مهندسی معکوس پرامپت (Reverse Prompt Engineering)؛ از روی خروجی خوب، پرامپتش را بساز

بارها پیش آمده یک ایمیل، یک پست یا یک پاسخ عالی ببینید و با خودتان بگویید «کاش می‌شد همیشه این‌طوری بنویسم». «مهندسی معکوس پرامپت» (Reverse Prompt Engineering) دقیقاً همین کار را ممکن می‌کند: به‌جای کپی‌کردن آن خروجی خوب، از هوش مصنوعی می‌خواهید پرامپتی بسازد که چنین خروجی‌ای تولید کند. در این آموزش قدم‌به‌قدم یاد می‌گیرید چطور از روی هر نمونهٔ خوبی، یک ابزار قابل‌تکرار بیرون بکشید.

مهندسی معکوس پرامپت چیست و چرا به کارت می‌آید

مهندسی معکوس پرامپت یک تکنیک ساده اما فوق‌العاده کاربردی است: مسیر معمول را برعکس می‌کنید. به‌جای اینکه از یک پرامپت شروع کنید و به خروجی برسید، از یک خروجی خوب شروع می‌کنید و به پرامپتی می‌رسید که آن را می‌سازد. فرض کنید یک متن تبلیغاتی حرفه‌ای، یک ایمیل رسمی تمیز یا یک توضیح محصول جذاب دیده‌اید؛ به‌جای اینکه صرفاً از آن تقلید کنید، از هوش مصنوعی می‌خواهید «دستور پختش» را برایتان بنویسد.

چرا این روش ارزشمند است؟ چون خروجی خوب، یک‌بار به دردتان می‌خورد، اما پرامپتِ سازندهٔ آن خروجی، بارها. وقتی پرامپت را در اختیار داشته باشید، می‌توانید همان سبک و کیفیت را برای ده‌ها موضوع دیگر بازتولید کنید. اگر تازه با پرامپت‌نویسی آشنا می‌شوید، پیشنهاد می‌کنم اول راهنمای ساده پرامپت‌نویسی را بخوانید تا این تکنیک را روی پایهٔ محکم‌تری بگذارید.

مثال: «این متن معرفی محصول را ببین [متن نمونه را اینجا بچسبان]. فعلاً هیچ کاری نکن و چیزی ننویس؛ فقط بگو آماده‌ای تا سؤال بعدی را بپرسم.»

گام نخست: خروجی نمونه را کامل به مدل نشان بده

کیفیت پرامپتی که در نهایت می‌گیرید، مستقیماً به کیفیت نمونه‌ای بستگی دارد که نشان می‌دهید. نمونه را کامل و بی‌کم‌وکاست بچسبانید؛ نه خلاصه، نه تکه‌بریده. اگر نمونه لحن خاص، ساختار مشخص یا طول معینی دارد، همان است که باید حفظ شود. یک اشتباه رایج این است که فقط چند جملهٔ اول را می‌دهند و انتظار دارند مدل کل الگو را حدس بزند.

در همین گام بهتر است زمینه هم بدهید: این خروجی برای چه کسی و چه هدفی بوده است؟ هرچه مدل بهتر بفهمد نمونه در چه بافتی کار می‌کرده، پرامپت دقیق‌تری بازسازی می‌کند. این کار شبیه نشان‌دادن یک نمونهٔ کار به یک طراح است تا سبکش را بشناسد؛ مجموعهٔ آموزش‌های کاربردی چت‌جی‌پی‌تی نمونه‌های خوبی از همین «نشان‌دادن مثال به مدل» دارد.

مثال: «این ایمیل را یک مدیر فروش برای پیگیری یک قرارداد نوشته و خیلی مؤثر بوده: [متن کامل ایمیل]. لحن، طول و ساختارش را خوب بررسی کن، ولی هنوز چیزی ننویس.»

گام دوم: از مدل بخواه پرامپت سازندهٔ آن را بنویسد

حالا هستهٔ اصلی تکنیک: از مدل بخواهید پرامپتی بنویسد که چنین خروجی‌ای تولید کند. اما یک نکتهٔ کلیدی وجود دارد؛ باید بخواهید پرامپت «قابل‌تکرار» باشد، نه مخصوص همین یک نمونه. یعنی از مدل بخواهید بخش‌های متغیر مثل موضوع، مخاطب یا محصول را به‌صورت جای‌خالی داخل براکت بگذارد تا بعداً بتوانید آن‌ها را عوض کنید.

همچنین بخواهید پرامپت به‌صراحت به لحن، طول، ساختار و مخاطب اشاره کند؛ این‌ها همان چیزهایی هستند که نمونه را خوب کرده‌اند و باید در پرامپت صریح شوند. اگر می‌خواهید بدانید چرا نشان‌دادن مثال این‌قدر روی رفتار مدل اثر دارد، خواندن آشنایی با ابزارهای هوش مصنوعی کمکتان می‌کند.

مثال: «حالا مهندسی معکوس کن: چه پرامپتی به یک هوش مصنوعی می‌دهد تا دقیقاً ایمیلی با همین لحن، همین طول و همین ساختار بسازد؟ پرامپت را طوری بنویس که برای موضوع‌های دیگر هم کار کند؛ جای موضوع، مخاطب و هدف را با [ ] مشخص کن.»

گام سوم: پرامپت به‌دست‌آمده را آزمایش و اصلاح کن

پرامپتی که مدل ساخته، یک پیش‌نویس است، نه محصول نهایی. آن را روی یک موضوع تازه اجرا کنید و خروجی را با نمونهٔ اصلی مقایسه کنید. اگر فرق داشت، به‌جای دوباره‌نویسی از صفر، از مدل بپرسید کدام بخش پرامپت را باید عوض کنید تا خروجی به نمونه نزدیک‌تر شود. این حلقهٔ «اجرا، مقایسه، اصلاح» معمولاً در دو تا سه دور به یک پرامپت پایدار می‌رسد.

این گام همان چیزی است که مهندسی معکوس را از یک ترفند سطحی به یک مهارت واقعی تبدیل می‌کند. پرامپت نهایی را جایی ذخیره کنید تا کتابخانهٔ شخصی پرامپت‌هایتان بزرگ شود. برای اینکه بدانید چطور کیفیت یک پرامپت را بسنجید، مقالهٔ توان و محدودیت‌های واقعی هوش مصنوعی دید خوبی می‌دهد.

مثال: «این پرامپتی که ساختی را روی موضوع «پیگیری جلسه با مشتری» اجرا کن. خروجی با نمونهٔ اصلی چه فرقی دارد و کدام جملهٔ پرامپت را عوض کنم تا لحن نزدیک‌تر شود؟»

قالب آمادهٔ مهندسی معکوس پرامپت

برای اینکه هر بار از صفر شروع نکنید، این قالب سه‌مرحله‌ای را ذخیره کنید و در هر موقعیتی به کار ببرید. همین یک قالب برای ایمیل، متن تبلیغاتی، توضیح محصول و حتی سبک نوشتن یک نویسندهٔ محبوبتان جواب می‌دهد.

مثال: «مرحلهٔ ۱: این نمونه را تحلیل کن و لحن، طول، ساختار و مخاطبش را شناسایی کن: [نمونه]. مرحلهٔ ۲: پرامپتی بنویس که خروجی‌ای با همین مشخصات بسازد؛ متغیرها را داخل [ ] بگذار و در پرامپت صریحاً به لحن و ساختار اشاره کن. مرحلهٔ ۳: سه نکته بگو که اگر به پرامپت اضافه کنم، خروجی حرفه‌ای‌تر می‌شود.»

نکتهٔ مهم دربارهٔ این قالب، مرحلهٔ سوم است. وقتی از مدل می‌خواهید پرامپت را «بهتر» هم بکند، اغلب نکته‌هایی اضافه می‌کند که خودتان به آن فکر نکرده بودید و پرامپت را از نمونهٔ اصلی هم قوی‌تر می‌کند.

تفاوت مهندسی معکوس با متاپرامپت و پرامپت قالبی

این سه مفهوم به هم نزدیک‌اند اما نقطهٔ شروعشان فرق دارد. در متاپرامپت، از یک «توضیح کار» شروع می‌کنید و مدل برایتان پرامپت می‌سازد. در پرامپت قالبی، یک الگوی از پیش‌نوشته دارید و بارها با پرکردن جاهای خالی از آن استفاده می‌کنید. اما در مهندسی معکوس، از یک «خروجی واقعی و موجود» شروع می‌کنید و پرامپت را از دلِ آن بیرون می‌کشید.

در عمل این‌ها مکمل هم هستند: با مهندسی معکوس یک پرامپت خوب می‌سازید، بعد آن را به یک پرامپت قالبی تبدیل می‌کنید تا همیشه در دسترس باشد. همین چرخه است که کتابخانهٔ پرامپت شما را غنی می‌کند. اگر به کاربرد این مهارت‌ها در کسب‌وکار فکر می‌کنید، اهمیت هوش مصنوعی در کسب‌وکار را بخوانید.

مثال: «این پرامپتی که با مهندسی معکوس ساختیم را به یک قالب همیشگی تبدیل کن: متغیرها را مشخص کن و یک راهنمای کوتاه بنویس که هر بار چطور پرش کنم.»

کاربردها: از ایمیل و مقاله تا عکس و کد

مهندسی معکوس فقط برای متن نیست. در تصویر، یک عکس یا طرحی که سبکش را دوست دارید به مدل نشان می‌دهید و می‌خواهید پرامپت انگلیسیِ سازندهٔ آن را حدس بزند تا بتوانید تصاویر مشابه بسازید. در کد، یک تابع تمیز و خوش‌ساختار را نشان می‌دهید و می‌خواهید پرامپتی بنویسد که کدی با همان سبک و استاندارد تولید کند. در نوشتن هم می‌توانید سبک یک نویسندهٔ محبوب را بازسازی کنید.

یک کاربرد جذاب برای تولیدکننده‌های محتوا این است: بهترین پست‌هایی که در گذشته گرفته‌اید را مهندسی معکوس کنید تا پرامپت «سبک برند خودتان» را بسازید و از آن به بعد همه‌چیز یکدست باشد. این نگاه، مرز بین کاربر معمولی و حرفه‌ای را مشخص می‌کند؛ چیزی که در مقالهٔ توهم هوش مصنوعی؛ توسعه‌دهندهٔ تنها در برابر مهندس واقعی هم دیده می‌شود.

مثال: «به این تصویر نگاه کن. یک پرامپت انگلیسی بنویس که یک مدل تصویرساز با آن، تصویری با همین سبک، نورپردازی و ترکیب‌بندی بسازد؛ به رنگ‌ها و حال‌وهوا هم اشاره کن.»

اشتباه‌های رایج و نکته‌های حرفه‌ای

رایج‌ترین اشتباه، دادن نمونهٔ ضعیف یا ناقص است؛ پرامپتی که از یک نمونهٔ متوسط بیرون می‌آید، خودش هم متوسط خواهد بود. اشتباه دوم، فراموش‌کردن درخواست «قابل‌تکرار بودن» است؛ اگر این را نگویید، مدل پرامپتی می‌سازد که فقط همان یک نمونه را بازتولید می‌کند. اشتباه سوم، نپرسیدنِ «چرا» است: اگر بپرسید چرا هر بخش پرامپت مهم است، هم بیشتر یاد می‌گیرید و هم بهتر می‌توانید پرامپت را دستکاری کنید.

یک نکتهٔ حرفه‌ای: به‌جای یک نمونه، دو یا سه نمونهٔ خوب بدهید و بخواهید مدل «الگوی مشترک» آن‌ها را در یک پرامپت واحد جمع کند. این کار پرامپت را از حالت وابسته به یک متن خاص خارج می‌کند و به یک قالب واقعی نزدیک می‌کند. برای دنبال‌کردن ترفندها و ابزارهای تازه هم می‌توانید بخش اخبار هوش مصنوعی را مرتب بخوانید.

مثال: «این سه پاسخ خوب را ببین [سه نمونه]. الگوی مشترکشان را پیدا کن و یک پرامپت واحد بنویس که خروجی‌ای با همین کیفیت بسازد؛ توضیح بده هر بخش پرامپت چه نقشی دارد.»

پرسش‌های پرتکرار

آیا مهندسی معکوس پرامپت روی همهٔ مدل‌ها کار می‌کند؟ بله. این تکنیک به قابلیت خاصی نیاز ندارد و روی هر مدل زبانی — از چت‌جی‌پی‌تی و کلود تا جمینای — جواب می‌دهد، چون فقط روش پرسیدن شماست.

چند نمونه لازم است؟ حتی یک نمونهٔ خوب هم کافی است، اما دادن دو یا سه نمونه باعث می‌شود مدل الگوی مشترک را بهتر تشخیص دهد و پرامپت دقیق‌تری بسازد.

فرق مهندسی معکوس با کپی‌کردن مستقیم متن چیست؟ کپی یک خروجی یک‌بارمصرف به شما می‌دهد، اما مهندسی معکوس یک ابزار قابل‌تکرار (پرامپت) می‌سازد که همان کیفیت را برای موضوع‌های تازه بازتولید می‌کند.