پرامپت کدمحور (PAL)؛ جواب دقیق از هوش مصنوعی با کدنویسی و اجرا

هوش مصنوعی در نوشتن و توضیح‌دادن فوق‌العاده است، اما همین که پای یک محاسبهٔ دقیق یا منطق چندمرحله‌ای وسط بیاید، جواب را «حدس» می‌زند و گاهی با اطمینانِ کامل اشتباه می‌گوید. در این درس یاد می‌گیری چطور با یک تغییر ساده در پرامپت، محاسبه را از حدس‌زدن به یک عملیاتِ قطعی تبدیل کنی.

گام ۱ — چرا هوش مصنوعی در حساب و منطق می‌لغزد؟

مدل‌های زبانی در بنیاد خود یک کار انجام می‌دهند: پیش‌بینی محتمل‌ترین کلمهٔ بعدی. این معماری برای زبان معجزه می‌کند، اما برای حساب یک ضعفِ ذاتی دارد؛ مدل هنگام ضرب چندرقمی یا سود مرکب، الگویی را که «شبیه جواب درست» است بازتولید می‌کند، نه لزوماً خودِ جواب درست را. برای همین ممکن است ۲۳۴ × ۵۶۷ را با لحنی کاملاً مطمئن غلط بدهد. نکتهٔ خطرناک همین اطمینان است: خطا بی‌سروصدا و باورپذیر ظاهر می‌شود.

راهکار این نیست که به مدل «فشار» بیاوریم دقیق‌تر فکر کند؛ راهکار این است که محاسبه را از دوشِ حافظهٔ آماری برداریم و به یک ماشینِ دقیق بسپاریم. اینجاست که پای کد وسط می‌آید. اگر با مبانی تازه آشنا می‌شوی، پیشنهاد می‌کنیم اول راهنمای پرامپت‌نویسی به زبان ساده را ببینی تا پایهٔ کار محکم شود.

مثال: «۲۳۴ ضربدر ۵۶۷ چند می‌شود؟ جواب را ذهنی نگو؛ اول یک خط کد پایتون بنویس که این ضرب را انجام دهد، بعد کد را اجرا کن و فقط عدد نهایی را بنویس.»

گام ۲ — پرامپت کدمحور (PAL) دقیقاً چیست؟

ایدهٔ اصلی در یک جمله خلاصه می‌شود: «حساب را خودت نکن؛ کدی بنویس که حساب کند و بعد اجرایش کن.» در روش معمول، مدل زنجیرهٔ استدلال را با کلمه پیش می‌برد و در همان مسیر هم اشتباه می‌کند؛ اما در روش کدمحور، مدل استدلال را به زبانِ برنامه می‌نویسد و مرحلهٔ محاسبه را به مفسر کد می‌سپارد. جوابِ نهایی دیگر برآورد نیست، خروجی یک اجرای واقعی است.

این تکنیک هم در ابزارهایی که «اجرای کد» دارند (مثل حالت تحلیل داده در ChatGPT یا محیط‌های نوت‌بوکی) عالی کار می‌کند و هم وقتی اجراکننده نداری؛ چون حتی نوشتنِ منظمِ کد و دنبال‌کردن خط‌به‌خطِ آن، خطای مدل را به‌شکل چشمگیری کم می‌کند. برای آشنایی بیشتر با خودِ ابزار می‌توانی سری به معرفی OpenAI و چت‌جی‌پی‌تی بزنی.

مثال: «به‌عنوان یک تحلیل‌گر داده عمل کن. برای محاسبهٔ اقساط این وام، مسئله را ذهنی حل نکن؛ یک تابع پایتون بنویس که ورودی‌ها را بگیرد، قسط ماهانه را حساب کند، تابع را اجرا کن و خروجی را نشان بده.»

گام ۳ — تفاوت با زنجیرهٔ تفکر معمولی

در آموزش‌های پرامپت‌نویسی بارها دیده‌ای که «قدم‌به‌قدم فکر کن» چطور کیفیت استدلال را بالا می‌برد. زنجیرهٔ تفکر مسیر رسیدن به جواب را شفاف می‌کند، اما محاسبه همچنان با کلمه و در ذهن مدل انجام می‌شود؛ پس اگر وسط زنجیره یک ضرب را غلط بزند، کل نتیجه خراب می‌شود. پرامپت کدمحور دقیقاً همان حلقهٔ ضعیف را جدا می‌کند: استدلال با زبان، محاسبه با کد.

بهترین کار ترکیب این دو است. اول از مدل بخواه منطق را توضیح دهد، بعد همان منطق را به کد تبدیل کند و اجرا کند. این‌طوری هم می‌فهمی «چرا» و هم مطمئنی که «چقدر» درست است. این تفکیکِ استدلال از محاسبه، همان چیزی است که خیلی از کاربران حرفه‌ای را از تازه‌کارها جدا می‌کند.

مثال: «اول با زبان ساده توضیح بده فرمول سود مرکب چیست و چرا. بعد همان فرمول را در قالب یک کد پایتون بنویس، با نرخ ۲۱ درصد سالانه برای ۱۸ ماه اجرا کن و فقط عدد نهایی را با جداکنندهٔ هزارگان نشان بده.»

گام ۴ — ساختار یک پرامپت کدمحور خوب

یک پرامپت کدمحورِ حرفه‌ای سه بخش دارد: نخست ورودی‌های شفاف و واحد‌دار (تومان، درصد، روز)، دوم خواستهٔ صریح مبنی بر «کد بنویس و اجرا کن»، و سوم قالب دقیق خروجی نهایی. هرچه این سه بخش روشن‌تر باشند، احتمال خطای جای‌گذاری کمتر می‌شود. مثل هر مهارت دیگری، تمرین منظم فرق را می‌سازد.

یک عادت طلایی هم اضافه کن: از مدل بخواه هم کد و هم خروجی اجرا را نشان دهد. اگر فقط عدد نهایی را بگیری، راهی برای راستی‌آزمایی نداری؛ اما وقتی کد جلوی چشمت باشد، هر فرضِ اشتباه را در چند ثانیه می‌گیری. برای درک بهتر مرز توانایی‌ها و محدودیت‌های این ابزارها، این تحلیل از پتانسیل و محدودیت‌های هوش مصنوعی کمکت می‌کند.

مثال: «ورودی‌ها: مبلغ = ۲٬۳۴۰٬۰۰۰ تومان، تخفیف = ۱۷ درصد. یک کد پایتون بنویس که مبلغ نهایی را حساب کند، واحدها را در کامنت مشخص کن، کد را اجرا کن و در پایان فقط بنویس: مبلغ نهایی = … تومان.»

گام ۵ — نمونهٔ کاربردی: محاسبات مالی و درصد

حساب‌های مالی پرتکرارترین جایی است که مدل بی‌کد اشتباه می‌کند: تخفیف پلکانی، مالیات، اقساط، سود مرکب و تبدیل ارز. در همهٔ این‌ها یک عددِ غلط می‌تواند تصمیم را خراب کند، پس دقت مهم‌تر از سرعت است. با پرامپت کدمحور، این محاسبه‌ها را به یک ماشین‌حسابِ قابل‌تنظیم تبدیل می‌کنی. اهمیت این دقت در کسب‌وکار را در چرایی اهمیت هوش مصنوعی در کسب‌وکار بیشتر می‌بینی.

مزیت بزرگ اینجا تکرارپذیری است: وقتی کد ساخته شد، تغییر یک عدد کافی است تا سناریوی تازه بگیری، بدون اینکه کل مسئله را از نو توضیح بدهی. این یعنی یک پرامپت، ده‌ها بار به کارت می‌آید.

مثال: «یک کد پایتون بنویس که قیمت پایه را بگیرد، اول ۱۰ درصد تخفیف باشگاه مشتری و بعد ۹ درصد مالیات را روی مبلغِ تخفیف‌خورده اعمال کند. کد را اجرا کن، جدول مرحله‌به‌مرحله را نشان بده و مبلغ نهایی را جدا بنویس.»

گام ۶ — نمونهٔ کاربردی: تحلیل داده و جدول

وقتی داده‌ای داری که باید خلاصه، شمارش یا مرتب شود، حدس‌زدنِ مدل خطرناک است؛ مخصوصاً در شمارش ردیف‌ها و گرفتن میانگین. اینجا کدمحور یک نجات‌دهندهٔ واقعی است: به مدل بگو داده را به‌شکل ساخت‌یافته بخواند و با کد پردازش کند. به این ترتیب خروجی هم دقیق است، هم قابل‌ارائه.

می‌توانی از مدل بخواهی نتیجه را به‌صورت جدول تمیز، فهرست مرتب‌شده یا حتی یک خلاصهٔ آماری بدهد. هرچه قالبِ خروجی را دقیق‌تر بگویی، جوابِ آماده‌تری می‌گیری و کمتر نیاز به ویرایش دستی داری.

مثال: «این فهرست فروش ماهانه را به‌عنوان داده در نظر بگیر. با کد پایتون مجموع، میانگین و بیشترین ماه فروش را حساب کن، کد و خروجی را نشان بده و در پایان یک جدول سه‌ستونه (شاخص، مقدار، توضیح) بساز.»

گام ۷ — نمونهٔ کاربردی: تاریخ، تقویم و منطق

محاسبهٔ تاریخ و منطقِ شرطی هم از نقاط لغزش مدل است؛ مثلاً «۹۰ روز کاری بعد از یک تاریخ» یا «تفاوت دو ساعت در دو منطقهٔ زمانی». این‌ها را نباید به حافظهٔ مدل سپرد. با کد، تقویم و منطق دقیق و قابل‌اثبات می‌شوند و دیگر خبری از خطاهای عجیبِ روزشماری نیست.

همین اصل برای اعتبارسنجی هم صادق است: بررسی چک‌سام کد ملی، تشخیص معتبربودن یک ایمیل یا شمارش کاراکتر. هر جا قاعده‌ای دقیق و مکانیکی وجود دارد، کد بهتر از حدس عمل می‌کند. اگر به تفاوت هوش واقعی مهندسی و توهمِ سرعت علاقه داری، این مقاله دربارهٔ توهمِ توسعه‌دهندهٔ تنها خواندنی است.

مثال: «با کد پایتون حساب کن از تاریخ ۱ مهر ۱۴۰۴، ۹۰ روزِ بعد چه تاریخی می‌شود. جمعه‌ها را کنار بگذار، کد را اجرا کن و فقط تاریخ نهایی را به‌صورت روز/ماه/سال بنویس.»

گام ۸ — اشتباه‌های رایج و نکته‌های ایمنی

رایج‌ترین اشتباه این است که فقط عددِ نهایی را قبول کنی. همیشه هم کد و هم خروجی اجرا را بخواه؛ عددِ بی‌کد قابل‌اعتماد نیست. اشتباه دوم مبهم‌گذاشتن واحدهاست: اگر نگویی نرخ سالانه است یا ماهانه، مدل خودش یکی را فرض می‌کند و ممکن است غلط باشد. اشتباه سوم، جای‌گذاری اعداد وسط جمله است؛ به‌جای آن ورودی‌ها را در متغیرهای نام‌دار بگذار.

یک هشدار امنیتی هم هست: کدی را که مدل تولید می‌کند، به‌ویژه اگر با فایل‌ها یا شبکه کار می‌کند، پیش از اجرا بخوان و بفهم. برای کارهای حساس، از مدل بخواه کد را «فقط محاسباتی و بدون دسترسی به فایل» نگه دارد. تازه‌ترین تحولات این حوزه را هم می‌توانی در بخش اخبار هوش مصنوعی دنبال کنی.

مثال: «یک کد پایتونِ صرفاً محاسباتی (بدون خواندن یا نوشتن فایل) بنویس که میانگین وزنیِ سه نمره با ضریب‌های ۲، ۳ و ۵ را حساب کند. کد را نشان بده، اجرا کن و نتیجه را با یک رقم اعشار بنویس.»

گام ۹ — قالب آماده و چک‌لیست نهایی

این قالب را ذخیره کن و هر بار جای خالی‌ها را پر کن: «نقش: [تحلیل‌گر/حسابدار]. ورودی‌ها: [با واحد]. خواسته: مسئله را ذهنی حل نکن؛ یک کد [زبان] بنویس که [کارِ محاسباتی] را انجام دهد، کد را اجرا کن. خروجی: هم کد، هم نتیجهٔ اجرا، و در پایان فقط [قالب نهایی].» همین اسکلت، نودرصدِ کار را درست می‌کند.

این درس بخشی از یک مجموعهٔ آموزشی است؛ برای دیدن نقشهٔ کاملِ تکنیک‌ها و ترتیب یادگیری، به راهنمای جامع سری آموزش پرامپت‌نویسی سر بزن و این تکنیک را کنار زنجیرهٔ تفکر و راستی‌آزمایی بگذار.

مثال: «نقش: حسابدار. ورودی‌ها: درآمد = ۴۵٬۰۰۰٬۰۰۰ تومان، هزینه = ۳۱٬۰۰۰٬۰۰۰ تومان، مالیات = ۹ درصدِ سود. مسئله را ذهنی حل نکن؛ یک کد پایتون بنویس که سودِ خالص پس از مالیات را حساب کند، کد را اجرا کن و فقط بنویس: سود خالص = … تومان.»

پرسش‌های پرتکرار

آیا برای استفاده از پرامپت کدمحور باید برنامه‌نویسی بلد باشم؟
نه لزوماً. تو فقط خواسته را به زبان ساده می‌گویی و مدل کد را می‌نویسد و اجرا می‌کند؛ اما اگر بتوانی کد را بخوانی، راحت‌تر راستی‌آزمایی می‌کنی و خطاها را زودتر می‌گیری.

اگر ابزارم قابلیت اجرای کد نداشته باشد چه؟
باز هم بگو کد را بنویسد و «مثل مفسر، خط‌به‌خط» دنبال کند. حتی بدون اجرای واقعی، همین ساختارِ کدمانند خطای محاسباتی را کم می‌کند؛ ولی برای دقتِ کامل، ابزارِ اجرای کد را ترجیح بده.

پرامپت کدمحور بهتر است یا زنجیرهٔ تفکر؟
هیچ‌کدام جای دیگری را نمی‌گیرد. زنجیرهٔ تفکر برای شفاف‌کردن استدلال است و کدمحور برای دقتِ محاسبه؛ بهترین نتیجه از ترکیب این دو به‌دست می‌آید.