پرامپت واگرا-همگرا؛ اول بیست ایده، بعد سه انتخاب

وقتی از هوش مصنوعی ایده می‌خواهید، معمولاً پنج پیشنهاد مؤدب و متوسط می‌گیرید؛ نه بد، نه به‌دردبخور. دلیلش این است که مدل همزمان دارد دو کار متضاد انجام می‌دهد: هم ایده تولید می‌کند و هم آن‌ها را فیلتر می‌کند. پرامپت «واگرا-همگرا» این دو کار را از هم جدا می‌کند و نتیجه‌اش هم تنوع بیشتر است و هم انتخاب دقیق‌تر.

۱) واگرا و همگرا یعنی چه؟

تفکر واگرا یعنی تولید گزینه‌های زیاد و متنوع بدون قضاوت؛ هدفش گستردن فضای احتمال است. تفکر همگرا یعنی محدود کردن گزینه‌ها با معیار و رسیدن به یک انتخاب؛ هدفش تصمیم است. این تمایز در ادبیات روان‌شناسی خلاقیت جا افتاده و بعدها در روش‌های طراحی هم به‌صورت مرحله‌های جداگانه سازمان پیدا کرد.

شناخته‌شده‌ترین تجسم این ایده مدلی است به نام «الماس دوگانه» که فرایند طراحی را به چهار مرحله تقسیم می‌کند؛ دو مرحله‌ی گشایش و دو مرحله‌ی بستن، پشت سر هم. نکته‌ی اصلی مدل این است که این دو حالت نباید همزمان اتفاق بیفتند؛ قضاوت زودهنگام، تنوع را می‌کشد و تنوع بی‌پایان، تصمیم را از بین می‌برد.

همین مشکل دقیقاً در گفت‌وگو با هوش مصنوعی هم رخ می‌دهد. وقتی می‌نویسید «چند ایده‌ی خوب بده»، صفت «خوب» یک فیلتر است و مدل از همان ابتدا محافظه‌کار می‌شود.

۲) چرا مدل به‌طور طبیعی محافظه‌کار است؟

مدل‌های زبانی به سمت پاسخ‌های محتمل‌تر و رایج‌تر گرایش دارند. این ویژگی در بیشتر کاربردها مزیت است اما در ایده‌پردازی مانع می‌شود: رایج‌ترین ایده معمولاً همان چیزی است که همه قبلاً امتحان کرده‌اند.

عامل دوم، محدودیت تعداد است. وقتی می‌گویید «پنج ایده بده»، مدل تلاش می‌کند پنج ایده‌ی قابل دفاع بدهد و همین باعث می‌شود ایده‌های عجیب و پرریسک را حذف کند. وقتی بگویید «بیست ایده‌ی خام بده»، مدل ناچار می‌شود از منطقه‌ی امن بیرون برود؛ چون بیست ایده‌ی محافظه‌کارانه‌ی متمایز اصلاً وجود ندارد.

عامل سوم، نبود معیار روشن در مرحله‌ی انتخاب. اگر معیار ندهید، مدل با معیارهای مبهم خودش انتخاب می‌کند و شما نمی‌فهمید چرا این سه تا. برای مرور اصول پایه‌ی نوشتن دستور دقیق، راهنمای پرامپت‌نویسی برای مبتدی‌ها مفید است.

۳) متن کامل پرامپت واگرا-همگرا

این متن را همراه با توضیح مسئله بفرستید:

این کار را در دو فاز انجام بده. فاز واگرا: بدون قضاوت و بدون فیلتر، بیست ایدهٔ خام و متنوع بده. فاز همگرا: با معیارهای مشخص آن‌ها را غربال کن و سه ایدهٔ برتر را با دلیل انتخاب کن.

سه عنصر کلیدی در این پرامپت هست. «دو فاز» تفکیک را صریح می‌کند و جلوی قضاوت زودهنگام را می‌گیرد. «بیست ایدهٔ خام» عدد بالا و صفت خام، مدل را از منطقه‌ی امن بیرون می‌آورد. «با معیارهای مشخص» مدل را وادار می‌کند معیارهایش را بنویسد، نه اینکه پنهانی اعمالشان کند.

نسخه‌ی تقویت‌شده

برای نتیجه‌ی بهتر این جمله‌ها را اضافه کنید: «در فاز واگرا حداقل پنج ایده باید عمداً عجیب یا نامتعارف باشند.» و «در فاز همگرا اول معیارها را بنویس و از من تأیید بگیر، بعد امتیازدهی کن.» جمله‌ی دوم مهم‌ترین بهبود است؛ چون معیار انتخاب، تصمیم شماست نه تصمیم مدل.

۴) چهار نسخه‌ی موقعیتی

نسخه‌ی ایده‌ی محتوا

فاز اول: بیست ایدهٔ خام برای محتوای این حساب کاربری بده؛ بدون قضاوت، حداقل پنج تا نامتعارف. فاز دوم: با سه معیار جذابیت برای مخاطب هدف، هزینهٔ تولید و تمایز از رقبا امتیاز بده و سه ایدهٔ برتر را با دلیل انتخاب کن.

نسخه‌ی نام و برند

فاز اول: سی نام خام برای این محصول پیشنهاد بده؛ از دسته‌های مختلف مثل توصیفی، استعاری، ترکیبی و ساختگی. فاز دوم: با معیارهای تلفظ آسان برای فارسی‌زبان، معنای منفی نداشتن، به‌یادماندنی بودن و در دسترس بودن دامنه غربال کن و پنج گزینهٔ برتر را بده.

نسخه‌ی حل مسئله‌ی فنی

فاز اول: بیست راه‌حل ممکن برای این مسئله بنویس؛ از راه‌حل‌های بسیار ساده تا بسیار پیچیده و حتی راه‌حل‌هایی که در نگاه اول نامعقول‌اند. فاز دوم: با معیارهای زمان پیاده‌سازی، بدهی فنی، ریسک و اثر روی کاربر امتیاز بده و سه گزینه را با دلیل انتخاب کن.

نسخه‌ی تصمیم شخصی

فاز اول: پانزده مسیر ممکن پیش روی من در این موقعیت بنویس، حتی مسیرهایی که فکر می‌کنی رد می‌کنم. فاز دوم: با معیارهای هم‌راستایی با هدف بلندمدت، ریسک مالی، هزینهٔ برگشت و اثر روی زندگی روزمره غربال کن و سه گزینه را با دلیل معرفی کن.

۵) معیارهای فاز همگرا را چطور بنویسیم

کیفیت خروجی این پرامپت تقریباً کاملاً به کیفیت معیارها بستگی دارد. سه قاعده کمک می‌کند.

قاعده‌ی اول، معیار باید قابل سنجش باشد. «جذاب بودن» معیار نیست؛ «احتمال اشتراک‌گذاری توسط مخاطب هدف» معیاری است که می‌شود درباره‌اش بحث کرد.

قاعده‌ی دوم، حداکثر چهار معیار. با معیارهای بیشتر، امتیازها به هم نزدیک می‌شوند و همه‌ی گزینه‌ها متوسط به نظر می‌رسند.

قاعده‌ی سوم، وزن دادن. اگر یک معیار برایتان مهم‌تر است، صریح بگویید وزنش دو برابر است. بدون وزن‌دهی، معیار کم‌اهمیت می‌تواند انتخاب نهایی را عوض کند.

نکته‌ی آخر اینکه بهتر است معیارها را پیش از دیدن ایده‌ها تعیین کنید. اگر بعد از دیدن فهرست معیار بنویسید، ناخودآگاه معیارهایی می‌سازید که ایده‌ی موردعلاقه‌تان را برنده کند.

یک الگوی امتیازدهی ساده

اگر می‌خواهید خروجی فاز دوم قابل دفاع باشد، از مدل بخواهید جدولی بسازد که در ستون‌هایش معیارها و در سطرهایش ایده‌ها باشند و هر خانه عددی از یک تا پنج بگیرد. سپس بگویید امتیاز نهایی را با اعمال وزن‌ها حساب کند و سه ردیف اول را جدا کند. مزیت این کار فقط مرتب بودن نیست؛ وقتی جدول را می‌بینید می‌توانید بگویید «امتیاز این ایده در معیار تمایز را قبول ندارم» و فقط همان یک عدد را عوض کنید. بدون جدول، تنها راه اعتراض این است که کل انتخاب را رد کنید و از اول شروع کنید.

نکته‌ی دیگر اینکه در پایان فاز دوم از مدل بخواهید یک ایده‌ی حذف‌شده را هم معرفی کند که «به نظرش نزدیک‌ترین بازنده» بوده و بگوید با چه تغییر کوچکی می‌توانست برنده شود. تجربه نشان می‌دهد پاسخ این پرسش اغلب جالب‌تر از خود سه ایده‌ی برتر است، چون ترکیبی از یک ایده‌ی متفاوت و یک اصلاح مشخص را روی میز می‌گذارد.

۶) اشتباه‌های رایج

اشتباه اول، ادغام دو فاز. اگر بنویسید «بیست ایده‌ی خوب بده و سه تای بهترش را انتخاب کن»، عملاً همان حالت پیش‌فرض را گرفته‌اید. تفکیک باید در متن پرامپت صریح باشد.

اشتباه دوم، عدد کم در فاز واگرا. زیر پانزده ایده معمولاً از منطقه‌ی امن خارج نمی‌شود. ایده‌های جالب معمولاً بعد از شماره‌ی دوازده ظاهر می‌شوند.

اشتباه سوم، حذف ایده‌های عجیب پیش از فاز دوم. گاهی ایده‌ی نامعقول در ترکیب با یک ایده‌ی معقول، بهترین گزینه را می‌سازد. اجازه بدهید همه وارد غربال شوند.

اشتباه چهارم، پذیرفتن ادعاهای مدل درباره‌ی بازار یا اعداد بدون بررسی. مدل ممکن است برای توجیه انتخابش آماری بسازد؛ همان مرزی که در بررسی توان و محدودیت‌های واقعی هوش مصنوعی توضیح داده شده است.

۷) ترکیب با تکنیک‌های دیگر

بهترین جفت برای این پرامپت، «تیم قرمز» و «وکیل شیطان» است. بعد از انتخاب سه ایده‌ی برتر، به هرکدام حمله کنید تا ببینید کدام‌یک زیر فشار می‌ماند. ترتیب درست این است: اول واگرا، بعد همگرا، بعد حمله، و در پایان انتخاب نهایی.

ترکیب دوم با «دانش‌سازی مقدماتی» است. اگر پیش از فاز واگرا از مدل بخواهید واقعیت‌های کلیدی حوزه را فهرست کند، ایده‌های تولیدشده کمتر عمومی و بیشتر متناسب با شرایط شما می‌شوند. برای دیدن جایگاه این ابزارها در محیط کاری، اهمیت هوش مصنوعی در کسب‌وکار را ببینید.

۸) یک نکته درباره‌ی نقش انسان

در این فرایند، مدل موتور تولید تنوع است و انسان صاحب معیار. اگر هر دو نقش را به مدل بسپارید، خروجی به میانگین آماری اینترنت نزدیک می‌شود. ارزش واقعی وقتی ساخته می‌شود که تنوع را از مدل بگیرید و قضاوت را خودتان انجام دهید؛ همان تقسیم کاری که در بررسی توهم توسعه‌دهنده‌ی تنها در برابر مهندس واقعی هم بر آن تأکید شده است. برای تکنیک‌های بیشتر، بخش آموزش چت‌جی‌پی‌تی و صفحه‌ی اخبار هوش مصنوعی مرتب به‌روز می‌شوند.

پرسش‌های پرتکرار درباره‌ی پرامپت واگرا-همگرا

چرا عدد بیست؟

عدد جادویی نیست، اما تجربه نشان می‌دهد زیر پانزده مورد معمولاً همه‌چیز در منطقه‌ی امن می‌ماند و بالای سی مورد، تکرار شروع می‌شود. بیست تعادل خوبی است.

می‌شود دو فاز را در دو پیام جدا فرستاد؟

بله و اغلب بهتر است. فاز اول را بگیرید، ایده‌های تکراری را حذف کنید، معیارها را بنویسید و بعد فاز دوم را بفرستید. این کار کنترل شما را بیشتر می‌کند.

برای کارهای فنی هم مناسب است؟

بله، به‌ویژه برای انتخاب معماری یا روش پیاده‌سازی. فقط معیارها باید فنی و قابل سنجش باشند، مثل زمان پیاده‌سازی و بدهی فنی.

اگر همه‌ی ایده‌ها تکراری بودند چه کنم؟

بنویسید «ایده‌های قبلی را کنار بگذار و بیست ایده‌ی کاملاً متفاوت بده که هیچ‌کدام شبیه فهرست قبلی نباشند». تعیین صریح محدودیت، مدل را به فضای تازه می‌برد.

خروجی روی مدل‌های مختلف فرق می‌کند؟

بله، به‌ویژه در فاز واگرا. تفاوت رفتار مدل‌ها را می‌توانید در مقایسه‌ی چت‌جی‌پی‌تی و دیپ‌سیک ببینید؛ اجرای فاز اول روی دو مدل و ادغام فهرست‌ها معمولاً تنوع بیشتری می‌دهد.