پرامپت پیش‌پر کردن پاسخ؛ اولین کلمه‌های جواب را خودت بنویس

بیشتر آموزش‌های پرامپت‌نویسی فقط یاد می‌دهند «چطور سؤال بپرسی»، اما یک اهرم قدرتمند و کمترشناخته‌شده وجود دارد: اینکه اولین کلمه‌های جوابِ مدل را هم خودت بنویسی. به این کار «پیش‌پر کردن پاسخ» یا Prefill می‌گویند و در بسیاری از موارد، دقیق‌تر و مطمئن‌تر از هر دستور طولانی جواب می‌دهد.

مفهوم پیش‌پر کردن پاسخ چیست؟

هر گفت‌وگو با مدل زبانی دو نقش دارد: نقش «کاربر» که سؤال یا دستور می‌نویسد، و نقش «دستیار» که جواب می‌دهد. عادت همه این است که فقط بخش کاربر را پر کنند و کل بخش دستیار را به مدل بسپارند. اما در ابزارهایی که به لایهٔ پیام‌ها دسترسی می‌دهند — مثل کنسول و API شرکت آنتروپیک برای مدل Claude — می‌توانی ابتدای پیام دستیار را هم خودت بنویسی. مدل آن چند کلمه را به‌عنوان «آغازِ حرفِ خودش» می‌پذیرد و طبیعی از همان نقطه ادامه می‌دهد.

تفاوت ظریف اما مهم است: وقتی در پرامپت کاربر می‌نویسی «لطفاً جواب را با JSON بده»، این یک درخواست است که مدل ممکن است رعایت کند یا نکند. اما وقتی پاسخ دستیار را با کاراکتر { شروع می‌کنی، مدل عملاً مجبور است در دنیای JSON ادامه دهد؛ چون آن براکت باز، بخشی از حرفِ خودش شده است. پیش‌پر کردن، خواسته را از «توصیه» به «مسیرِ ازپیش‌تعیین‌شده» تبدیل می‌کند.

چرا این تکنیک انقدر مؤثر است؟

مدل‌های زبانی متن را کلمه‌به‌کلمه و بر اساس آنچه پیش‌تر آمده پیش‌بینی می‌کنند. هر توکنی که در ابتدای پاسخ قرار بگیرد، مثل ریل قطار مسیر بقیهٔ جمله‌ها را می‌سازد. به همین دلیل چند کلمهٔ اول، وزن بسیار بیشتری از یک پاراگراف دستور در پرامپت کاربر دارند. پیش‌پر کردن دقیقاً روی همین نقطهٔ حساس دست می‌گذارد.

نتیجهٔ عملی این است: خروجی پایدارتر و قابل‌پیش‌بینی‌تر می‌شود، نیاز به دستورهای طولانی و تکراری کم می‌شود، و در کارهای خودکار (مثل پردازش دسته‌ای هزار ردیف داده) خطای قالب به‌شدت پایین می‌آید.

گام ۱ — حذف مقدمه‌های اضافی

آزاردهنده‌ترین رفتار مدل‌ها این است که قبل از جواب اصلی می‌نویسند «حتماً! در ادامه…» یا «سؤال خوبی است…». وقتی خروجی را به‌صورت خودکار پردازش می‌کنی، این مقدمه‌ها زباله‌اند. پیش‌پر کردن، ساده‌ترین راه حذف آن‌هاست.

مثال: پیام کاربر: «سه ایدهٔ عنوان برای ویدیوی آموزش پرامپت‌نویسی بده.» و پیام دستیار را خودت این‌طور شروع کن: ۱. — مدل بدون هیچ مقدمه‌ای مستقیم فهرست را از شمارهٔ یک ادامه می‌دهد.

گام ۲ — تضمین خروجی JSON معتبر

وقتی خروجی مدل باید مستقیم وارد یک برنامه یا پایگاه داده شود، حتی یک کلمهٔ توضیح اضافی کل تجزیه (parse) را خراب می‌کند. راه‌حل قطعی، پیش‌پر کردن با آغاز ساختار JSON است.

مثال: پیام کاربر: «این نظر مشتری را تحلیل کن و لحن، امتیاز از ۵ و خلاصه را بده: “ارسال دیر بود ولی کیفیت عالی بود”.» و پیام دستیار را با این شروع کن: {"lahn": — مدل ناچار است شیء JSON را کامل کند و دیگر خبری از جملهٔ توضیحی قبل یا بعد از آن نیست.

نکتهٔ تکمیلی: اگر می‌خواهی خروجی داخل یک بلوک کد بیاید، می‌توانی پاسخ را با سه بک‌تیک و واژهٔ json پیش‌پر کنی تا قالب دقیق‌تر شود.

گام ۳ — قفل‌کردن نقش و پرسونا

در گفت‌وگوهای بلند، مدل گاهی از نقشی که برایش تعریف کرده‌ای بیرون می‌زند. پیش‌پر کردن ابتدای هر پاسخ با نشانهٔ نقش، پرسونا را محکم نگه می‌دارد.

مثال: فرض کن مدل را «مشاور رشد کسب‌وکار» تعریف کرده‌ای. پیام دستیار را با این عبارت شروع کن: به‌عنوان مشاور رشد: — این پیش‌درآمد کوچک باعث می‌شود مدل لحن و زاویهٔ دیدِ همان نقش را در کل پاسخ حفظ کند و به توضیح‌های عمومی و بی‌هدف نلغزد.

گام ۴ — جلوگیری از طفره‌رفتن مدل

گاهی مدل به‌جای انجام کار، با احتیاطِ بیش‌ازحد می‌گوید «من نمی‌توانم مطمئن باشم…» یا حاشیه می‌رود. اگر درخواست کاملاً مجاز و معقول است، می‌توانی با یک پیش‌درآمدِ قاطع مسیر را باز کنی.

مثال: پیام کاربر: «یک برنامهٔ هفت‌روزهٔ تمرین پرامپت‌نویسی برای مبتدی بنویس.» و پیام دستیار را این‌طور آغاز کن: بله، این برنامه شدنی است. روز اول: — مدل به‌جای تردید، مستقیم وارد ساختن برنامه می‌شود.

گام ۵ — ادامهٔ پاسخ نیمه‌کاره

وقتی جواب طولانی وسطِ کار قطع می‌شود، لازم نیست از اول شروع کنی. کافی است چند کلمهٔ پایانیِ همان متن ناتمام را به‌عنوان پیش‌پرِ پاسخ بعدی بگذاری تا مدل دقیقاً از همان‌جا رشتهٔ کلام را بردارد و ادامه دهد؛ بدون تکرار و بدون پرش.

مثال: اگر پاسخ قبلی روی جملهٔ «برای نوشتن یک پرامپت خوب، اول هدف را» قطع شده، پیام دستیار جدید را با همین عبارت «برای نوشتن یک پرامپت خوب، اول هدف را» شروع کن تا خروجی یکپارچه بماند.

گام ۶ — کنترل زبان، قالب و لحن خروجی

پیش‌پر کردن فقط برای JSON نیست؛ هر قالبی را می‌توان با آن قفل کرد: جدول، فهرست نشانه‌دار، شعر، ایمیل رسمی یا حتی زبان خروجی. اولین سطرِ درست، بقیه را همسو می‌کند.

مثال: برای گرفتن یک جدولِ تمیز، پیام کاربر را بنویس «سه ابزار هوش مصنوعی را از نظر قیمت و کاربرد مقایسه کن» و پاسخ دستیار را با سرستون جدول شروع کن: | ابزار | قیمت | بهترین کاربرد | — مدل ردیف‌ها را دقیقاً زیر همین ساختار می‌سازد. اگر خروجی حتماً باید انگلیسی باشد، کافی است پاسخ را با یک واژهٔ انگلیسی شروع کنی تا مدل کل جواب را به همان زبان بدهد.

گام ۷ — پیش‌پر کردن در ابزارهایی که به پیام دستیار دسترسی نمی‌دهند

در رابط‌های سادهٔ چت (مثل نسخهٔ وب برخی دستیارها) نمی‌توانی مستقیم پیام دستیار را ویرایش کنی. اما می‌توانی همان اثر را شبیه‌سازی کنی: در انتهای پرامپت کاربر صریح بنویس پاسخ باید دقیقاً با چه عبارتی شروع شود و هیچ مقدمه‌ای نداشته باشد.

مثال: «متن زیر را خلاصه کن. پاسخت را بدون هیچ مقدمه‌ای و دقیقاً با عبارت “خلاصه:” شروع کن و بعد از آن سه جملهٔ کوتاه بنویس.» این ترفند، نزدیک‌ترین معادلِ پیش‌پر کردن در ابزارهای بدون دسترسی به لایهٔ پیام است. برای آشنایی بیشتر با ساختار پرامپت می‌توانی راهنمای پرامپت‌نویسی برای مبتدی‌ها را هم بخوانی.

گام ۸ — اشتباه‌های رایج و مرزهای اخلاقی

پیش‌پر کردن ابزار قدرتمندی است، اما چند نکتهٔ مهم دارد. اول، پیش‌درآمد را کوتاه و طبیعی نگه دار؛ اگر نیمی از جواب را خودت بنویسی، دیگر از هوش مدل استفاده نکرده‌ای. دوم، در API مدل Claude، پیش‌پرِ پیام دستیار نباید با فاصلهٔ خالی (space) تمام شود وگرنه خطا می‌گیری؛ آن را با یک کاراکتر معنادار ببند. سوم، هرگز پاسخ را با محتوای گمراه‌کننده یا دروغ پیش‌پر نکن تا مدل را به تأیید چیزی وادار کنی؛ این کار کیفیت و صداقت خروجی را خراب می‌کند. برای درک بهتر محدودیت‌های مدل‌ها، این مقاله دربارهٔ توان و محدودیت‌های هوش مصنوعی کمک می‌کند.

پرسش‌های پرتکرار

پیش‌پر کردن با نوشتن دستور در پرامپت چه فرقی دارد؟ دستور در پرامپت کاربر یک درخواست است که مدل ممکن است نادیده بگیرد؛ اما پیش‌پر کردن، بخشی از خودِ پاسخ مدل می‌شود و مدل تقریباً همیشه از همان مسیر ادامه می‌دهد. برای همین قابل‌اعتمادتر است.

آیا در چت‌جی‌پی‌تی هم کار می‌کند؟ در نسخهٔ وب که به لایهٔ پیام دستیار دسترسی نداری، نمی‌توانی مستقیم پیش‌پر کنی؛ اما با نوشتن «پاسخت را دقیقاً با … شروع کن» می‌توانی اثری بسیار نزدیک بگیری. در API و ابزارهایی که پیام دستیار قابل‌ویرایش است، پیش‌پرِ واقعی ممکن است.

پیش‌پر کردن ریسک توهم مدل را زیاد نمی‌کند؟ اگر پیش‌درآمد صادقانه و متناسب با واقعیت باشد، خیر؛ حتی برعکس، با قفل‌کردن قالب، خطاها را کم می‌کند. مشکل فقط وقتی پیش می‌آید که مدل را با پیش‌پرِ دروغ به تأیید چیزی مجبور کنی. برای مهار توهم، مقاله‌های زنجیرهٔ راستی‌آزمایی در وبلاگ را ببین.