پرامپت دستور کار؛ هدف و چند گام را بده، کل مسیرِ مرتب را بگیر

فرض کن می‌خواهی یک کارِ تازه را راه بیندازی؛ مثلاً یک خبرنامه‌ی ایمیلی، یک فروشگاهِ کوچکِ اینترنتی، یا حتی مهاجرتِ کاری. سراغِ هوش مصنوعی می‌روی و می‌پرسی «چطور این کار را انجام بدهم؟» و یک فهرستِ بلندبالا می‌گیری که انگار از روی یک مقاله‌ی عمومی نوشته شده: نصفِ گام‌هایش به وضعیتِ تو ربطی ندارد، چند گامِ مهم جا افتاده، و ترتیب‌شان هم دقیق نیست. مجبور می‌شوی خودت دوباره همه‌چیز را مرتب کنی.

ریشه‌ی مشکل این است که وقتی فقط یک پرسشِ کلی می‌دهی، مدل هم یک جوابِ کلی می‌سازد. تکنیکی که امروز یاد می‌گیری این رابطه را وارونه می‌کند؛ نامش «پرامپت دستور کار» است و از الگوی معروفِ Recipe در مهندسی پرامپت می‌آید. ایده ساده است: تو هدفِ نهایی و چند گامی را که همین حالا می‌دانی لازم است به مدل می‌دهی، و از او می‌خواهی کلِ مسیرِ مرتب را با پر کردنِ گام‌های جاافتاده بسازد. این درس اولین قسمت از یک سری تازه درباره‌ی پرامپت‌های برنامه‌ریزی و ساختاردهیِ کار است.

چرا پرسشِ کلیِ «چطور X را انجام بدهم؟» جوابِ ناقص می‌دهد؟

وقتی یک پرسشِ باز و بدونِ زمینه می‌پرسی، مدل هیچ لنگری ندارد که جوابش را به کارِ واقعیِ تو گره بزند. پس به میانگینِ هر چیزی که در داده‌هایش دیده پناه می‌برد و یک راهنمای «برای همه و در نتیجه برای هیچ‌کس» تولید می‌کند. این جواب معمولاً سه عیب دارد: گام‌های بی‌ربط به شرایطِ تو، نبودِ گام‌هایی که مخصوصِ کارِ توست، و ترتیبی که با واقعیتِ تو نمی‌خواند.

بدتر از همه، همین پرسشِ کلی باعث می‌شود «ندانسته‌های پنهان» هرگز رو نشوند؛ یعنی گام‌هایی که اصلاً نمی‌دانی وجود دارند و برای همین هم در پرسشت نمی‌آیند. مدل هم چون فکر می‌کند تو تصویرِ کاملی داری، آن‌ها را برجسته نمی‌کند. نتیجه این می‌شود که وسطِ کار به دیوار می‌خوری: «ای وای، اول باید دامنه را ثبت می‌کردم» یا «این مرحله پیش‌نیاز داشت که ندیدمش».

راهِ درست این است که به‌جای خواستنِ یک راهنمای از صفر، مدل را در نقشِ یک «کامل‌کننده‌ی مسیر» بگذاری. تو تکه‌هایی از پازل را که داری روی میز می‌چینی و از او می‌خواهی تصویرِ کامل را بسازد. اینجاست که پرامپت دستور کار وارد می‌شود.

پرامپت دستور کار دقیقاً چیست؟

پرامپت دستور کار یعنی به‌جای یک پرسشِ باز، یک «سفارشِ ساخت‌یافته» به مدل می‌دهی که سه چیز را روشن می‌کند: کجا می‌خواهی برسی (هدف)، چه چیزهایی را همین حالا در دست داری یا می‌دانی لازم است (گام‌ها و مواد خام)، و دقیقاً چه خروجی‌ای می‌خواهی (یک مسیرِ کامل و مرتب). بعد از مدل می‌خواهی که گام‌های جاافتاده را پر کند، ترتیبِ درست را بچیند، پیش‌نیازها را علامت بزند و گام‌های اختیاری را از ضروری جدا کند.

تفاوتش با یک راهنمای معمولی در همان چند گامِ اولیه‌ای است که خودت می‌دهی. این گام‌ها مثلِ یک لنگر عمل می‌کنند و مدل را مجبور می‌کنند مسیر را دقیقاً حولِ وضعیتِ تو بسازد، نه حولِ یک کاربرِ فرضی. وقتی می‌گویی «می‌دانم باید حسابِ درگاهِ پرداخت بسازم»، مدل می‌فهمد تو کجای کار ایستاده‌ای و بقیه‌ی مسیر را متناسب با همان می‌چیند.

فرمولِ چهارتکه‌ی دستور کار

هر پرامپت دستور کارِ خوب چهار تکه دارد. تکه‌ی اول هدف است: در یک جمله بگو می‌خواهی به چه برسی. تکه‌ی دوم گام‌های معلوم است: دو تا چند گامی که مطمئنی لازم‌اند را نام ببر تا مدل زمینه‌ی کارت را بگیرد. تکه‌ی سوم محدودیت‌ها و منابع است: بودجه، زمان، ابزارهایی که داری و کارهایی که نمی‌خواهی انجام شود. تکه‌ی چهارم درخواستِ تکمیل است: صریح بخواه که مسیرِ کامل و مرتب را بسازد، جاهای خالی را پر کند و پیش‌نیاز و گامِ اختیاری را مشخص کند.

همین تکه‌ی چهارم است که دستور کار را از یک پرسشِ ساده جدا می‌کند. تو عمداً به مدل می‌گویی «می‌دانم که این فهرست کامل نیست؛ وظیفه‌ی تو کامل‌کردنِ آن است». این جمله مدل را از حالتِ «جوابِ محترمانه به پرسشِ کاربر» بیرون می‌آورد و در نقشِ یک مشاورِ باتجربه می‌گذارد که وظیفه دارد خلأها را پیدا کند.

قالبِ آماده‌ی دستور کار

این قالب را کپی کن، چهار تکه را با کارِ خودت پُر کن و همان را یک‌جا به مدل بده:

می‌خواهم به این هدف برسم: [هدفت را در یک جمله بنویس]

گام‌هایی که می‌دانم لازم است:
- [گام اول که مطمئنی]
- [گام دومی که مطمئنی]

محدودیت‌ها و منابع من:
- زمان/بودجه: [مثلاً دو هفته، بدونِ هزینه‌ی ماهانه]
- ابزارها: [چیزهایی که همین حالا داری]
- خط قرمزها: [کارهایی که نباید در مسیر باشد]

از تو می‌خواهم:
۱) کلِ مسیر را به‌صورتِ یک فهرستِ مرتب و شماره‌دار بده.
۲) گام‌هایی را که من ننوشته‌ام اما لازم است، خودت اضافه کن و با علامتِ (+) مشخص کن.
۳) پیش‌نیازِ هر گام و گام‌های اختیاری را جدا علامت بزن.
۴) آخرِ کار بپرس کدام بخش مبهم است تا کامل‌ترش کنیم.

نکته‌ی مهم این است که بندِ چهارم — «بپرس کدام بخش مبهم است» — عمداً گذاشته شده تا مدل به‌جای حدس‌زدن، ابهام‌ها را به تو برگرداند. این همان جایی است که دستور کار با پرامپت قالبی دست می‌دهد؛ وقتی یک قالبِ خوب ساختی، می‌توانی بارها برای کارهای مختلف از آن استفاده کنی.

یک مثالِ واقعی؛ از راه‌اندازیِ یک خبرنامه‌ی ایمیلی

فرض کن می‌خواهی یک خبرنامه‌ی هفتگی راه بیندازی و فقط دو گام را مطمئنی. به‌جای پرسیدنِ «چطور خبرنامه راه بیندازم؟»، این دستور کار را می‌دهی:

می‌خواهم به این هدف برسم: راه‌اندازیِ یک خبرنامه‌ی ایمیلیِ هفتگی درباره‌ی هوش مصنوعی.

گام‌هایی که می‌دانم لازم است:
- انتخابِ یک سرویسِ ارسالِ ایمیل
- نوشتنِ اولین شماره

محدودیت‌ها و منابع من:
- زمان/بودجه: روزی یک ساعت، ترجیحاً پلنِ رایگان در شروع
- ابزارها: یک دامنه‌ی شخصی دارم
- خط قرمزها: نمی‌خواهم ایمیل‌ها در پوشه‌ی اسپم بیفتند

از تو می‌خواهم کلِ مسیرِ مرتب را بدهی، گام‌های جاافتاده را با (+) اضافه کنی،
پیش‌نیازها و گام‌های اختیاری را علامت بزنی و آخر بپرسی کجا مبهم است.

حالا مدل به‌جای یک فهرستِ عمومی، چیزی شبیهِ این می‌دهد: ثبتِ دامنه (پیش‌نیاز)، انتخابِ سرویس، سپس گامِ جاافتاده‌ای که خودت ندیده بودی مثلِ «تأییدِ احرازِ دامنه با رکوردهای SPF و DKIM برای نیفتادن به اسپم» با علامتِ (+)، بعد ساختنِ فرمِ عضویت، نوشتنِ شماره‌ی اول، و در آخر یک گامِ اختیاری مثلِ زمان‌بندیِ ارسالِ خودکار. همان رکوردهای ضدِاسپم دقیقاً همان «ندانسته‌ی پنهانی» بود که در پرسشِ ساده هرگز رو نمی‌شد.

چه فرقی با تجزیهٔ مسئله و برنامه‌ریز-مجری دارد؟

شاید فکر کنی این همان تجزیه‌ی مسئله است، اما جهتِ کار فرق دارد. در پرامپت تجزیه به زیرمسئله تو یک مسئله‌ی بزرگ را به مدل می‌دهی و او آن را به تکه‌های کوچک می‌شکند؛ حرکت از کل به جزء است. در دستور کار برعکس، تو چند جزءِ معلوم را روی میز می‌گذاری و مدل آن‌ها را به یک کلِ مرتب و کامل تبدیل می‌کند؛ حرکت از جزء به کل است. دستور کار مخصوصِ وقتی است که هدف روشن است و فقط نقشه‌ی رسیدن به آن گم است.

تفاوتش با پرامپت برنامه‌ریز-مجری هم در خروجی است. آنجا مدل اول نقشه می‌کشد و بعد خودش اجرا می‌کند؛ هدف رسیدن به یک نتیجه‌ی نهایی است. اما در دستور کار، خودِ نقشه محصولِ نهایی است: یک چک‌لیستِ کامل و قابلِ‌استفاده که بعداً خودت قدم‌به‌قدم اجرایش می‌کنی. اگر کارت را می‌خواهی پله‌پله و از ساده به سخت پیش ببری، می‌توانی دستور کار را با پرامپت کم‌به‌زیاد ترکیب کنی.

چطور دستور کار را دقیق‌تر و کاربردی‌تر کنیم؟

چند افزودنیِ کوچک کیفیتِ دستور کار را بالا می‌برد. اول، از مدل بخواه برای هر گام یک برآوردِ زمان و یک «تعریفِ انجام‌شده» بنویسد تا بدانی هر مرحله کِی واقعاً تمام شده است. دوم، بخواه گام‌ها را به مرحله‌های بزرگ‌تر دسته‌بندی کند (مثلاً «آماده‌سازی»، «ساخت»، «انتشار») تا نقشه خواناتر شود. سوم، و مهم‌تر از همه، یک خطِ جداگانه اضافه کن: «چه گام‌هایی را معمولاً آدم‌ها در این کار فراموش می‌کنند؟» تا مدل آگاهانه سراغِ همان ندانسته‌های پنهان برود.

یک حرکتِ حرفه‌ای دیگر این است که بعد از گرفتنِ نقشه، آن را به مدل برگردانی و بپرسی «اگر قرار بود این مسیر شکست بخورد، کدام گام نقطه‌ضعفش است؟». این کار دستور کار را از یک فهرستِ خشک به یک نقشه‌ی مقاوم تبدیل می‌کند. همچنین می‌توانی خط قرمزها را به‌شکلِ پرامپت محدودیت‌محور پررنگ‌تر بنویسی تا مدل هیچ گامی خلافِ آن‌ها پیشنهاد ندهد.

اشتباه‌های رایج در دستور کار و راهِ رفعشان

شایع‌ترین اشتباه این است که هیچ گامِ معلومی ندهی و فقط هدف را بنویسی؛ در این حالت دستور کار به همان پرسشِ کلیِ اول برمی‌گردد و جوابْ عمومی می‌شود. دستِ‌کم یکی دو گامی را که مطمئنی بنویس تا مدل لنگر بگیرد. اشتباهِ دوم این است که درخواستِ تکمیل را فراموش کنی؛ اگر صریح نگویی «گام‌های جاافتاده را خودت اضافه کن»، مدل فقط همان چیزهایی را که دادی مرتب می‌کند و خلأها را پیدا نمی‌کند.

اشتباهِ سوم این است که محدودیت‌ها را ننویسی؛ بدونِ دانستنِ زمان، بودجه و ابزار، مدل مسیری می‌چیند که شاید اصلاً با شرایطِ تو نخواند. و اشتباهِ چهارم این است که نقشه‌ی اول را نهایی فرض کنی؛ قدرتِ واقعیِ این تکنیک در رفت‌وبرگشت است: نقشه را بگیر، یکی دو گام را دقیق‌تر کن، دوباره بده و بخواه بازنگری شود تا به یک دستور کارِ پخته برسی.

پرسش‌های پرتکرار

دستور کار برای چه نوع کارهایی بهتر جواب می‌دهد؟
برای هر کاری که هدفش روشن است اما مسیرِ رسیدن به آن چندمرحله‌ای و تا حدی ناشناخته است: راه‌اندازیِ یک پروژه، یادگیریِ یک مهارت، آماده‌شدن برای یک رویداد، یا هر کاری که در آن «می‌دانم کجا می‌خواهم برسم ولی مطمئن نیستم همه‌ی گام‌ها را دیده‌ام».

اگر هیچ گامی بلد نباشم چه؟
همان هدف و محدودیت‌ها را بده و صریح بنویس «هیچ گامی را از قبل نمی‌دانم». دستور کار باز هم کار می‌کند، فقط لنگرِ کمتری دارد؛ در این حالت بعد از گرفتنِ نقشه‌ی اول، یکی دو گام را که برایت روشن‌تر شد به‌عنوانِ گامِ معلوم برگردان تا نسخه‌ی دقیق‌تری بسازد.

فرقش با این‌که خودم فهرست بنویسم و از مدل بخواهم مرتبش کند چیست؟
اگر فقط بخواهی فهرستت را مرتب کند، خلأها هیچ‌وقت پر نمی‌شوند. قلبِ دستور کار همان درخواستِ تکمیلِ فعال است: از مدل می‌خواهی گام‌هایی را که تو ندیده‌ای کشف و اضافه کند، نه فقط چیدمانِ گام‌های موجود را.

روی چه مدل‌هایی کار می‌کند؟
روی همه‌ی مدل‌های اصلی مثلِ ChatGPT، Claude و Gemini خوب کار می‌کند، چون تکنیک به ساختارِ پرامپت وابسته است نه به یک مدلِ خاص. هرچه مدل تواناتر باشد، در پیدا کردنِ ندانسته‌های پنهان دقیق‌تر عمل می‌کند.

حالا نوبتِ توست. دو تمرینِ زیر کمک می‌کنند مطمئن شوی تکنیک را واقعاً گرفته‌ای، نه فقط خوانده‌ای.

جمع‌بندی

پرامپت دستور کار یک تغییرِ ساده اما تعیین‌کننده در طرزِ پرسیدن است: به‌جای یک پرسشِ کلی که جوابِ عمومی می‌گیرد، هدف و چند گامِ معلوم و محدودیت‌هایت را می‌دهی و از مدل می‌خواهی کلِ مسیرِ مرتب را با پر کردنِ گام‌های جاافتاده بسازد. نتیجه یک نقشه‌ی مخصوصِ کارِ خودت است که ندانسته‌های پنهان را رو می‌کند، پیش‌نیازها را روشن می‌کند و بعداً می‌توانی قدم‌به‌قدم اجرایش کنی.

این درس اولین قسمت از یک سری تازه درباره‌ی پرامپت‌های برنامه‌ریزی و ساختاردهیِ کار است. برای دیدنِ نقشه‌ی کاملِ سری‌ها و ادامه‌ی مسیرِ یادگیریِ پرامپت‌نویسی، به راهنمای جامع پرامپت‌نویسی سر بزن. و اگر می‌خواهی ببینی چطور یک مسئله‌ی بزرگ را برعکسِ این تکنیک از کل به جزء بشکنی، سراغِ درسِ پرامپت تجزیه به زیرمسئله برو.

نسخهٔ فوری این مطلب در تلگرام: اینجا بخوانید