آموزش پرامپت نویسی از 0 تا 100: قالب بندی پرامپت و 8 تکنیک کاربردی (قسمت 6)

فهرست مطالب و زمان بندی ویدیو

اگر دنبال آموزش پرامپت نویسی هستید و می‌خواهید از حالت آزمون‌وخطا خارج شوید، این قسمت دقیقا برای شماست. در «آموزش پرامپت نویسی از 0 تا 100» (قسمت 6) یاد می‌گیرید قالب بندی پرامپت (Prompt Template) چیست و چطور با چند تکنیک حرفه‌ای مثل RAG، Constraints و Refine Through Feedback می‌توانید خروجی هوش مصنوعی را دقیق، کنترل‌شده و قابل اتکا کنید. پیشنهاد می‌کنم اول ویدیو را ببینید و بعد با این مقاله، نکات کلیدی را یک‌جا مرور کنید تا سریع‌تر به نتیجه برسید.

قالب بندی پرامپت (Prompt Template) چیست و چرا مهم است؟

در آموزش پرامپت نویسی، یکی از نقطه‌های جهش واقعی زمانی است که به جای نوشتن پرامپت‌های پراکنده، از «قالب بندی پرامپت» یا Prompt Template استفاده کنید. قالب پرامپت یعنی یک ساختار ثابت و تکرارپذیر که هر بار فقط چند بخش آن را (مثل موضوع، مخاطب، لحن، محدودیت‌ها و خروجی مورد انتظار) تغییر می‌دهید. نتیجه این کار، خروجی‌های یکدست‌تر و قابل پیش‌بینی‌تر است.

وقتی قالب داشته باشید، هم زمان کمتری برای نوشتن پرامپت صرف می‌کنید، هم احتمال سوءتفاهم مدل کمتر می‌شود. در بسیاری از پروژه‌ها (تولید محتوا، پاسخگویی پشتیبانی، تحلیل داده، ساخت سناریو فروش و…) قالب بندی پرامپت باعث می‌شود کیفیت خروجی از «اتفاقی» به «سیستمی» تبدیل شود.

تکنیک الگوی خودکار ساز خروجی (Output Automator Pattern): خروجی استاندارد و قابل استفاده

الگوی Output Automator Pattern کمک می‌کند خروجی را از همان ابتدا با فرمت و ساختار مورد نیازتان تحویل بگیرید. مثلا به جای اینکه بگویید «یک مقاله بنویس»، مشخص می‌کنید: عنوان سئو، متا دیسکریپشن، سرفصل‌های H2/H3، جدول، FAQ، یا حتی خروجی در قالب JSON/HTML.

این تکنیک در پرامپت نویسی برای تولید محتوا و کارهای تکراری فوق‌العاده است، چون مدل را مجبور می‌کند پاسخ را «قابل کپی/استفاده» تولید کند. نمونه کاربردی: «خروجی را در 5 بخش با تیترهای مشخص بنویس، هر بخش 2 پاراگراف، و در پایان 5 سوال متداول اضافه کن.»

تکنیک RAG (بازیابی تولید افزوده): وقتی دانش مدل کافی نیست

RAG یا «بازیابی تولید افزوده» زمانی به کار می‌آید که نمی‌خواهید مدل صرفا از حافظه عمومی‌اش پاسخ دهد. در این روش، شما منبع (مثل متن مقاله، فایل راهنما، دیتابیس، اسناد داخلی شرکت یا خلاصه چند صفحه‌ای) را به مدل می‌دهید یا از او می‌خواهید ابتدا اطلاعات مرتبط را بازیابی/استخراج کند و بعد بر اساس همان محتوا پاسخ بسازد.

مزیت RAG در پرامپت نویسی این است که خروجی دقیق‌تر، نزدیک‌تر به داده‌های واقعی و کم‌ریسک‌تر می‌شود؛ مخصوصا برای محتواهای تخصصی، گزارش‌ها، تولید محتوای مطابق مستندات برند، یا پاسخگویی بر اساس قوانین و فرآیندهای یک سازمان. نکته کلیدی این است که در پرامپت مشخص کنید «فقط از منابع ارائه‌شده استفاده کن» و اگر داده کافی نبود «سوال بپرس».

تکنیک اعمال محدودیت (Constraints): کنترل کیفیت، طول و چارچوب پاسخ

یکی از مهم‌ترین تکنیک های پرامپت نویسی، Constraints یا «اعمال محدودیت» است. محدودیت‌ها دقیقا همان چیزی هستند که خروجی را از پرگویی، کلی‌گویی یا رفتن به مسیر اشتباه نجات می‌دهند. محدودیت می‌تواند درباره طول متن، سبک نگارش، تعداد موارد، سطح تخصصی بودن، یا حتی کلمات ممنوعه باشد.

مثلا می‌توانید بگویید: «حداکثر 150 کلمه»، «در 7 بولت»، «بدون اصطلاحات خیلی تخصصی»، «با لحن رسمی»، «فقط 3 راهکار عملی»، یا «از مثال واقعی استفاده کن». هرچه محدودیت‌ها شفاف‌تر باشند، کنترل شما روی پاسخ بیشتر می‌شود و خروجی به نیاز کسب‌وکار نزدیک‌تر خواهد بود.

تکنیک بازخورد گرفتن و تکرار (Refine Through Feedback): رسیدن به جواب نهایی مرحله‌به‌مرحله

در عمل، پرامپت نویسی حرفه‌ای یعنی تعامل. تکنیک Refine Through Feedback می‌گوید به جای اینکه دنبال «یک پرامپت جادویی» باشید، خروجی را مرحله‌ای بسازید: نسخه اولیه را بگیرید، ایرادها را دقیق بگویید، و نسخه اصلاح‌شده را درخواست کنید.

کلید موفقیت این تکنیک، بازخورد قابل اجراست. به جای «بهترش کن»، بگویید: «بخش دوم تکراری است، مثال اضافه کن، تیترها کوتاه‌تر شوند، و نتیجه‌گیری 3 خطی بنویس». این روش هم سرعت رسیدن به نتیجه را بالا می‌برد، هم کیفیت خروجی را به سطحی می‌رساند که برای انتشار یا ارائه آماده باشد.

تکنیک ایفای نقش‌های تو در تو (Nested Roles): مدیریت چند نقش در یک مکالمه

تکنیک Nested Roles یا «نقش‌های تو در تو» زمانی کاربرد دارد که می‌خواهید مدل هم‌زمان چند زاویه دید را رعایت کند. مثلا یک نقش «استراتژیست محتوا» باشد، یک نقش «ویراستار سخت‌گیر»، و یک نقش «کارشناس سئو». شما مشخص می‌کنید هر نقش چه مسئولیتی دارد و خروجی نهایی چگونه جمع‌بندی شود.

این تکنیک در آموزش پرامپت نویسی کمک می‌کند خروجی صرفا یک متن ساده نباشد؛ بلکه هم از نظر ساختار، هم از نظر دقت، و هم از نظر استانداردهای انتشار بررسی شود. حتی می‌توانید نقش «منتقد» تعریف کنید تا قبل از نهایی شدن، ایرادهای احتمالی را لیست کند.

تکنیک الگوبرداری از سبک دیگران (Mimic a Style): خروجی هم‌لحن و یکدست

Mimic a Style یعنی از مدل بخواهید در یک سبک مشخص بنویسد؛ مثلا سبک آموزشی ساده، سبک رسمی سازمانی، سبک مینیمال، یا حتی شبیه به لحن برند شما. این تکنیک وقتی ارزشمند می‌شود که تولید محتوا را در مقیاس انجام می‌دهید و می‌خواهید همه خروجی‌ها «یکدست» باشند.

برای اجرای بهتر، به جای اینکه فقط اسم سبک را بگویید، چند ویژگی قابل اندازه‌گیری تعریف کنید: «جملات کوتاه، مثال عملی، اصطلاحات کم، تیترهای واضح، نتیجه‌گیری کوتاه». اگر نمونه متن دارید، می‌توانید یک پاراگراف نمونه بدهید و بگویید «با همین لحن و ریتم بنویس».

تکنیک سناریو سازی و گفتگو (Simulated Scenarios): تمرین، شبیه‌سازی و تصمیم‌سازی

تکنیک Simulated Scenarios یا «سناریوسازی و گفتگو» برای زمانی است که می‌خواهید یک موقعیت واقعی را تمرین کنید: مکالمه فروش، پاسخ به اعتراض مشتری، مصاحبه شغلی، جلسه مذاکره، یا حتی طراحی مسیر تجربه کاربر. شما سناریو را تعریف می‌کنید، نقش‌ها را مشخص می‌کنید، و از مدل می‌خواهید به شکل دیالوگ جلو برود.

مزیت این تکنیک در پرامپت نویسی این است که به جای پاسخ‌های تئوری، خروجی عملی و قابل اجرا می‌گیرید. می‌توانید در طول سناریو محدودیت هم بگذارید: «فقط 5 رفت و برگشت»، «هر پاسخ زیر 2 جمله»، «در پایان تحلیل کن کجاها بهتر می‌شد جواب داد».

جمع‌بندی: چطور از این تکنیک‌های پرامپت نویسی یک جریان کاری بسازیم؟

اگر بخواهید از محتوای این قسمت یک مسیر عملی بسازید، پیشنهاد ساده این است: اول یک Prompt Template ثابت داشته باشید، بعد با Output Automator Pattern فرمت خروجی را استاندارد کنید، سپس با Constraints مرزها را مشخص کنید. اگر موضوع به داده دقیق نیاز داشت، سراغ RAG بروید، و در نهایت با Refine Through Feedback خروجی را مرحله‌ای بهتر کنید.

برای پروژه‌های پیچیده‌تر هم از Nested Roles برای کنترل چندجانبه، از Mimic a Style برای یکدست شدن لحن، و از Simulated Scenarios برای شبیه‌سازی موقعیت‌های واقعی استفاده کنید. با این ترکیب، پرامپت نویسی از یک مهارت پراکنده به یک سیستم قابل اتکا تبدیل می‌شود.

آنچه در ویدیو گفته ام

خب میریم سراغ قالب پرامت یا پرامت پارامتریک این موضوع خیلی جذاب میشه زمانی که شما از پرامت‌هاتون به صورت خیلی تکراری و متناوب دارید استفاده می‌کنید و کلاً قالب پرامت یا پرامت تمپلیت مفاهیمی که در مهندسی پرامت استفاده میشه و پرامت‌هایی هستش که ما می‌خوایم برای استفاده مجدد ازشون بارها و بارها استفاده بکنیم. یعنی من میام یک پرامترو می‌نویسم اما پارامتریک می‌نویسم که بخوام فقط بخش‌هایی از اون قالب رو تغییر بدم و نخوام همه همش همه پرامس رو تغییر بدم استفاده مجدد بکنم مقایسهش بکنم و حتی ساختار ذهنی بهتری داشته باشم از موضوع اعضای اجزای قالب پرام چیه خب یه بخشیش ثابته یه سریش پارامتر یه سری هم توصیف پارامتر حالا بیایم بهتون یه دونه قالب پرامت جذاب نشون بدم که ببینید به چه صورت هستش این یه دونه قالب ببخشید قالب پرامت هستش تو این قالب پرامت بذارین من اینا رو بردارم که اذیت نشین تو این قالب پرامت اومدم چیکار کردم گفتم پرامت شماره یک چیه نوشتن روایت برند شخص دوباره هدفمو گفتم راهنمای کاربردشو گفتم خروجی مورد انتظارمم گفتم متن پرامپتم مشخصه ببینید حتی تو متن پرامپتم پارامتر داره در اینجا مورد کلیدی از ارزش‌های پیشنهادی برند شخصی من آماده است ارزش ارزش ارزش سه همچنین س۳ گروه مخاطب یک مخاطب مخاطب سه با در نظر گرفتن این‌ها بیا مثلاً این کارو برای من انجام بده اینم جدول پارامترام حالا میام تو ارزش یکم مثلاً می‌نویسم فلان تو ارزش د می‌نویسم فلان تو ارزش مخاطبم مثلاً می‌نویسم مثلاً چی؟ اساتید دانشگاه به طور نیست نمی‌دونم دانشجویان حوزه فلان سن فلان به فلان خب هر چیزی که دلم می‌خواد اینجا می‌نویسم و راهنمای پرامپتم دارم آقا تو ارزشات منظور ایناست مثالش اینه تو مخاطبات مثالش اینه اینو پر می‌کنم و کافیه که من این پرامپتمو مثلاً حالا از اینجا یا این تا اینجا کپی بکنم و به هوش مصنوعی بدم. سری بعدی که بخوام این رو استفاده بکنم حتی برای خودم یا برای شخص دیگه‌ای یا بهینهش بکنم می‌تونم این‌ها رو تغییر بدم یا هی بیام این‌ها رو بهینه بکنم. یعنی یک قالبی وجود داره که با تغییر بخش‌هایی از اون قالب من می‌تونم استفاده بکنم برای بارها و بارها. بریم یه دونه پرامت دیگه بهتون نشون بدم که دوباره من خیلی استفاده می‌کنم. این پرامت چیه؟ پرامپت برای مثلاً مقاله نوشتن خب بذارین حالا یه پرامپت دیگه بهتون نشون بدم مثلاً برای سئ برای پیدا کردن چیه تایتل ویدیوئه با توجه به مشخصات زیر موضوعات ترند و پربازدید یوتیوب رو به من پیشنهاد بده خب اومدم پارامتراشو براش نوشتم خب موضوع رو بهش میدم مثلاً میگم موضوع بیا حالا پرامپت نویسی یا مثلاً موضوع چیه؟ مهندسی همین چیز دیگه‌ایو تغییر نمیدم با متوجه به این بیا اینا رو بهم بده یعنی فکر کنید من الان اینو بهش میدم این پرامپتی که آماده کردم میام توی این گوش مصنوعی بنده خدا که داریم ازش کار می‌کشیم بهش میدم و شروع می‌کنه فکر کردن ببینیم به ما چی میده خب رفت بررسی ترندو انجام داد همه کارو انجام داد و اومده موضوعات حتی این علامت آرمارم که می‌بینید اینجا آتیش گذاشته موضوعاتی هست که خودم بهش گفتم یعنی تو پرامپت بهش اینجا گفتم گفتم بیا اونهای هایی که اولویت هستن و تو هفته آینده حتی احتمال داره بیشتر ترند بشنو بیا با علامت این آتیشه نشون بده برای خودم دوست داشتم راحت‌تر ببینمشون خب تموم شد حالا اینو الان من راجع به پرامپت گرفتم پارامترمو عوض می‌کنم میام میگم که در حوزه آموزش کنوا که ویدیوشم من دارم حالا تو یوتیوب می‌تونید ببینید حالا مخاطبم می‌تونم عوض کنم مثلاً مخاطبو بکنم مثلاً این یا یه چیز دیگه عوض کنم سبکم و اینا رو حالا اینا رو خیلی دوست نمی‌خوام عوض بکنم ولی می‌تونم عوض بکنم خب آموزش کنوا و طراحی مثلاً تام نیل یوتیوب یه پارامتررو رو می‌تونم حالا همه رو اینا ارم عوض بکنم ولی یه پارامتر عوض می‌کنم دوباره پرامتمو کپی می‌کنم میام توش به این بنده خدای چت جی پیتی میگیم که بیا برای ما این پرامتو درست کن این پرامتو بهت دادیم اینا رو به ما بده بهش دوباره شروع می‌کنه تحلیل می‌کنه و موضوعات وایرال طراحی تامبنیل یوتیوب در کمتر از دقیقه مثلاً اینو بساز بهترین سایز و فرمت تامبنیل یوتیوب توی نمی‌دونم چطور از کموا فونت فارسی دلخواه استفاده بکنیم. ساخت کاور ببینید دقیقاً با همون موضوع من چیزی رو عوض نکردم. خب این میشه مهندسی پرامپت. این میشه پرامپتن نویسی حرفه‌ای. نه اینکه من هر بار بیام این همه براش بنویسم. خب یه بار می‌نویسم ولی اینجوری بهتون بگم برای هر کدوم از این پرامتها شاید چند ساعت وقت گذاشته. بعضی از این پرامتها چند روز وقت گذاشته شده که به این پرامت برسه که برای دفعات بعدی دیگه نیاز نباشه انقدر بنویسم یا همون اولیه که می‌خواستم بهتون نشون بدم برای مثلاً مقاله‌نویسی این پرامپت پرامپت حدود صفحه هستش و تو این پرامپت من اومدم برای تولید مقالات به صورت اولیه که چهجوری مقالات رو از هوش مصنوعی بگیرم و عملاً بتونم تولید محتوا بکنم یک سری پرامتهایی رو آماده آماده کردم و این‌ها با سی و خطا و فیدبکی بوده که ازش گرفتم و این توضیحاتو بهش دادم. حالا اینو بهش میدم خیلی راحت. هر بار که میخوام مقاله جدید توضیح تولید کنم فقط اینو عوض می‌کنم و چرا اومدم این‌ها رو جدا ایجاد کردم؟ برای اینکه بتونم به بخش‌های مختلف پرامپتم دسترسی داشته باشم و راحت‌تر عوض کنم. به طور مثال می‌خوام مقاله با تا کلمه بزنم کافیه دیگه تو اون پرامت دنبالش نکردم بگم آقا من ساختار و فرمت مقالمو اینجا توضیح دادم خب بیا اینجا کلمه‌ای که اینجا گفتمو بیا بذار مثلاً کلمه خب خیلی راحت با تغییر یک آیتم در بخشی که نیاز داشتم اومدم رسیدم به همون موضوع یا منابعرو من اینجوری گفتم رقبا رو اینجوری گفتم آدرس سایت خودمو اینجوری اینجوری گفتم حوزه رو اینجا گفتم حوزه رو می‌خوام بذارم مثلاً هوش مصنوعی اینجا می‌ذارم هوش مصنوعی اینو عوض می‌کنم با چند تا تغییر ریز من می‌تونم مثلاً دارم برای این سایت می‌زنم برای یک سایت دیگه هم مقاله بزنم چون خیلی چیزا فرمت و ساختار فرمت و لحن و اینا رو می‌تونم خیلی سریع ادیت بکنم اینجوری میشه شما قالب پرامپت درست می‌کنید یا قالب پرامتو از جایی می‌گیرید اصلاح می‌کنید و خیلی سریع‌تر و جذاب‌تر تر می‌تونید به اون حوزه‌ای که دوست دارید برسید. موضوع دیگه‌ای که داریم الگوی خودکارسازی خروجیه. این بحث الگوی خودکارسازی خروجی شاید بیشتر یا موردی که استفاده میشه شاید برنامه نویسا از این خیلی بیشتر استفاده می‌کنن. برای همین من یه دونه خیلی کوچولو اینو توضیح میدم. داستان این هستش که ما وقتی که از چت جی پیت تی یا حالا مدل‌های هوش مصنوعی خروجی می‌گیریم، خروجی‌ها رو در طولانی و موارد متفاوت به ما میده که مثلاً این کارو بکن، این کارو بکن، این کارو بکن، این کارو بکن و یه دفعه یه پک بزرگی از خروجی‌هاست که وقتی ما می‌خوایم این‌ها رو اعمال بکنیم و ازشون استفاده بکنیم، نگاه می‌کنیم ای بابا من باید فقط نیم ساعت هی کپی پیست بکنم تا این کار برای من انجام بشه. خب ولی می‌تونم بیام چیکار کنم؟ می‌تونم بیام بگم که بیا برای من خودکارسازی کن این خروجی‌ها رو که تهشم برای من خودش پکیج ببنده یعنی تهشم آخزر خودش این کارو انجام بده بیایم با همدیگه یه مثال بزنیم توی این حوزه که چهجوری عمل می‌کنیم سعی می‌کنم اینو با یه مثال بدم چون یه ذره شاید نامفهوم باشه یک کد برام بنویس که فرم دریافت اطلاعات مشتری باشه و اطلاعاتش در دیتابیس ذخیره بشه در پایتون خب شروع می‌کنه ببینید اطلاعاتو به من میده پیشنیاز مثلاً این کارو بکن کد کاملش اینجوریه حالا همین این که داره می‌نویسه من این کدم براتون گذاشتم دیگه بذارین توی پرو کد بریم این دستور رو من با پروکد خودکارسازی خروجی انجام دادم. خب اینو من باید هی شروع کنم کپی پیست کردن و کارای نصبشو انجام بدم. خب برای من حوصله سربره. حالا فکر کنید پروژهتون خیلی بزرگ‌تر شده باشه. من این خودکارسازی خروجی پر کدشو بهش میدم و همون دستورو دوباره ببینید کپی پیست می‌کنم. این میاد چیکار می‌کنه؟ همون کدها رو برای من یک دستور خروجی هم می‌سازه خب که همه اینا رو خودش اجرا بکنه چون دیگه من اجرا نکنم یعنی یه دونه اپداپی می‌سازه من کافیه این فایل رو کپی بکنم توی پایتون تمام ببینید پوشه‌ها رو می‌سازه فرم‌ها رو می‌سازه دیتابیس رو می‌سازه و دیگه نیاز نیست من این کارو بکنم تموم شد تمام این کارها توسط خودش انجام میشه ببین برای من داره بقیه بقیه کارهاشم انجام میده با این ترفند ما میتونیم خروجی راهم حتی بگیم خودت دیگه بساز دیگه من حتی حوصله یه سری کارا م ندارم اینم یکی از ترفندهاییه که ما میتونیم ازش استفاده بکنیم اگر بخوایم بحث تخصصی تر با پوش مصنوعی کار بکنید نیاز هست گزینه‌ای هستش به اسم حالا رگ که این بازیابی و تولید افزوده در هوش مصنوعیه داستان این چیه؟ شما مثلاً تو یک حوزه‌ای کار می‌کنید که دانش هوش مصنوعی در اون حوزه پایینه، بالا نیست. مثلاً یه حوزه تخصصی پزشکی خب یا مثلاً یه حوزه تخصصی دندون پزشکی، حوزه تخصصی مشاوره حقوقی، نمی‌دونم حوزه تخصصی مشاوره ورزشی. خب ببینید این هوش مصنوعی که ما داریم استفاده می‌کنیم یک هوش عمومی یا یک سری داده‌های عمومی رو دارن و بر اساسون و بازخوردهایی که از ما می‌گیریم دارن هی دانششون رو به روز می‌کنن. اما اگه تو یک حوزه تخصصی و خیلی خاص بخوایم ازشون اطلاعات بگیریم شاید جوابی که به ما میدن بالای ۹۰د حتی اشتباه باشه. این داستان آری جی چیه؟ اینجا ما میایم چیکار می‌کنیم؟ به هوش مصنوعی میگیم که آقا با داشتن اطلاعات خودت و دیتایی که من بهت دارم میدم حالا بیا جواب بده. یعنی فکر کنید مثلاً یک مقاله صفحه‌ای دارید و دنبال جواب گرفتن از اون هزار صفحه صفحه هستین میاین دیتاتون رو بهش میدید و حالا به هوش مصنوعی میگین که من دوست دارم جواب‌هام رو فقط و فقط بر اساس دیتایی که من بهت میدم بهم جواب بدی اون موقع دیگه میاد اون دیتای شما رو میاره بیس و مبنا قرار میده دیتای شما رو مطالعه می‌کنه و سعی می‌کنه می‌کنه جواب‌ها بر اساس همون محتوای شما باشه. حالا شرکت‌های بزرگ یا پیشرفته هم حتی این کارو دارن. مثلاً میاد چیکار می‌کنه؟ میگه که آقا مثلاً این محصولات منه. اگر مشتری سؤال پرسید جوابت برگرده به اون محصول یا فروشگاه‌های بزرگ میا این کارو می‌کنن. طرف میاد میگه آقا مثلاً من یه کیف مشکی می‌خوام. میگه خب هوش مصنوعی که داری توی سایت من می‌چرخی اگر می‌خوای به این مشتری من پاسخ بدی یا یه کیف مشکی بهش پیشنهاد بدی نری از یه جای دیگه پیشنهاد بدی بیا دنبالش توی محصولات من بگرد و حالا کیف‌های مشکی که توی لیست محصولات من هستو بهش پیشنهاد بده یا دنبال دوره آموزشی می‌گردی بیا دوره آموزشی که من دارمو بهش پیشنهاد بده داری رو حوزه مثلاً دندون پزشکی داری پیشنهاد میدی بیا این دیتایی که من بهت دارم میدم بر اساس این بهش پیشنهاد بده خب و این می‌تونه خیلی کاربردی و جذاب‌تر بکنه چون اگر این موضوع نباشه بعضی موقع‌ها دیگه هوش مصنوعی تو حوزه تخصصی میشه یا یه ذره خاص میشه واقعیتش به جونگ جفنگ گفتنم می‌رسه ببینید هوش مصنوعی نه فکر می‌کنه نه فهم درستی داره نه هیچ هیچی نداره اون کلمات رو می‌ذاره کنار همدیگه کلماتو که گذاشت کنار همدیگه میره بر اساس به اون کلمات دنبال دیتا می‌گرده و به شما جواب میده. این اصلاً براش مهم نیست چرا چی به شما میده. اصلاً هیچیو نمی‌فهمه. خب برای همین بعضی موقع‌ها بهش میگن این هوش مصنوعی توهم زده. چرا توهم زده؟ چون اطلاعاتی که شما دادید با اطلاعاتی که تو اون منبعش وجود داره یه چیزیو به همدیگه وصل کرده و به شما خروجی داده و وقتی که شما جوابو می‌بینی ایجاد یه توهم عجیب غریبی رو تو جواب دادن می‌بینید و برای رفع این مشکل میان چیکار می‌کنن بهش اطلاعات بیشتر در اون حوزه میدن تا بتونن از این جلوگیری بکنن از این توهمی که زده تکنیک بعدی که ما داریم اعمال محدودیت البته این اعمال محمودی معمول محدودیت رو ما سعی می‌کنیم توی بحث‌های ورود اطلاعات هم بهش داده باشیم مثل حالا همون لحن و موارد اینجوری موضوع بعدی بازخورد گرفتن و تکراره ببینید بازخورد گرفتن و تکراررو ما همیشه با هوش مصنوعی داریم چون اینکه اطلاعات ما رو دقیق متوجه بشه به لحن صحبت ما لحن متن ما لحن اطلاعات ما لیست اطلاعات ما بستگی داره ببینید هوش مصنوعی آدم نیستش که متوجه بشه که اون کلماتو کنار همدیگه می‌ذاره و اون کلمات کنار همدیگه رو میره و دنبال اطلاعاتی می‌گرده که بتونه جواب ما رو از اون کلمات بده. پس احتمال داره حتی نوع نوشت نوشتار ما یه جوری باشه که نتونه دقیق متوجه بشه پس اون خروجیش خروجی ما نباشه پس ما باید باهاش بازخورد بدیم همین عکسی که الان برای من تولید کرد مثلاً من دوست داشتم دندونای تیز بیرون باشه خب بهش بازخورد میدم میگم که پرامپتی بنویس که دندون‌های مثلاً تیز از توی تصویر معلوم باشه شینیه بازخورد بهش میدم چرا اینو توی مثلاً پرامتد نذاشته بودی چون تعداد نمونهش نمونههم کم بوده دیگه پس همیشه ما بازخورد بهش میدیم تا بتونیم به نتیجه بهتر برسیم اینو تو همه تو اصلاً تو زندگی هم ما داریم یعنی بازخورد دادن آقا من این کارو کردم این نتیجه رو نداد همه میگن خب پس این کارو بکن اون کارو بکن اینو اضافه کن اینو کم بکنن در اصل به تو بازخورد میدن دقیقاً ما باید توی هوش مصنوعی هم برای اینکه به بهترین نتیجه و دقیق‌ترین خروجی‌ها برسیم باید بازخورد بدیم و تکرار بکنیم تا به اون نتیجه برسیم بحث ایفای نقش‌های تو در تو اینو یه کوچولو توی قسمتهای قبل بهتون گفتم اما داستان چیه این تکنیک ایفای نقش تو در تو در اصل مدل رو مجبور می‌کنه از چند دیدگاه فکر کنه مثال خودت رو بذار جای یک کارفرما یک فریلنسر یک دانشجو و از هر زاویه بگو چرا یادگیری مثلاً پرامتنویسی مهمه یعنی میاد چند تا نقش تو در تو رو می‌گیره و ازش استفاده می‌کنه. اینا البته یواش یواش با توجه به اینکه شما پیشرفت می‌کنید یواش یواش می‌تونید از این‌ها استفاده بکنید. فقط بذار میگما همه این‌ها رو یه دفعه با همدیگه به کار نبرید. اصلاً دیگه اون پرامپت دیگه از حالت پرامت مهندسی خارج میشه. تکنیک بعدی الگوبرداری از سبک دیگرانه. خب بخوای سبک خاصیو تقلید بکنی آقا این سبک این آدم اینجوریه یا حتی مثلاً دیدین که سبک‌های طراحی مثلاً کارای گرافیکی خیلی از این موضوع استفاده می‌کنن یا این متنو مثلاً با لحن سخنرانی تد تاک برام بازنویسی بکن یعنی وقتی شما دارید سبکو بهش میدین اون خودش اون رو می‌شناسایی کرده و حالا میاد بر اساس اون به شما جواب میده سبک بعدی سناریوسزی و گفتگوئه مثلاً میگه فرض کن در حال مشاوره با یک نوجوانی هستی که می‌خوای وارد دنیای او مششمس چطوری راهنمایش می‌کنی؟ مو مدلو در اصل در یک موقعیت فرضی می‌ذاریم. مدل بعدی یا تکنیک بعدی بررسی چند گزینه‌ایه. بگو چند سبک مختلف رو برای من تولید کن. تا سبک مثلاً بعد خودتون بتونید مقایسه بکنید.