وقتی خروجی یک ابزار هوش مصنوعی مبهم یا بی‌استفاده است، معمولاً اولین واکنش این است که دنبال «پرامپت جادویی» بگردیم. اما پرامپت حرفه‌ای بیشتر از آنکه جمله‌ای هوشمندانه باشد، شبیه یک brief کاری دقیق است: هدف، زمینه، ورودی، محدودیت و معیار تحویل را روشن می‌کند.
این نگاه یک مزیت مهم دارد. به‌جای حفظ‌کردن دستورهای طولانی، یاد می‌گیرید مسئله را طوری تعریف کنید که هم مدل و هم یک همکار انسانی بتوانند خروجی مطلوب را بفهمند. نتیجه قابل تکرارتر می‌شود و اصلاح آن نیز از حدس‌زدن به یک فرایند روشن تبدیل خواهد شد.
پرامپتنویسی دقیقاً چیست؟
پرامپت مجموعه اطلاعات و دستورهایی است که به مدل می‌دهید تا یک کار را انجام دهد. این مجموعه میتواند فقط یک سؤال باشد یا شامل داده، نمونه، قالب خروجی و چند مرحله بررسی شود. طولانی‌تر بودن الزاماً بهتر نیست؛ هر بخش باید ابهامی را کم کند.
مدل ذهن شما و شرایط سازمان را نمی‌داند. اگر مخاطب، هدف یا محدودیت را نگویید، آن‌ها را حدس می‌زند. پرامپتنویسی حرفه‌ای هنر کمکردن همین حدس‌های بی‌فایده و بازگذاشتن فضای مناسب برای استدلال یا خلاقیت است.
چارچوب شش‌بخشی یک دستور حرفه‌ای
برای بیشتر کارهای دانشی می‌توانید از شش جزء استفاده کنید: هدف، زمینه، ورودی، فرایند، قالب خروجی و معیار کیفیت. لازم نیست همیشه این عنوان‌ها را بنویسید، اما باید بدانید هرکدام در کجای درخواست پوشش داده شده است.
- هدف: در پایان دقیقاً چه چیزی باید تحویل بگیرید؟
- زمینه: این خروجی برای چه مخاطب و چه موقعیتی استفاده می‌شود؟
- ورودی: مدل باید بر اساس کدام متن، داده یا منبع کار کند؟
- فرایند: چه مراحلی یا بررسی‌هایی باید انجام شود؟
- قالب: پاسخ جدول، فهرست، JSON، ایمیل یا متن پیوسته باشد؟
- معیار کیفیت: چه چیزهایی باید وجود داشته باشد و چه چیزهایی نباید باشد؟
الگوی کوتاه: «برای [مخاطب]، با استفاده از [ورودی]، [خروجی] را بساز. [محدودیت‌ها] را رعایت کن و پاسخ را در قالب [قالب] ارائه بده.»
زمینه کافی بدهید، نه انبوه اطلاعات
زمینه خوب اطلاعاتی است که تصمیم خروجی را تغییر میدهد. برای نوشتن صفحه محصول، شناخت مخاطب، مرحله سفر خرید، مزیت واقعی و لحن برند مفید است. تاریخچه کامل شرکت یا ده‌ها صفت کلی معمولاً کمکی نمی‌کند.
اگر سند طولانی دارید، مشخص کنید کدام بخش منبع حقیقت است و در صورت نبود اطلاعات مدل چه کند. عبارتی مانند «اگر پاسخ در منبع نیست، حدس نزن و مورد مبهم را مشخص کن» از بسیاری از خطاهای قانع‌کننده جلوگیری می‌کند.
با نمونه، مرز کیفیت را نشان دهید
نمونه زمانی ارزشمند است که ویژگی مطلوب را نشان دهد. اگر لحن کوتاه و شفاف می‌خواهید، یک نمونه خوب و در صورت نیاز یک نمونه نامطلوب ارائه دهید و تفاوتشان را توضیح دهید. مدل از الگوی واقعی بهتر از صفت‌هایی مثل «حرفه‌ای و جذاب» استفاده می‌کند.
نمونه‌ها باید متنوع باشند تا مدل فقط واژه‌های همان متن را تقلید نکند. اطلاعات حساس یا محتوایی که اجازه استفاده از آن را ندارید وارد نمونه نکنید.
محدودیت‌های قابل سنجش بنویسید
«کوتاه بنویس» برای افراد مختلف معنای متفاوتی دارد. «در ۱۲۰ تا ۱۵۰ کلمه و سه پاراگراف بنویس» قابل بررسی است. به همین شکل، به‌جای «از کلیشه استفاده نکن»، چند کلیشه نامطلوب را نام ببرید یا ویژگی جایگزین را توضیح دهید.
محدودیت‌های زیاد می‌توانند با هم تعارض پیدا کنند. آن‌ها را اولویت‌بندی کنید: دقت و وفاداری به منبع معمولاً باید بالاتر از لحن یا ایجاز باشد. اگر دو شرط ناسازگار شدند، از مدل بخواهید تعارض را گزارش کند.
کار پیچیده را به چند تحویل کوچک تقسیم کنید
درخواست هم‌زمان پژوهش، تحلیل، نگارش و ویرایش احتمال خطا را بالا می‌برد. ابتدا از مدل بخواهید مسئله و کمبود اطلاعات را مشخص کند. پس از تأیید، طرح را بسازد؛ سپس یک بخش را بنویسد و در پایان با چک‌لیست ارزیابی کند.
این تقسیم‌بندی به شما نقاط کنترل میدهد. اگر طرح اشتباه باشد، پیش از تولید هزار کلمه آن را اصلاح می‌کنید. برای کارهای تکراری نیز می‌توانید هر مرحله را به یک جزء ثابت از گردش‌کار تبدیل کنید.
خروجی را با معیار ثابت ارزیابی کنید
بدون معیار، اصلاح پرامپت به سلیقه لحظه‌ای وابسته می‌شود. پنج تا ده ورودی نماینده انتخاب کنید و خروجی هر نسخه پرامپت را روی همان‌ها بسنجید. دقت، کامل‌بودن، لحن، قالب و میزان اصلاح انسانی می‌توانند معیارهای شما باشند.
از خود مدل هم می‌توان برای بررسی اولیه قالب یا یافتن ادعاهای بدون منبع کمک گرفت، اما ارزیابی نهایی به‌خصوص در موضوعات حساس باید مستقل و انسانی باشد. نسخه پرامپت و نمونه خطاها را نگه دارید تا بدانید هر تغییر چه اثری گذاشته است.
- پیش از تغییر، خروجی فعلی را به‌عنوان خط پایه ذخیره کنید.
- در هر بار فقط یک یا دو متغیر را تغییر دهید.
- هم نمونه‌های عادی و هم ورودی‌های دشوار را آزمایش کنید.
- هزینه، سرعت و میزان بازبینی انسانی را کنار کیفیت بسنجید.
یک مثال: از درخواست مبهم تا brief قابل اجرا
درخواست مبهم می‌گوید: «برای محصول ما یک پست اینستاگرام جذاب بنویس.» مدل نمی‌داند محصول چیست، مخاطب چه کسی است و جذابیت چگونه سنجیده می‌شود. نسخه بهتر مشخص می‌کند محصول یک دوره مقدماتی است، مخاطب شاغلان کم‌وقت‌اند، هدف ثبت‌نام در وبینار معرفی است و ادعای درآمد تضمینی ممنوع است.
سپس قالب را تعیین می‌کند: یک تیتر حداکثر هشت‌کلمه‌ای، متن ۸۰ تا ۱۰۰ کلمه‌ای، سه نکته کاربردی و یک دعوت به اقدام روشن. در پایان می‌خواهد هر ادعایی که به داده نیاز دارد علامت‌گذاری شود. تفاوت اصلی در واژه‌های زیبا نیست؛ در حذف ابهام‌های تصمیمساز است.
اشتباه‌هایی که کیفیت پرامپت را پایین می‌آورند
دادن نقش‌های اغراق‌آمیز مانند «تو بهترین متخصص جهان هستی» به‌تنهایی اطلاعات مسئله را بیشتر نمی‌کند. درخواست منبع بدون فراهم‌کردن دسترسی به منبع نیز میتواند به ارجاع نادرست منجر شود. اعتماد به اولین پاسخ و ارسال مستقیم آن، ریسک دیگری است که با یک مرحله بازبینی ساده کاهش می‌یابد.
پرامپت بسیار بلند و انباشته از قواعد تکراری هم لزوماً پایدار نیست. اجزای ثابت را در یک قالب نگه دارید، ورودی متغیر را جدا کنید و از مدل بخواهید پیش از اجرا، کمبودهای حیاتی را بپرسد.
قالبی که می‌توانید برای کار بعدی استفاده کنید
این ساختار را متناسب با کار خود تکمیل کنید: «هدف من [نتیجه] است. مخاطب [توصیف] است و خروجی در [موقعیت] استفاده می‌شود. فقط از [منابع/ورودی‌ها] استفاده کن. ابتدا [مراحل] را انجام بده. خروجی را به شکل [قالب و طول] ارائه کن. [بایدها] را رعایت و از [نبایدها] پرهیز کن. اگر اطلاعات حیاتی کم است، پیش از پاسخ سؤال بپرس.»
پس از دریافت پاسخ، به‌جای نوشتن دوباره همه چیز، بازخورد مشخص بدهید: کدام بخش درست بود، کدام معیار رعایت نشد و در نسخه بعد فقط چه چیزی باید تغییر کند. این گفت‌وگوی هدفمند اغلب از یک پرامپت بسیار طولانی نتیجه بهتری میدهد.
سؤال‌های متداول
پرامپتنویسی چیست؟+
پرامپتنویسی فرایند تعریف هدف، زمینه، ورودی، محدودیت و قالب خروجی برای هدایت یک مدل هوش مصنوعی است. هدف آن کمکردن ابهام و قابل ارزیابیکردن پاسخ است.
آیا پرامپت طولانی همیشه نتیجه بهتری میدهد؟+
خیر. پرامپت باید اطلاعات تصمیمساز را داشته باشد. متن طولانی با قواعد تکراری یا متعارض میتواند نتیجه را بدتر کند. وضوح، ساختار و مثال مرتبط مهمتر از تعداد کلماتاند.
چطور یک پرامپت را بهتر کنیم؟+
چند ورودی ثابت انتخاب کنید، خروجی فعلی را بسنجید، خطای مشخص را پیدا کنید و هر بار فقط یک یا دو جزء را تغییر دهید. نسخه‌ها و نتایج را نگه دارید تا اثر هر تغییر معلوم باشد.
