مدلهای زبانی بزرگ (LLMها) و چتباتها ابزاری عالی برای کسب اطلاعات، طوفان فکری (Brainstorming)، تولید محتوا و برنامهریزی امور هستند. اما هوش مصنوعی صرفاً یک ابزار است، نه یک پاسخ جادویی برای هر سؤال. همانطور که انتظار ندارید یک قلمو از ذهن شما باخبر باشد و خودبهخود طرحی خیرهکننده روی بوم نقاشی خلق کند، نمیتوانید از هوش مصنوعی نیز انتظار داشته باشید که بدون دانستن نحوه صحیح قاببندی ورودیهایتان، در بالاترین سطح بازدهی خود عمل کند.
به زبان ساده، کیفیت خروجی یک هوش مصنوعی، بازتاب مستقیمی از کیفیت ورودی (Prompt) شماست. در این مقاله، به نحوه نوشتن پرامپتهای بهتر برای LLMها خواهیم پرداخت و با بررسی یک رویکرد چندمرحلهای، یاد میگیریم چگونه پتانسیل واقعی این ابزارها را آزاد کنیم.
نوشتن پرامپتهای بهتر برای هوش مصنوعی
اقدامات زیادی وجود دارد که میتوانید برای بهبود پرامپتهای فعلی خود انجام دهید؛ ما این موارد را برای دسترسی راحتتر و درک عمیقتر، به اصول و گامهای مجزا تقسیم کردهایم.
۱. شفافیت
پاسخ به این سؤال که چگونه پرامپتهای بهتری برای LLMها بنویسیم، از رویکرد و دیدگاه شما آغاز میشود. در تمامی جنبهها، شفافیت و سادگی باید کلید اصلی باشند. برای ایجاد شفافیت، پنج عنصر ساختاری زیر را در نظر بگیرید:
- پرسونا یا نقش (Persona): میخواهید LLM چگونه به پرامپت شما پاسخ دهد؟ چه نقشی را باید بر عهده بگیرد؟ آیا باید یک مقاله را به عنوان یک متخصص ارشد سئو بنویسد، یک وکیل حقوقی، یا یک فرد علاقهمند به تکنولوژی؟ تعیین نقشی که هوش مصنوعی باید اتخاذ کند، لحن، عمق تخصصی و زاویه دید خروجی را کاملاً دگرگون میکند.
- دیدگاه (POV – Point of View): هوش مصنوعی بهطور پیشفرض تمایل دارد تا حد امکان بیطرف بماند و رویکردی دیپلماتیک داشته باشد. اگر میخواهید در متن خود موضع مشخصی (مثلاً دفاع از یک نظریه خاص یا نقد یک سبک معماری) اتخاذ کند، باید این موضوع را صراحتاً به آن دیکته کنید.
- وظیفه (Task): میخواهید LLM دقیقاً چه کاری انجام دهد؟ اگر میخواهید یک بیوگرافی کوتاه ۳ خطی طراحی کند، آن را به طور مستقیم بیان کنید. دستورالعملهای مبهم و باز مانند «در مورد این موضوع بنویس»، نتایج نامشخص، کلی و معمولاً خشنودکنندهای به همراه نخواهند داشت.
- زمینه (Context): پاسخ ارائه شده قرار است در چه محیطی و برای چه مخاطبی استفاده شود؟ آیا نمونه کارهای قبلی وجود دارد که بتوانید آنها را برای الگوبرداری بگنجانید؟ آیا این یک پاسخ برای یک کسبوکار محلی است یا یک استارتاپ بینالمللی؟ هرچه اطلاعات پسزمینه بیشتری بدهید، خروجی شخصیسازیشدهتر خواهد بود.
- جزئیات و فرمت خروجی (Details & Formatting): بهتر است جزئیات مورد نیاز خود را مستقیماً ذکر کنید تا اینکه انتخاب آن را به عهده هوش مصنوعی بگذارید. اگر میخواهید خروجی در قالب جدول، کدهای برنامهنویسی مارکداون، یا لیستهای نشانهدار (Bullet Points) باشد، یا اگر تمایل دارید تاریخها و ارجاعات دقیق درج شوند، این موضوع را به وضوح بیان کنید.
یک مثال ملموس:
- پرامپت ضعیف: «یک متن درباره دیجیتال مارکتینگ بنویس.»
- پرامپت شفاف (بهینه): «به عنوان یک متخصص بازاریابی دیجیتال با ۱۰ سال سابقه (Persona)، یک پست لینکدین آموزشی درباره اهمیت ایمیل مارکتینگ (Task) برای مدیران استارتاپهای نوپا (Context) بنویس. لحن متن انگیزشی باشد و در انتهای آن ۳ نکته کلیدی را به صورت بالتپوینت خلاصه کن (Details).»
۲. سادگی
یک فاکتور کلیدی در پرامپتهای سیستمیِ بهینه (LLM Best System Prompts)، سادگی در عین شفافیت است. پیچیده کردن بیپایان جملات فقط باعث گیج شدن مدل و پدیدهای به نام «توهم هوش مصنوعی» (Hallucination) میشود. ورودی شما باید تا حد امکان بهینه باشد:
- منظور خود را صریح بیان کنید: از حاشیهروی بپرهیزید. آنچه را که میخواهید از همان خط اول صریحاً بگویید و کمترین نیاز به حدس زدن را برای ماشین باقی بگذارید.
- از زبان طبیعی و منسجم استفاده کنید: نیازی به استفاده از کلمات بسیار پیچیده یا ساختارهای گرامری عجیب نیست. یک لحن محاورهای، ساختاریافته و روان به LLM کمک میکند تا روابط بین کلمات و نیاز شما را بهتر درک کند.
- موارد اضافه را حذف کنید: پرامپت خود را بازنویسی و بهینهسازی کنید تا کلمات و مفاهیم غیرضروری حذف شوند. جایی که یک کلمه مشخص کفایت میکند، از جملات طولانی استفاده نکنید. کوتاهی پرامپت به حفظ “Context Window” یا همان حافظه موقت مدل کمک میکند.
۳. تکنیکهای پیشرفته
اگر میخواهید سطح پاسخها را از یک کاربر معمولی به یک حرفهای ارتقا دهید، استفاده از این دو تکنیک استاندارد بینالمللی الزامی است:
- پرامپتنویسی چندنمونهای (Few-Shot Prompting): مدلهای زبانی بزرگ عاشق الگوها هستند. به جای اینکه فقط ساختار خروجی را توضیح دهید، یک یا دو نمونه از خروجی ایدهآل خود را به مدل نشان دهید. به عنوان مثال: «من میخواهم تیترها را اینگونه بنویسی: [نمونه ۱]. حالا برای موضوع جدید این کار را بکن.»
- زنجیره تفکر (Chain of Thought – CoT): برای کارهای تحلیلی، محاسباتی یا منطقی، از هوش مصنوعی بخواهید «مرحله به مرحله» فکر کند. جملاتی مثل «لطفاً استدلال خود را مرحله به مرحله بیان کن و سپس به پاسخ نهایی برس» باعث میشود مدل ابتدا مسیر حل مسئله را پردازش کند که این کار خطای محاسباتی آن را به شدت کاهش میدهد.
۴. بازبینی و اصلاح
کارها همیشه در تلاش اول بینقص پیش نمیروند. در واقع در بیشتر مواقع، کلید دریافت پاسخهای شاهکار از LLM، دانستن نحوه بازبینی، مهندسی معکوس و اصلاح پرامپتها در گامهای بعدی است. یک گفتگوی زنده با هوش مصنوعی برقرار کنید و از ابزارهای زیر کمک بگیرید:
- اعمال محدودیتها (Constraints): پاسخ خیلی طولانی است؟ به هوش مصنوعی بگویید: «آن را در حداکثر ۱۵۰ کلمه خلاصه کن». لحن متن زیادی خشک است؟ بگویید: «لحن را کمی دوستانهتر و صمیمیتر کن». به آن بگویید چگونه خروجی خود را متناسب با مرزهای ذهنی شما محدود کند.
- بسط دادن و خلاصهسازی (Expanding & Minimizing): بخش های مهمی از یک پاسخ ممکن است سطحی شود، یا برعکس، روی موارد غیرضروری بیش از حد تاکید کند. در پرامپتهای بعدی به LLM بگویید: «بخش مربوط به استراتژی محتوا را بازتر کن و مثالهای بیشتری بزن، اما بخش بودجهبندی را خلاصه کن.»
- درخواست شواهد و منابع (Examples & Citations): اگر به نقلقولها، دادههای آماری، یا شواهد بیشتری نیاز دارید، در مراحل اصلاحی به مدل بگویید: «برای ادعای خود در بخش سوم، چه دلایل یا منطقی وجود دارد؟ آن را بازگو کن.»
- بازنویسی و تغییر زاویه دید (Rephrasing): اگر پاسخ هوش مصنوعی کاملاً مطابق میل شما نیست، یا متوجه شدید که پرامپت اولیه شما افکارتان را آنطور که میخواستید منتقل نکرده است، در تغییر عبارتبندی خود یا درخواست از LLM برای بازنویسی پاسخ خودش تردید نکنید.
اشتباهات رایجی که باید از آنها دوری کنید
- بارگذاری اطلاعات بیش از حد (Prompt Overloading): گنجاندن ۵ وظیفه متفاوت و سنگین در یک پرامپت واحد. بهتر است وظایف بزرگ را به پرامپتهای کوچکتر و متوالی تقسیم کنید.
- استفاده از عبارات کیفی مبهم: جملاتی مثل «یک متن خیلی خوب بنویس» یا «کمی جذابش کن» برای ماشین مفهومی ندارند. به جای «خیلی خوب»، معیارهای خود را مشخص کنید (مثلاً: روان، بدون اصطلاحات تخصصی پیچیده، همراه با طنز).
نتیجهگیری
به هدایت مدل ادامه دهید، ایده نهایی خود را در ذهن داشته باشید و از تصحیح مسیر ترسی نداشته باشید. هوش مصنوعی یک ذهنخوان جادویی نیست، اما یک دستیار بینظیر و خستگیناپذیر است؛ به شرط آنکه یاد بگیرید چگونه قلموی پرامپتنویسی را با ظرافت و شفافیت روی بوم سفید آن حرکت دهید.
بیشتر بخوانید:
پرامپت های خلاقانه برای ساخت عکس با GPT-4o
نحوه گسترش عکس توسط هوش مصنوعی
اجرای مدلهای هوش مصنوعی به صورت لوکال با استفاده از LM Studio
