پرامپت ویرایش هدفمند؛ به هوش مصنوعی بگو فقط همین را عوض کن و بقیه را دست نزن

تا حالا شده از هوش مصنوعی فقط بخواهی یک جمله را کمی رسمی‌تر کند، اما جوابی بگیری که کل متن از نو نوشته شده، لحنش عوض شده و نصف جزئیات مهمت هم غیب شده‌اند؟ این یکی از پرتکرارترین دردهای کار روزمره با مدل‌هاست و راه‌حلش یک مهارت مشخص است: «ویرایش هدفمند» یا جراحیِ متن.

گام نخست — چرا هوش مصنوعی به‌جای ویرایش، بازنویسی می‌کند

برای اینکه مشکل را حل کنیم، اول باید ریشه‌اش را بفهمیم. مدل زبانی مثل یک ویرایشگر انسانی کار نمی‌کند که با قلم قرمز فقط همان‌جای لازم را خط بزند. مدل در هر نوبت، متنِ پاسخ را از صفر و کلمه‌به‌کلمه دوباره «تولید» می‌کند. یعنی وقتی می‌گویی «این را بهتر کن»، مدل در عمل یک نسخهٔ کاملاً تازه می‌سازد و هیچ تعهدی به حفظِ عین کلماتِ قبلی ندارد.

به همین خاطر است که لحن عوض می‌شود، جمله‌های دوست‌داشتنی‌ات حذف می‌شوند و گاهی اطلاعاتی که اصلاً نگفته بودی تغییر کند، «اصلاح» می‌شوند. مدل فکر می‌کند دارد کمک می‌کند، اما تو فقط یک تغییر کوچک می‌خواستی. اگر با منطق پایهٔ پرامپت‌نویسی تازه آشنا می‌شوی، پیشنهاد می‌کنیم اول راهنمای پرامپت‌نویسی برای مبتدی‌ها را بخوانی تا این درس جا بیفتد.

مثال: پرامپت مبهمِ «این ایمیل رو حرفه‌ای‌ترش کن» تقریباً همیشه کل ساختار، سلام و امضا را عوض می‌کند. در ادامه می‌بینی که با چند کلمهٔ دقیق‌تر می‌شود جلوی این بازنویسیِ ناخواسته را گرفت.

گام دوم — سه‌ضلعی ویرایش هدفمند: لنگر، تغییر، حفاظت

یک پرامپتِ ویرایشِ خوب همیشه سه جزء دارد و نبودِ هرکدام، دری برای خرابکاری مدل باز می‌کند. جزء اول «لنگر» است: دقیقاً به مدل بگو کدام قسمت هدفِ تغییر است (کدام پاراگراف، کدام جمله، کدام تابع). جزء دوم «تغییر» است: بگو با آن قسمت چه کند. و جزء سوم که بیشترین قربانی را می‌گیرد، «حفاظت» است: صریح بنویس بقیهٔ متن نباید تغییر کند.

مثال: «در متن زیر، فقط پاراگراف دوم را کوتاه‌تر و رسمی‌تر کن (این تغییر). همهٔ پاراگراف‌های دیگر را کلمه‌به‌کلمه و بدون هیچ دست‌کاری همان‌طور که هستند برگردان (این حفاظت). متن: …»

وقتی هر سه ضلع را بنویسی، دامنهٔ آزادیِ مدل قفل می‌شود و دیگر نمی‌تواند به بهانهٔ «بهتر کردن» به جاهای دیگر دست بزند. این همان تفاوت کسی است که ابزار را می‌شناسد با کسی که فقط امیدوار است؛ موضوعی که در بحث توان و محدودیت‌های واقعی هوش مصنوعی هم بیشتر به آن پرداخته‌ایم.

گام سوم — «بند حفاظت» را چطور بنویسیم که مدل چیزی اضافه نکند

بند حفاظت مهم‌ترین و در عین حال فراموش‌شده‌ترین جملهٔ یک پرامپت ویرایش است. مدل‌ها ذاتاً تمایل دارند «ارزش اضافه» بدهند: یک توضیح اضافه می‌کنند، یک اموجی می‌گذارند، املا را «درست» می‌کنند یا ساختار را عوض می‌کنند. یک بند حفاظتِ قوی جلوی همهٔ این‌ها را می‌گیرد.

مثال: «قوانین خروجی: چیزی اضافه، حذف یا بازنویسی نکن جز دقیقاً همان موردی که خواستم. لحن، طول، قالب‌بندی، فاصله‌ها و حتی غلط‌های عمدی را دست‌نخورده نگه دار. هیچ توضیح یا مقدمه‌ای ننویس و فقط متنِ نهایی را برگردان.»

دقت کن که اینجا صراحت، ادب نیست؛ ضرورت است. هرچه بندِ حفاظت دقیق‌تر باشد، خروجی قابل‌پیش‌بینی‌تر می‌شود. این همان کنترلی است که در محیط‌های کاری و کسب‌وکار اهمیت حیاتی دارد؛ درباره‌اش در مطلب چرا هوش مصنوعی در کسب‌وکار مهم است بیشتر گفته‌ایم.

گام چهارم — لنگرگذاری دقیق؛ به مدل بگو کجا را عوض کند

اگر مدل محلِ دقیق تغییر را اشتباه بگیرد، حتی بهترین بند حفاظت هم بی‌فایده است. برای لنگرگذاری چند روش داری: اشاره به شمارهٔ پاراگراف یا خط، نقل‌قولِ عینِ عبارتِ هدف، یا گذاشتنِ یک نشانهٔ یکتا کنار همان قسمت. روش نقل‌قول معمولاً دقیق‌ترین است چون جای هیچ تعبیری باقی نمی‌گذارد.

مثال: «در متن زیر، عبارتِ دقیقِ ‹در اسرع وقت پاسخ خواهیم داد› را پیدا کن و فقط آن را با ‹حداکثر تا پایان روز کاری بعد پاسخ می‌دهیم› جایگزین کن. اگر این عبارت را پیدا نکردی، چیزی را عوض نکن و فقط بنویس: یافت نشد.»

آن جملهٔ آخر یک محافظِ طلایی است: به مدل اجازهٔ حدس‌زدن نمی‌دهی. این دقیقاً همان رویکردی است که در آموزش‌های گام‌به‌گام ChatGPT روی آن تأکید می‌کنیم؛ مدل را مجبور کن به‌جای حدس، صادق باشد.

گام پنجم — خروجی کامل با علامت‌گذاریِ تغییر، به‌جای دیف خام

وقتی چند بار پشت‌سرهم ویرایش می‌کنی، باید بتوانی ببینی دقیقاً چه عوض شده است. دو راه داری: یا از مدل بخواه کل متنِ نهایی را برگرداند و فقط قسمتِ عوض‌شده را علامت بزند، یا بخواه در دو بخشِ «قبل» و «بعد» فرق‌ها را نشان بدهد. برای متن‌های فارسی، روشِ «متن کامل + علامت‌گذاری» معمولاً امن‌تر از قالبِ فنیِ دیف است، چون مدل کمتر دچار خطای ساختاری می‌شود.

مثال: «متن کاملِ ویرایش‌شده را برگردان و تنها جمله‌ای که عوض کردی را داخل علامتِ ⟦ … ⟧ بگذار تا سریع ببینمش. زیر متن هم در یک خط بنویس چه چیزی و چرا عوض شد.»

این عادت باعث می‌شود هیچ تغییرِ پنهانی از چشمت دور نماند و بتوانی با خیال راحت نسخهٔ نهایی را تأیید کنی.

گام ششم — ویرایش هدفمند روی کد؛ بدون خراب‌کردن بقیهٔ فایل

ویرایش هدفمند برای برنامه‌نویس‌ها حتی حیاتی‌تر است. یک مدل که «کل فایل را بهبود می‌دهد» می‌تواند importها را جابه‌جا کند، امضای توابع را عوض کند یا منطقی را که کار می‌کرد بشکند. برای کد، لنگرگذاری باید روی نام تابع، شمارهٔ خط یا بلوکِ مشخص باشد و بند حفاظت باید رفتار بیرونی را تضمین کند.

مثال: «فقط داخلِ تابعِ ‹validate_email› حلقه را به regex تغییر بده. امضای تابع، نام متغیرهای ورودی/خروجی و بقیهٔ فایل را عیناً نگه دار. هیچ importـی را حذف یا مرتب نکن و هیچ تابع دیگری را لمس نکن.»

تفاوتِ یک پرامپتِ دقیق با یک درخواستِ کلی، دقیقاً همان تفاوتی است که در مطلب توهم برنامه‌نویس تنها در برابر مهندس واقعی شرحش داده‌ایم: ابزار قدرتمند است، اما کنترلش با توست.

گام هفتم — یک تغییر در هر نوبت؛ راز ویرایش قابل‌کنترل

وسوسه می‌شوی در یک پرامپت پنج تغییر مختلف بخواهی، اما این بزرگ‌ترین خطای ویرایش است. وقتی چند تغییر را با هم می‌دهی، اگر یکی‌شان خراب شود دیگر نمی‌دانی کدام دستور باعثش شده و کنترل از دستت در می‌رود. ویرایش حرفه‌ای یعنی تغییرات کوچک و پیاپی، هر بار یک قدم.

مثال: به‌جای «این سه پاراگراف را خلاصه کن، لحن را دوستانه کن و یک نتیجه‌گیری اضافه کن»، اول بنویس: «فقط پاراگراف اول را به دو جمله خلاصه کن؛ بقیه دست‌نخورده.» نتیجه را تأیید کن، بعد سراغ تغییر بعدی برو.

این رویکردِ گام‌به‌گام، خویشاوندِ همان تفکرِ مرحله‌ای است که ستون فقرات پرامپت‌نویسی پیشرفته است و در مجموعهٔ کامل آموزش پرامپت‌نویسی قدم‌به‌قدم سراغش رفته‌ایم.

گام هشتم — دام‌های رایج و چطور دورشان بزنیم

چند اشتباه هست که حتی کاربرهای حرفه‌ای هم مرتب در آن‌ها می‌افتند. اولی، فراموش‌کردنِ بند حفاظت است که دیدیم چه بلایی سر متن می‌آورد. دومی، لنگرِ مبهم مثل «آن قسمت» یا «جایی که دربارهٔ قیمت بود» است که مدل را به حدس‌زدن وا می‌دارد. سومی، درخواستِ «بهترش کن» بدون معیار است؛ «بهتر» برای مدل هزار معنی دارد.

مثال: دامِ مبهم: «لحنش رو بهتر کن.» نسخهٔ هدفمند: «فقط لحن پاراگراف سوم را از محاوره‌ای به رسمیِ اداری تغییر بده؛ طول و ترتیب جمله‌ها ثابت بماند و بقیهٔ متن دست‌نخورده برگردد.»

اگر می‌خواهی عمیق‌تر بدانی این مدل‌ها از کجا آمده‌اند و چرا این‌طور رفتار می‌کنند، مطلب اوپن‌ای‌آی چیست نقطهٔ شروع خوبی است و برای دنبال‌کردنِ تازه‌ترین تحولات هم بخش اخبار هوش مصنوعی را از دست نده.

پرسش‌های پرتکرار

چرا مدل با وجود بند حفاظت باز هم گاهی کل متن را عوض می‌کند؟ معمولاً به‌خاطر لنگرِ ضعیف یا پرامپتِ شلوغ است. اگر چند دستور را قاتی کنی یا محل تغییر مبهم باشد، مدل سردرگم می‌شود. پرامپت را ساده کن، فقط یک تغییر بخواه و بند حفاظت را در انتها و با صراحت تکرار کن.

برای متن‌های خیلی بلند بهتر است چه کنم؟ متن را تکه‌تکه کن و هر بار فقط همان تکهٔ هدف را به مدل بده، نه کل سند را. این کار هم دقت را بالا می‌برد و هم جلوی فراموش‌کاریِ مدل در متن‌های طولانی را می‌گیرد.

آیا ویرایش هدفمند روی همهٔ مدل‌ها جواب می‌دهد؟ بله، این یک اصل عمومی پرامپت‌نویسی است و روی ChatGPT، Gemini، Claude و بقیه کار می‌کند. فقط بعضی مدل‌ها به بند حفاظتِ صریح‌تر نیاز دارند؛ کمی آزمون‌وخطا کن تا لحنِ دستورِ مناسبِ مدلِ خودت را پیدا کنی.