بیشتری دارد. تا وقتی مرز را مشخص نکنی، مدل حدس می‌زند و معمولاً پرحرفی را انتخاب می‌کند. اگر تازه با این مفاهیم آشنا شده‌ای، مرور آموزش ساده‌ی پرامپت‌نویسی کمک می‌کند پایه‌ات محکم‌تر شود.

ریشهٔ ماجرا این است که «کوتاه» برای انسان و ماشین یک معنی ندارد. کوتاه برای تو شاید دو جمله باشد و برای مدل یک پاراگرافِ فشرده. پس کار ما این است که این ابهام را برداریم و عدد بگذاریم.

یک نکتهٔ رفتاری دیگر هم هست: مدل تمایل دارد هر ادعایی را «توجیه» کند و مثال بزند. این عادت در جای خودش خوب است، اما وقتی تو فقط جوابِ نهایی را می‌خواهی، به پرحرفی تبدیل می‌شود. بنابراین علاوه بر تعیین طول، باید به مدل بفهمانی که این‌بار توضیح و توجیه لازم نیست و فقط نتیجه مهم است.

مثال: «نقش یک ویراستار خبری را بگیر. خلاصهٔ این متن را دقیقاً در دو جمله و زیر ۳۵ کلمه بنویس. از مقدمه و توضیح اضافه پرهیز کن.»

گام دوم: تفاوت «کوتاه بنویس» با بودجهٔ عددی

مهم‌ترین جهش در کیفیت وقتی اتفاق می‌افتد که دستورِ کیفی را به دستورِ کمی تبدیل کنی. «کوتاه بنویس» یک خواسته است؛ «زیر ۵۰ کلمه بنویس» یک قرارداد. مدل با قرارداد بهتر کار می‌کند، چون معیار روشنی برای توقف دارد. به این کار می‌گوییم «بودجهٔ طول»: مثل بودجهٔ پول، سقفی که نباید از آن رد شود.

بودجه می‌تواند سه شکل داشته باشد: سقف کلمات، تعداد جمله، یا تعداد بند/آیتم. هرکدام برای موقعیتی مناسب‌تر است و در گام‌های بعد سراغشان می‌رویم. نکتهٔ کلیدی این است که همیشه یک عدد در پرامپت باشد.

چرا عدد این‌قدر مؤثر است؟ چون به مدل یک «شرط توقف» می‌دهد. وقتی مدل می‌داند سقف کجاست، ناچار می‌شود اولویت‌بندی کند و مهم‌ترین نکته را اول بیاورد. همین اجبار به انتخاب، کیفیت جواب را هم بالا می‌برد، نه فقط طولش را کوتاه؛ چون مدل مجبور است چکیدهٔ فکرش را بگوید، نه همه‌چیز را.

مثال: «سه راهکار برای افزایش فروش فروشگاه اینترنتی بده. هر راهکار حداکثر یک جمله و کل جواب زیر ۶۰ کلمه باشد. بدون مقدمه و بدون نتیجه‌گیری.»

گام سوم: واحد اندازه‌گیری را درست انتخاب کن

انتخاب واحد به نوع خروجی بستگی دارد. برای متنِ روان و توییت‌مانند، «کلمه» بهترین واحد است. برای پاسخ منطقی و پله‌ای، «جمله» کنترل بهتری می‌دهد. برای فهرست کارها یا ویژگی‌ها، «تعداد آیتم» دقیق‌ترین است. اگر واحد را اشتباه بگیری، مدل ممکن است سقف را رعایت کند ولی خروجی به‌دردنخور شود؛ مثلاً پنج جملهٔ بسیار بلند به‌جای یک پاراگراف کوتاه.

برای زبان فارسی یک نکتهٔ ظریف هم هست: مدل‌ها طول را بر اساس توکن می‌سنجند و توکن با «کلمهٔ فارسی» دقیقاً یکی نیست. برای همین سقفِ کلمه همیشه تقریبی است و بهتر است کمی محافظه‌کارانه عدد بدهی. اگر می‌خواهی بدانی این مدل‌ها اساساً چطور کار می‌کنند، این توضیح دربارهٔ OpenAI شروع خوبی است.

مثال: «فهرست خرید هفتگی یک خانوادهٔ سه‌نفره را بنویس. دقیقاً ۸ آیتم، هر آیتم فقط نامِ کالا و مقدار، بدون توضیح.»

گام چهارم: مرزهای بالا و پایین را هم‌زمان بگذار

گاهی مشکل کوتاه‌کردن نیست، بلکه یک‌دستی است. اگر فقط سقف بگذاری، ممکن است مدل جوابِ خیلی کوتاه و ناقص بدهد. راه‌حل این است که یک بازه تعریف کنی: کفِ طول و سقفِ طول. این کار به‌ویژه برای متن‌های بازاریابی و توضیحات محصول عالی است، جایی که هم نباید خشک باشد و هم نباید طولانی شود.

بازه‌گذاری به مدل می‌گوید «نه خیلی کم، نه خیلی زیاد» و خروجی را قابل‌پیش‌بینی می‌کند. این پیش‌بینی‌پذیری همان چیزی است که کار حرفه‌ای را از کار تفننی جدا می‌کند؛ موضوعی که در بحث اهمیت هوش مصنوعی در کسب‌وکار بارها به آن اشاره شده است.

یک ترفند تکمیلی این است که در کنار بازه، «هدف» جواب را هم بگویی. وقتی مدل بداند این متن قرار است کجا استفاده شود، بهتر تصمیم می‌گیرد چه چیزی را نگه دارد و چه چیزی را حذف کند. مثلاً «برای کپشن اینستاگرام» با «برای توضیح فنی سایت» دو خروجیِ کاملاً متفاوت با همان بازهٔ طول می‌سازد.

مثال: «توضیح محصول برای یک ساعت هوشمند بنویس، بین ۴۰ تا ۶۰ کلمه، با لحن گرم و حرفه‌ای، در یک بند.»

گام پنجم: قالب را قفل کن تا طول از کنترل خارج نشود

طول و قالب با هم کار می‌کنند. اگر قالب را آزاد بگذاری، مدل ممکن است با افزودن عنوان، بولت و توضیح، طول را باد کند. وقتی قالب را قفل می‌کنی، دست مدل برای پرحرفی بسته می‌شود. مثلاً بگو خروجی فقط یک جدول دو‌ستونه باشد، یا فقط سه بولت، بدون هیچ متنِ قبل و بعد.

این ترفند به‌خصوص وقتی چند خروجی پشت‌سر‌هم می‌گیری طلایی است، چون همه یک‌شکل و یک‌اندازه می‌شوند. اگر با ساختاردهی خروجی تازه‌کاری، مجموعهٔ آموزش‌های چت‌جی‌پی‌تی نمونه‌های خوبی دارد.

مثال: «برای این سه شهر، جدولی دو‌ستونه بساز: ستون اول نام شهر، ستون دوم یک جملهٔ زیر ۱۲ کلمه دربارهٔ جاذبهٔ اصلی. هیچ متنی بیرون از جدول ننویس.»

گام ششم: از حذف صریح استفاده کن

یکی از قوی‌ترین ابزارهای کوتاه‌سازی، گفتن چیزی است که «نمی‌خواهی». مدل‌ها به‌طور پیش‌فرض مقدمه («سؤال خوبی است!»)، توضیح روش، و نتیجه‌گیری اضافه می‌کنند. با یک جملهٔ حذفی می‌توانی همهٔ این‌ها را برداری. عبارت‌هایی مثل «بدون مقدمه»، «بدون نتیجه‌گیری»، «بدون تکرار سؤال» و «مستقیم به جواب برو» معجزه می‌کنند.

این همان رویکردی است که در پرامپت‌های محدودیت‌محور دیده‌ای: به‌جای اینکه فقط بگویی چه بکند، می‌گویی چه نکند. ترکیب بودجهٔ عددی با حذف صریح، فشرده‌ترین خروجی ممکن را می‌دهد.

حواست باشد که حذفِ بیش از حد هم خطر دارد؛ اگر همه‌چیز را ممنوع کنی، ممکن است جواب خشک و بی‌روح شود. راهِ درست این است که فقط «چربی» را حذف کنی، نه «گوشت» را: مقدمهٔ تعارفی و تکرار سؤال حذف شود، اما جانِ پاسخ سرِ جایش بماند. کمی تمرین لازم است تا این تعادل دستت بیاید.

مثال: «به این پرسش جواب بده. بدون مقدمه، بدون نتیجه‌گیری و بدون تکرار سؤال. فقط پاسخِ نهایی در یک جمله: بهترین ساعت روز برای انتشار پست اینستاگرام چه زمانی است؟»

گام هفتم: پرحرفیِ مدل‌های استدلالی را جداگانه مهار کن

مدل‌های استدلالیِ نسل جدید تمایل دارند «بلند فکر کنند» و همان فکرِ بلند را هم بنویسند. اینجا باید بین دو چیز فرق بگذاری: عمقِ فکر و طولِ خروجی. می‌توانی بگذاری مدل عمیق فکر کند اما جوابِ نهایی را کوتاه بدهد. راهش این است که در پرامپت، خروجی نهایی را از فرایند فکر جدا کنی و فقط برای خروجیِ نهایی بودجه بگذاری.

اگر با این خانواده از مدل‌ها کار می‌کنی، بد نیست تفاوت‌های رفتاری‌شان را در توان و محدودیت‌های واقعی هوش مصنوعی مرور کنی تا انتظارت واقع‌بینانه بماند.

مثال: «هر اندازه لازم است فکر کن، اما جوابِ نهایی را فقط در سه جمله و زیر ۵۰ کلمه بنویس. مراحل فکرت را ننویس؛ فقط نتیجه را بده.»

گام هشتم: با اصلاح پله‌ای به طول دلخواه برس

گاهی اولین جواب دقیقاً اندازهٔ دلخواه نیست و این کاملاً طبیعی است. به‌جای نوشتن یک پرامپت کامل از نو، از اصلاح پله‌ای استفاده کن: از مدل بخواه همان جواب را درصدی کوتاه‌تر یا بلندتر کند. این روش سریع‌ترین راه برای تنظیم دقیق است و کیفیت محتوا را حفظ می‌کند، چون مدل فقط طول را دستکاری می‌کند نه معنا را.

این نگاهِ پله‌ای در کل پرامپت‌نویسی ارزشمند است؛ همان‌طور که در اخبار و تحلیل‌های هوش مصنوعی هم بارها گفته‌ایم، بهترین خروجی معمولاً حاصل چند بار اصلاح کوچک است، نه یک پرامپت جادویی.

مثال: «همین جواب خوب بود، اما ۲۰٪ کوتاه‌ترش کن و فقط مهم‌ترین نکته را نگه دار. لحن و قالب را دست نزن.»

پرسش‌های پرتکرار

پرسش: چرا با اینکه نوشتم «کوتاه»، باز هم جواب طولانی گرفتم؟
پاسخ: چون «کوتاه» برای مدل مبهم است. یک عدد مشخص بگذار، مثل «زیر ۴۰ کلمه» یا «دقیقاً دو جمله»، تا مدل مرز روشنی داشته باشد.

پرسش: سقف کلمه بهتر است یا سقف جمله؟
پاسخ: بستگی به خروجی دارد. برای متن روان، کلمه؛ برای پاسخ منطقی و پله‌ای، جمله؛ و برای فهرست، تعداد آیتم دقیق‌ترین کنترل را می‌دهد.

پرسش: اگر جواب کوتاه شد ولی ناقص بود چه کنم؟
پاسخ: به‌جای فقط سقف، یک بازه بگذار (مثلاً بین ۵۰ تا ۸۰ کلمه) یا با اصلاح پله‌ای بگو «کمی کامل‌ترش کن بدون اینکه از ۸۰ کلمه رد شوی».