آناتومی یک پرامپت حرفه‌ای: ۶ جزءِ یک پرامپتِ دقیق

اگر تا حالا از هوش مصنوعی جوابی کلی، سطحی یا بی‌ربط گرفته‌ای، به‌احتمالِ زیاد مشکل از خودِ مدل نبوده؛ از «ساختارِ پرامپت» بوده است. یک پرامپتِ خوب مثل یک بریفِ کاریِ روشن عمل می‌کند: هرچه دقیق‌تر بگویی چه می‌خواهی، مدل کمتر حدس می‌زند و بیشتر همان چیزی را می‌سازد که در ذهن داری. در این آموزش، آناتومیِ یک پرامپتِ حرفه‌ای را جزءبه‌جزء و با مثال‌های واقعی می‌سازیم.

۱. پرامپتِ حرفه‌ای چه فرقی با یک درخواستِ ساده دارد؟

تفاوتِ اصلی در «میزانِ حدس‌زدن» است. وقتی می‌نویسی «یک ایمیل بنویس»، مدل باید ده‌ها چیز را خودش حدس بزند: ایمیل به چه کسی؟ با چه لحنی؟ چند خط؟ درباره‌ی چه موضوعی؟ هر حدسی یک قدم دور شدن از چیزی است که تو واقعاً می‌خواستی. یک پرامپتِ حرفه‌ای این حدس‌ها را حذف می‌کند و مسیر را برای مدل روشن می‌گذارد.

به همین دلیل، طولانی‌تر یا مؤدب‌تر کردنِ جمله لزوماً کیفیت را بالا نمی‌برد؛ آنچه کیفیت را بالا می‌برد «شفافیت» است. یک جمله‌ی کوتاهِ دقیق، تقریباً همیشه از یک پاراگرافِ مبهم بهتر جواب می‌دهد.

یک قاعده‌ی طلایی را همیشه به‌خاطر بسپار: مدل ذهنِ تو را نمی‌خواند. هر چیزی که در سرِ توست اما روی کاغذ نیامده، برای مدل وجود ندارد. پس به‌جای اینکه انتظار داشته باشی مدل «منظورت» را بفهمد، منظورت را صریح بنویس. همین تغییرِ نگرش—از «درخواست کردن» به «بریف دادن»—بزرگ‌ترین جهشی است که در پرامپت‌نویسی تجربه می‌کنی.

مثال: به‌جای «یه ایمیل بنویس»، بنویس: «تو یک منشیِ اداری هستی. یک ایمیلِ رسمیِ کوتاه به مشتری بنویس که به او اطلاع می‌دهد سفارشش دو روز دیرتر می‌رسد و بابتِ تأخیر عذرخواهی می‌کند. حداکثر چهار جمله، لحنِ مؤدب و آرام.» همین چند خط، تقریباً تمامِ حدس‌ها را حذف کرده است.

۲. جزء اول: نقش (به مدل بگو چه کسی است)

وقتی به مدل یک «نقش» می‌دهی، در واقع به آن می‌گویی از میانِ میلیون‌ها سبکِ ممکن، کدام لحن، دایره‌ی واژگان و سطحِ تخصص را انتخاب کند. نقشِ «ویراستار» خروجی را دقیق و نگارشی می‌کند؛ نقشِ «معلمِ کودکان» همان مطلب را ساده و مثال‌محور می‌کند. نقش، ارزان‌ترین راه برای بالا بردنِ کیفیت است.

مثال: «تو یک ویراستارِ فارسی با ده سال تجربه هستی. متنِ من را از نظرِ نگارشی و روان‌بودن اصلاح کن، اما لحنِ صمیمی‌اش را دست‌نخورده نگه دار.» توجه کن که نقش (ویراستار) و یک محدودیت (حفظِ لحن) کنارِ هم آمده‌اند.

نقش را می‌توانی هم در ابتدای گفت‌وگو به‌عنوانِ یک دستورِ کلی تعیین کنی و هم داخلِ خودِ پرامپت. هرچه نقش دقیق‌تر باشد بهتر است: «یک پزشک» خوب است، اما «یک متخصصِ تغذیه که با زبانِ ساده و بدونِ ترساندنِ مخاطب صحبت می‌کند» عالی است. جزئیاتِ نقش، مستقیماً به جزئیاتِ خروجی ترجمه می‌شود.

۳. جزء دوم: وظیفه‌ی روشن (دقیقاً چه کاری؟)

وظیفه، قلبِ پرامپت است و بهتر است با یک «فعلِ کنشی» شروع شود: خلاصه کن، ترجمه کن، مقایسه کن، طبقه‌بندی کن، بازنویسی کن. اگر چند کار داری، آن‌ها را شماره‌گذاری کن تا مدل هیچ‌کدام را جا نیندازد. یک وظیفه‌ی مبهم مثلِ «کمکم کن» مدل را سردرگم می‌کند؛ یک وظیفه‌ی مشخص مثلِ «این سه گزینه را بر اساسِ قیمت و کیفیت مقایسه کن» مسیر را قفل می‌کند.

مثال: «متنِ زیر را در سه گام پردازش کن: ۱) موضوعِ اصلی را در یک جمله بگو، ۲) سه نکته‌ی کلیدی را به‌صورتِ فهرست بیرون بکش، ۳) یک تیترِ جذاب برایش پیشنهاد بده.» اینجا وظیفه به گام‌های روشن شکسته شده است.

یک نکته‌ی مهم: در هر پرامپت روی یک هدفِ اصلی تمرکز کن. اگر می‌خواهی مدل هم ترجمه کند، هم خلاصه کند و هم نقد بنویسد، بهتر است این‌ها را در چند مرحله یا با شماره‌گذاریِ صریح از هم جدا کنی؛ وگرنه مدل ممکن است یکی را فدای دیگری کند و کیفیتِ همه پایین بیاید.

۴. جزء سوم: زمینه و مخاطب (برای چه کسی و چه هدفی؟)

زمینه همان اطلاعاتی است که تو در ذهن داری اما مدل از آن بی‌خبر است: مخاطب کیست، هدفِ نهایی چیست، و خروجی قرار است کجا استفاده شود. یک توضیحِ فنی برای مدیرعامل با همان توضیح برای یک کارشناسِ فنی زمین تا آسمان فرق دارد؛ فقط کافی است مخاطب را مشخص کنی.

مثال: «مخاطب دانش‌آموزانِ دبیرستانی‌اند. مفهومِ شبکه‌ی عصبی را در یک پاراگراف و با یک مثال از زندگیِ روزمره توضیح بده، بدونِ هیچ فرمولِ ریاضی.» تعیینِ مخاطب و هدف، لحن و عمقِ جواب را به‌طورِ خودکار تنظیم می‌کند. اگر می‌خواهی بیشتر با مرزهای واقعیِ این فناوری آشنا شوی، مقاله‌ی توانایی‌ها و محدودیت‌های هوش مصنوعی کمک‌کننده است.

یک اشتباهِ رایج این است که فکر کنیم مدل زمینه را «می‌داند». مدل ممکن است اطلاعاتِ عمومی داشته باشد، اما از شرایطِ خاصِ تو—نامِ برند، مخاطبِ هدف یا محدودیت‌های داخلی—بی‌خبر است. هر فرضی که برایت مهم است را صریح بنویس؛ حتی یک جمله زمینه می‌تواند جلوی یک خروجیِ کاملاً بی‌ربط را بگیرد.

۵. جزء چهارم: داده و جداکننده‌ها (مرزِ دستور و متن را مشخص کن)

وقتی متنی طولانی—مثلِ یک نظرِ مشتری، یک ایمیل یا یک مقاله—را به مدل می‌دهی، خطرِ بزرگ این است که مدل «دستور» و «داده» را با هم قاطی کند. راهِ‌حلِ ساده و بسیار مؤثر، استفاده از «جداکننده» است: داده را داخلِ سه‌گیومه یا میانِ برچسب‌هایی مثلِ [متن] و [پایانِ متن] بگذار تا مدل بداند کجا دستور تمام می‌شود و کجا داده شروع.

مثال: «نظرِ مشتریِ زیر را تحلیل کن و بگو مثبت است یا منفی. فقط یک کلمه برگردان. نظر: “””کیفیتش خوب بود ولی دیر به دستم رسید.”””» جداکردنِ داده با سه‌گیومه یکی از رایج‌ترین خطاهای پرامپت‌نویسی را از بین می‌برد و خروجی را تمیزتر می‌کند.

۶. جزء پنجم: محدودیت‌ها و قواعد (بایدها و نبایدها)

محدودیت‌ها همان‌جایی‌اند که کنترل را به دست می‌گیری: طولِ خروجی، لحن، زبان، و مهم‌تر از همه «نبایدها». گفتنِ اینکه مدل چه‌کاری نکند اغلب به‌اندازه‌ی گفتنِ کاری که باید بکند اهمیت دارد. محدودیت‌ها جلوی پرحرفی، خروجیِ نامرتب و انحراف از موضوع را می‌گیرند.

مثال: «یک شعرِ کوتاه درباره‌ی پاییز بنویس؛ دقیقاً چهار خط، لحنِ ساده و بدونِ استفاده از کلمه‌ی «برگ».» محدودیت‌های عددی (چهار خط) و منفی (بدونِ کلمه‌ی برگ) خروجی را کاملاً قابلِ‌پیش‌بینی می‌کنند.

ترتیبِ محدودیت‌ها هم اهمیت دارد: مهم‌ترین قاعده را اول بنویس، و اگر محدودیتی واقعاً حیاتی است—مثلِ رعایتِ سقفِ کلمات یا پرهیز از یک موضوع—آن را جداگانه و پررنگ تکرار کن. مدل‌ها به دستورهایی که روشن و بی‌ابهام‌اند، به‌مراتب پایبندتر می‌مانند.

۷. جزء ششم: مثال و قالبِ خروجی (شکلِ نهایی را نشان بده)

دو ابزارِ پایانی، بزرگ‌ترین جهش در کیفیت را می‌سازند. اول «مثال» (که به آن few-shot می‌گویند): وقتی یکی‌دو نمونه‌ی ورودی و خروجیِ دلخواه را نشان دهی، مدل الگو را می‌گیرد و همان را ادامه می‌دهد. دوم «قالبِ خروجی»: صریح بگو جواب به چه شکلی باشد—فهرست، جدول، پاراگراف یا حتی JSON. این دو با هم، خروجی را از «تقریباً درست» به «دقیقاً همان» می‌رسانند.

چرا مثال این‌قدر مؤثر است؟ چون به‌جای توضیحِ انتزاعیِ «چه می‌خواهی»، عملاً آن را «نشان» می‌دهی؛ و یک نمونه‌ی خوب، ده جمله توضیح را جبران می‌کند. فقط حواست باشد نمونه‌هایت با هم هماهنگ باشند: اگر الگوی نمونه‌ها ناهماهنگ باشد، مدل هم خروجیِ ناهماهنگ تحویل می‌دهد.

مثال: «مثلِ نمونه‌ها ادامه بده. خوشحال ← 😊 ، غمگین ← 😢 ، عصبانی ← ؟ سپس همین کار را برای ده احساسِ دیگر انجام بده و خروجی را به‌صورتِ جدولِ دو ستونی با عنوان‌های «احساس» و «ایموجی» بده.» اینجا هم مثال و هم قالبِ خروجی کنارِ هم به‌کار رفته‌اند. برای تمرینِ بیشتر روی این تکنیک‌ها، آموزش‌های ChatGPT را ببین.

۸. قالبِ آماده و هنرِ بازنگری

حالا که شش جزء را می‌شناسی، می‌توانی همه را در یک قالبِ همیشگی بچینی و هر بار فقط جاهای خالی را پر کنی. این قالب را ذخیره کن؛ خیلی زود به عادت تبدیل می‌شود:

مثال: «تو [نقش] هستی. [وظیفه‌ی روشن با یک فعلِ کنشی]. زمینه: [مخاطب و هدف]. داده: “””[متن یا موضوع]”””. محدودیت‌ها: [طول، لحن، بایدها و نبایدها]. خروجی را به‌صورتِ [فهرست / جدول / پاراگراف / JSON] بده.»

و نکته‌ی آخر که همه‌چیز را تغییر می‌دهد: پرامپت‌نویسی یک مهارتِ تکرارشونده است، نه یک جادوی یک‌باره. اولین نسخه را بنویس، خروجی را ببین، بعد یک محدودیت یا یک مثال اضافه کن و دوباره اجرا کن. معمولاً نسخه‌ی دوم یا سوم است که دقیقاً به هدف می‌زند. اگر تازه‌کاری، از راهنمای پرامپت‌نویسی برای مبتدیان شروع کن و برای درکِ بهترِ ابزارها سری به اوپن‌ای‌آی چیست بزن.

پرسش‌های پرتکرار

آیا باید همیشه هر شش جزء را بنویسم؟ نه. برای کارهای ساده، دو یا سه جزء (نقش، وظیفه و قالب) کافی است. هرچه کار پیچیده‌تر و حساس‌تر باشد، اجزای بیشتری را اضافه کن تا ابهام کمتر شود.

آیا مؤدب بودن با مدل، کیفیتِ جواب را بالا می‌برد؟ ادب ضرری ندارد، اما عاملِ تعیین‌کننده نیست. آنچه واقعاً جواب را بهتر می‌کند، شفافیت و ساختار است، نه «لطفاً» و «ممنون».

اگر جوابِ دلخواه را نگرفتم چه کنم؟ پرامپت را بازنگری کن: یک مثال اضافه کن، قالبِ خروجی را دقیق‌تر بگو، یا داده را با جداکننده مرزبندی کن. اغلب یک تغییرِ کوچک، تفاوتِ بزرگی می‌سازد. برای دیدنِ اینکه مدل‌های مختلف چطور به یک پرامپت جواب می‌دهند، مقایسه‌ی ChatGPT و DeepSeek نمونه‌ی خوبی است.