آناتومی پرامپت حرفه‌ای: ۶ جزئی که خروجی هوش مصنوعی را متحول می‌کند

پرامپت‌نویسی، مهارتِ گفت‌وگو با هوش مصنوعی است؛ همان چیزی که تعیین می‌کند از ابزارهایی مثل ChatGPT، Gemini یا Claude یک جوابِ کلی و معمولی بگیرید یا یک خروجیِ دقیق، حرفه‌ای و آمادهٔ استفاده. خبر خوب این است که این مهارت، یک استعدادِ ذاتی نیست؛ یک «ساختار» است که می‌شود آن را یاد گرفت و بارها تکرار کرد.

۱) پرامپت چیست و چرا ساختار همه‌چیز را عوض می‌کند؟

پرامپت (Prompt) یعنی همان دستور یا پیامی که شما به هوش مصنوعی می‌دهید. مدل‌های زبانی بر اساس چیزی که می‌نویسید، محتمل‌ترین ادامه را می‌سازند؛ پس اگر ورودی مبهم باشد، خروجی هم مبهم می‌شود. بیشترِ ناامیدی‌ها از هوش مصنوعی نه به‌خاطر ضعفِ مدل، بلکه به‌خاطر پرامپتِ کلی است. وقتی فقط می‌نویسید «دربارهٔ بازاریابی بنویس»، مدل نمی‌داند برای چه کسی، با چه هدفی و در چه قالبی باید بنویسد، پس یک متنِ عمومی تحویل می‌دهد.

راه‌حل، تبدیلِ یک درخواستِ مبهم به یک «بریفِ روشن» است؛ درست مثل زمانی که کاری را به یک همکارِ باهوش می‌سپارید. اگر تازه‌کار هستید، پیشنهاد می‌کنیم ابتدا نگاهی به راهنمای پرامپت‌نویسی برای مبتدی‌ها بیندازید و بعد این ساختار شش‌بخشی را روی آن سوار کنید.

مثال: به‌جای «یک متن دربارهٔ قهوه بنویس»، بنویسید: «تو یک تولیدکنندهٔ محتوای اینستاگرام هستی. یک کپشنِ ۴ خطی و جذاب دربارهٔ فوایدِ قهوهٔ صبحگاهی برای یک کافهٔ محلی بنویس؛ لحن صمیمی، همراه با یک ایموجی و یک دعوت به بازدید از کافه.»

۲) جزء اول — نقش (Role): اول به مدل بگو کیست

وقتی به مدل یک «نقش» می‌دهید، دایرهٔ واژگان، عمقِ تخصص و لحنِ پاسخ را جهت می‌دهید. جملهٔ ساده‌ای مثل «تو یک متخصصِ … هستی» باعث می‌شود مدل از منظرِ آن تخصص به مسئله نگاه کند. همین یک خط، اغلب بیشترین تأثیر را روی کیفیتِ خروجی دارد.

نقش می‌تواند شغلی باشد (وکیل، پزشک، مهندس، معلم)، سبکی باشد (نویسنده‌ای با لحنِ طنز) یا سطحِ مخاطب را مشخص کند (به من مثل یک کودکِ ده‌ساله توضیح بده). هرچه نقش دقیق‌تر باشد، جواب هدفمندتر است. تعیینِ سطحِ تخصص هم مهم است؛ مثلاً «مثلِ یک استادِ دانشگاه توضیح بده» با «به زبانِ خیلی ساده توضیح بده» دو خروجیِ کاملاً متفاوت می‌سازد.

مثال: «تو یک مشاورِ ارشدِ منابع انسانی با ۱۵ سال تجربه هستی. برای یک استارتاپِ ۲۰ نفره، سه سؤالِ کلیدیِ مصاحبهٔ استخدام برای یک توسعه‌دهندهٔ بک‌اند پیشنهاد بده و بگو هر سؤال دقیقاً چه چیزی را می‌سنجد.»

۳) جزء دوم — بافت (Context): زمینه و مخاطب را روشن کن

مدل ذهنِ شما را نمی‌خواند. «بافت» یعنی همهٔ اطلاعاتِ زمینه‌ای که به مدل کمک می‌کند تصمیمِ درست بگیرد: مخاطب کیست؟ هدف چیست؟ چه محدودیت‌هایی وجود دارد؟ چه چیزی قبلاً امتحان شده؟ افزودنِ بافت، تفاوتِ میان یک جوابِ کتابی و یک جوابِ متناسب با موقعیتِ واقعیِ شماست.

یک ترفندِ کاربردی این است که پیش از درخواست، دو سه جمله دربارهٔ شرایط بنویسید. برای مثال اگر دربارهٔ کسب‌وکار می‌پرسید، توضیحِ کوتاهی از بازار و مشتری بدهید؛ در این زمینه مقالهٔ اهمیت هوش مصنوعی در کسب‌وکار دیدِ خوبی می‌دهد.

مثال: «بافت: من یک فروشگاهِ آنلاینِ کوچکِ لوازم‌ورزشی دارم؛ مشتری‌ها بیشتر جوان و حساس به قیمت‌اند. وظیفه: سه ایدهٔ کمپینِ تخفیفِ آخرِ فصل پیشنهاد بده که هزینهٔ اجرای‌شان پایین باشد.»

۴) جزء سوم — وظیفه (Task): دقیق بگو چه می‌خواهی

«وظیفه» قلبِ پرامپت است: دقیقاً چه کاری باید انجام شود؟ از فعل‌های روشن استفاده کنید (بنویس، خلاصه کن، مقایسه کن، فهرست کن، بازنویسی کن) و از درخواست‌های چندپهلو بپرهیزید. اگر چند کار دارید، آن‌ها را شماره‌گذاری کنید تا مدل هیچ‌کدام را جا نیندازد.

یک اشتباهِ رایج این است که چند وظیفهٔ نامرتبط را در یک پرامپت جمع می‌کنند. بهتر است هر پرامپت یک هدفِ اصلی داشته باشد؛ این کار دقت را بالا می‌برد و اصلاحِ خروجی را ساده‌تر می‌کند. اگر وظیفه پیچیده است، آن را به چند زیرْوظیفهٔ کوچک‌تر بشکنید تا مدل هرکدام را جداگانه و با دقتِ بیشتری انجام دهد.

مثال: «متنِ زیر را در سه گام پردازش کن: ۱) در دو جمله خلاصه کن. ۲) پنج کلیدواژهٔ اصلی‌اش را دربیاور. ۳) یک عنوانِ جذابِ زیر ۶۰ کاراکتر برایش پیشنهاد بده. متن: [متن خود را اینجا بگذارید].»

۵) جزء چهارم — قالب خروجی (Format): شکلِ جواب را کنترل کن

اگر شکلِ جواب برایتان مهم است، آن را صریح بخواهید. می‌توانید جدول، فهرستِ شماره‌دار، پاراگراف، کدِ آماده یا حتی خروجیِ ساختارمندِ JSON درخواست کنید. تعیینِ قالب، هم خواندنِ جواب را ساده می‌کند و هم استفادهٔ بعدی از آن را (مثلاً واردکردن در اکسل). اگر خروجی را برای یک برنامهٔ دیگر می‌خواهید، حتی می‌توانید بگویید «فقط JSONِ خالص بده، بدونِ توضیحِ اضافه» تا جواب مستقیماً قابلِ استفاده باشد.

قالب می‌تواند شاملِ طولِ هر بخش، وجودِ عنوان‌ها، یا ترتیبِ اطلاعات هم باشد. هرچه انتظارتان را دقیق‌تر بگویید، کمتر مجبور به بازنویسی می‌شوید.

مثال: «پنج ابزارِ هوش مصنوعی برای ویرایشِ ویدیو را در یک جدول با این ستون‌ها بده: نامِ ابزار، یک قابلیتِ شاخص، رایگان یا پولی، و یک نکتهٔ کوتاه. بعد از جدول چیزی ننویس.»

۶) جزء پنجم — محدودیت‌ها (Constraints): مرزها را تعیین کن

محدودیت‌ها به مدل می‌گویند چه چیزی «نباید» در جواب باشد و چه قیدهایی را رعایت کند: طول (حداکثر ۱۰۰ کلمه)، لحن (رسمی یا خودمانی)، زبان (فارسیِ روان بدون اصطلاحاتِ انگلیسی)، یا پرهیز از موارد خاص. این قیدها جلوی پرحرفی و انحرافِ موضوع را می‌گیرند.

یک نکتهٔ مهم: مدل‌های زبانی گاهی اطلاعاتِ نادرست تولید می‌کنند، پس در موضوعاتِ حساس بخواهید که «اگر مطمئن نیستی، صراحتاً بگو». برای درکِ بهترِ این محدودیت‌ها، مقالهٔ توانایی‌ها و محدودیت‌های هوش مصنوعی خواندنی است.

مثال: «یک توضیحِ ساده دربارهٔ «ارز دیجیتال» بنویس. محدودیت‌ها: حداکثر ۸۰ کلمه، بدونِ اصطلاحاتِ فنی، مناسبِ یک فردِ کاملاً مبتدی، و در پایان یک هشدارِ کوتاه دربارهٔ ریسک اضافه کن.»

۷) جزء ششم — مثال و چند‌نمونه (Few-shot): الگو نشان بده

گاهی ساده‌ترین راهِ رساندنِ منظور، نشان‌دادنِ یک نمونه است. در تکنیکِ «چند‌نمونه» (Few-shot) شما یک یا چند مثال از ورودی و خروجیِ دلخواه به مدل می‌دهید تا الگو را یاد بگیرد و همان سبک را تکرار کند. این روش به‌ویژه برای فرمت‌های خاص، لحنِ برند یا کارهای تکرارشونده عالی است.

در مقابل، حالتِ «بدونِ نمونه» (Zero-shot) یعنی بدونِ مثال مستقیم درخواست می‌کنید؛ برای کارهای ساده کافی است، اما برای سبک‌های دقیق، چند‌نمونه نتیجهٔ بهتری می‌دهد.

مثال: «این پیام‌ها را به لحنِ رسمی بازنویسی کن. نمونه: «سلام، کارت تمومه؟» ← «با سلام، آیا کارِ مربوطه به پایان رسیده است؟». حالا این را بازنویسی کن: «زودتر بفرست لطفاً».»

۸) تکنیک‌های پیشرفته: زنجیرهٔ تفکر و بازْتکرار

برای مسائلی که نیاز به استدلال دارند (ریاضی، منطق، تحلیل)، از تکنیکِ «زنجیرهٔ تفکر» (Chain of Thought) استفاده کنید: از مدل بخواهید قدم‌به‌قدم فکر کند و مراحل را نشان دهد. این کار دقت را در مسائلِ چندمرحله‌ای به‌طورِ چشمگیری بالا می‌برد.

تکنیکِ دومِ حرفه‌ای‌ها «بازْتکرار» (Iteration) است: اولین جواب را نقطهٔ شروع بدانید و با بازخوردِ دقیق آن را جلو ببرید؛ مثلاً «خوب بود، اما لحن را رسمی‌تر کن و یک مثالِ ایرانی اضافه کن». برای تمرینِ بیشتر می‌توانید سری هم به آموزش‌های ChatGPT بزنید. نکتهٔ طلایی این است که بازخوردتان مشخص و کوچک باشد؛ به‌جای «بهترش کن»، دقیقاً بگویید چه چیزی را تغییر دهد و چرا.

مثال: «این مسئله را حل کن و مرحله‌به‌مرحله استدلالت را بنویس، سپس جوابِ نهایی را در یک خطِ جدا با برچسبِ «پاسخ:» بده. اگر فرضی لازم است، اول آن را مشخص کن.»

۹) اشتباهات رایج و چک‌لیستِ نهایی

رایج‌ترین اشتباه‌ها این‌ها هستند: نداشتنِ نقش، جمع‌کردنِ چند وظیفهٔ نامرتبط در یک پرامپت، مشخص‌نکردنِ قالب، فراموش‌کردنِ مخاطب، و توقعِ خواندنِ ذهن به‌جای دادنِ بافت. خبر خوب این است که رفعِ همهٔ این‌ها فقط چند خطِ اضافه می‌خواهد.

قبل از فرستادنِ پرامپت، این چک‌لیست را مرور کنید: آیا نقش را گفته‌ام؟ بافت و مخاطب روشن است؟ وظیفه دقیق است؟ قالبِ خروجی را خواسته‌ام؟ محدودیت‌ها مشخص‌اند؟ اگر لازم است، یک مثال گذاشته‌ام؟ اگر تازه با این ابزارها آشنا شده‌اید، مقالهٔ OpenAI چیست و صفحهٔ جدیدترین اخبار هوش مصنوعی شروعِ خوبی هستند.

مثال: نسخهٔ ضعیف: «یک برنامهٔ غذایی بده.» نسخهٔ حرفه‌ای: «تو یک متخصصِ تغذیه هستی. یک برنامهٔ غذاییِ سه‌روزه برای یک فردِ گیاه‌خوار با بودجهٔ محدود بنویس؛ برای هر روز صبحانه، ناهار و شام، در یک جدول، حداکثر ۲۰۰ کلمه.»

پرسش‌های پرتکرار

آیا باید همیشه هر شش جزء را بنویسم؟ نه. برای کارهای ساده دو سه جزء کافی است؛ اما هرچه کار مهم‌تر و دقیق‌تر باشد، افزودنِ اجزای بیشتر جواب را بهتر می‌کند. این ساختار یک «چک‌لیست» است، نه یک قانونِ اجباری.

طولِ پرامپت چقدر باشد؟ به‌اندازهٔ لازم برای رساندنِ منظور. پرامپتِ کوتاهِ مبهم بد است، اما پرامپتِ طولانیِ پرحرف هم مدل را گیج می‌کند. روشن و دقیق بنویسید، نه لزوماً بلند.

برای تولیدِ تصویر چطور پرامپت بنویسم؟ همان اصول برقرار است: موضوع، سبک (مثلاً نقاشیِ آبرنگ)، نورپردازی، زاویهٔ دید و جزئیات را مشخص کنید. هرچه توصیف بصری دقیق‌تر باشد، تصویر به تصورِ شما نزدیک‌تر می‌شود. به‌جای کپیِ سبکِ یک هنرمندِ خاص، بهتر است ویژگی‌های بصری مثل رنگ، بافت و حال‌وهوا را توصیف کنید تا نتیجه هم اصیل باشد و هم دلخواهِ شما.