چرا هوش مصنوعی جواب بد می‌دهد؟ ۱۵ اشتباه رایج در پرامپت نویسی
اگر پاسخ هوش مصنوعی بیش‌ازحد کلی، نامرتبط، تکراری یا حتی نادرست است، لزوماً با ابزار ضعیفی روبه‌رو نیستید. در بسیاری از مواقع، درخواست ما اطلاعات کافی برای تولید یک پاسخ دقیق ندارد. در این راهنما با ۱۵ مورد از رایج‌ترین اشتباهات پرامپت نویسی، روش اصلاح آن‌ها و یک فرمول کاربردی برای کارهای اداری، تولید محتوا، اکسل و امور تحصیلی آشنا می‌شوید.
چرا هوش مصنوعی جواب بد می‌دهد؟ واقعیت ماشین‌های تولید متن
کار با یک مدل زبانی با جست‌وجو در گوگل تفاوت دارد. در موتور جست‌وجو معمولاً چند کلمه وارد می‌کنید و بین صفحات موجود می‌گردید؛ اما در ابزارهایی مانند ChatGPT، مدل براساس دستور، زمینه مکالمه و الگوهای آموخته‌شده یک پاسخ تازه تولید می‌کند. بنابراین کیفیت ورودی شما مستقیماً بر جهت و کیفیت خروجی اثر می‌گذارد.
در علوم کامپیوتر مفهومی به نام ورودی نامناسب، خروجی نامناسب یا GIGO وجود دارد. اگر درخواست مبهم، ناقص یا متناقض باشد، مدل مجبور می‌شود بخش‌های خالی را حدس بزند. این حدس ممکن است با هدف واقعی شما فاصله زیادی داشته باشد.
هوش مصنوعی ذهن‌خوان نیست. نمی‌داند گزارش برای مدیرعامل نوشته می‌شود یا همکاران واحد فروش، متن باید رسمی باشد یا صمیمی، داده‌ها مربوط به چه بازه‌ای هستند و شما دقیقاً چه تصمیمی می‌خواهید بگیرید. این اطلاعات باید به‌صورت روشن در پرامپت قرار بگیرند.
البته همه خطاها تقصیر کاربر نیست. مدل‌های زبانی محدودیت دانشی دارند، ممکن است اطلاعات تازه را ندانند، در محاسبات اشتباه کنند یا ادعایی ظاهراً معتبر اما ساختگی بسازند. پرامپت خوب احتمال خطا را کاهش می‌دهد، اما جای بازبینی انسانی و دانش تخصصی را نمی‌گیرد.
توهم هوش مصنوعی چیست؟
توهم یا Hallucination زمانی رخ می‌دهد که مدل اطلاعات نادرست، منبع غیرواقعی، عدد ساختگی یا توضیحی بی‌پایه تولید می‌کند، اما آن را با لحنی مطمئن ارائه می‌دهد. مدل لزوماً قصد فریب ندارد؛ بلکه براساس احتمال کلمات، پاسخی می‌سازد که از نظر زبانی طبیعی به نظر می‌رسد.
برای رفع توهم هوش مصنوعی باید از آن بخواهید عدم قطعیت را اعلام کند، بین واقعیت و فرضیه تفاوت بگذارد، برای ادعاهای مهم منبع قابل بررسی پیشنهاد دهد و در صورت نبود اطلاعات کافی صریحاً بگوید که نمی‌داند. بااین‌حال، آمار، قوانین، اطلاعات پزشکی، مالی، دانشگاهی و تصمیم‌های حساس را همیشه باید مستقل بررسی کرد.
خطاهای بنیادی در تعریف درخواست؛ اشتباه ۱ تا ۵
اشتباه اول: کلی‌گویی و نوشتن پرامپت‌های تلگرامی
درخواست‌هایی مانند «یک متن خوب بنویس»، «این فایل را تحلیل کن» یا «درباره بازاریابی توضیح بده» برای گفت‌وگوی روزمره کوتاه هستند، اما مأموریت مشخصی برای هوش مصنوعی تعریف نمی‌کنند. نتیجه معمولاً متنی عمومی است که برای استفاده واقعی به ویرایش زیادی نیاز دارد.
پرامپت ضعیف: یک ایمیل برای مشتری بنویس.
پرامپت اصلاح‌شده: یک ایمیل رسمی و محترمانه برای مشتری شرکتی بنویس که پرداخت فاکتور او ۱۰ روز به تأخیر افتاده است. هدف، یادآوری پرداخت بدون آسیب به رابطه کاری است. متن حداکثر ۱۲۰ کلمه باشد و شامل موضوع ایمیل، یادآوری شماره فاکتور و درخواست اعلام زمان پرداخت شود.
راه‌حل: درخواست را از یک موضوع کلی به یک مأموریت قابل سنجش تبدیل کنید. بگویید چه چیزی، برای چه کسی، با چه هدفی و در چه قالبی تولید شود.
اشتباه دوم: تعیین نکردن نقش و مخاطب هدف
نقش، زاویه نگاه مدل را مشخص می‌کند و مخاطب، سطح زبان و عمق توضیح را تعیین می‌کند. یک توضیح درباره اکسل برای کارمند تازه‌کار با توضیح همان موضوع برای تحلیلگر داده یکسان نیست.
پرامپت ضعیف: تابع VLOOKUP را توضیح بده.
پرامپت اصلاح‌شده: مانند یک مدرس اکسل برای کارمندی که با فرمول‌های پایه آشناست، تابع VLOOKUP را با زبان ساده توضیح بده. ابتدا ساختار فرمول را بنویس، سپس یک مثال مربوط به یافتن قیمت کالا ارائه کن و در پایان دو خطای رایج را توضیح بده.
عبارت «مانند یک متخصص رفتار کن» به‌تنهایی کافی نیست. تخصص مرتبط و نوع مخاطب را نیز مشخص کنید؛ برای مثال «مدرس اکسل سازمانی»، «ویراستار فارسی» یا «کارشناس تولید محتوای حوزه آموزش».
اشتباه سوم: ارائه نکردن زمینه، پیش‌زمینه و هدف نهایی
یک درخواست ممکن است از نظر دستوری روشن باشد، اما بدون زمینه همچنان خروجی نامناسبی بدهد. اگر از مدل بخواهید «این گزارش را خلاصه کن»، باید مشخص کنید خلاصه برای چه تصمیمی استفاده می‌شود و چه بخش‌هایی اهمیت بیشتری دارند.
پرامپت ضعیف: داده‌های فروش را تحلیل کن.
پرامپت اصلاح‌شده: این داده‌ها مربوط به فروش ماهانه سه شعبه در شش ماه گذشته است. هدف من آماده‌کردن گزارش برای جلسه مدیر فروش و شناسایی شعبه‌ای است که بیشترین افت را داشته است. روندها، درصد تغییر ماهانه و سه نکته تصمیم‌ساز را استخراج کن. اگر داده کافی نیست، قبل از تحلیل سؤال بپرس.
راه‌حل: پیش از دستور اصلی، سه مورد را بنویسید: وضعیت فعلی، هدف نهایی و نحوه استفاده از پاسخ.
اشتباه چهارم: ترکیب چند کار متفاوت در یک پرامپت
درخواست هم‌زمان برای خلاصه‌سازی، ترجمه، تحلیل آماری، تولید اسلاید، نوشتن ایمیل و پیشنهاد استراتژی باعث می‌شود بعضی بخش‌ها سطحی یا فراموش شوند. هرچه وظایف وابستگی کمتری به هم داشته باشند، بهتر است جدا شوند.
راه‌حل عملی: پروژه را مرحله‌بندی کنید. ابتدا داده را پاک‌سازی کنید، سپس تحلیل را بگیرید، بعد از تأیید تحلیل سراغ گزارش مدیریتی بروید و در مرحله آخر ساختار اسلایدها را بسازید. این روش امکان کنترل خطا در هر مرحله را فراهم می‌کند.
اشتباه پنجم: تعیین نکردن فرمت، طول و سبک خروجی
اگر قالب مورد انتظار را نگویید، مدل خودش تصمیم می‌گیرد؛ ممکن است به‌جای یک فهرست کوتاه، چند پاراگراف طولانی تحویل دهد. فرمت فقط ظاهر پاسخ نیست و می‌تواند نحوه فکر کردن و دسته‌بندی اطلاعات را نیز بهتر کند.
به‌جای: درباره جلسه امروز گزارش بنویس.
بنویسید: صورت‌جلسه را در چهار بخش شامل تصمیم‌ها، مسئول هر اقدام، مهلت انجام و موارد نیازمند پیگیری تنظیم کن. لحن رسمی باشد و کل متن از ۳۰۰ کلمه بیشتر نشود.
تعداد کلمات، تعداد گزینه‌ها، نوع تیترها، لحن، زبان، ترتیب بخش‌ها و سطح جزئیات از مشخصاتی هستند که می‌توانید تعیین کنید.
خطاهای مرتبط با ساختار و هدایت متن؛ اشتباه ۶ تا ۱۰
اشتباه ششم: استفاده از دستورهای منفی به‌جای دستور مستقیم و ایجابی
عبارت‌هایی مانند «طولانی ننویس»، «کلیشه‌ای نباش» یا «اصطلاح سخت استفاده نکن» دقیق نیستند. مدل می‌فهمد چه چیزی را نمی‌خواهید، اما هنوز نمی‌داند جایگزین مطلوب چیست.
دستور منفی: متن طولانی و رسمی به من نده.
دستور مستقیم: پاسخ را با لحن دوستانه، در حداکثر ۱۰۰ کلمه و شامل سه نکته عملی بنویس.
در اصول پرامپت نویسی، محدودیت قابل اندازه‌گیری بهتر از صفت مبهم است. به‌جای «خیلی کوتاه»، تعداد کلمه یا جمله را تعیین کنید؛ به‌جای «ساده»، سطح مخاطب و نمونه سبک مورد نظر را توضیح دهید.
اشتباه هفتم: ارائه نکردن نمونه و مثال
گاهی توضیح سبک مورد نظر دشوار است. در این حالت، یک یا دو نمونه کوتاه می‌تواند الگو را به مدل نشان دهد. این روش را پرامپت همراه با مثال یا Few-Shot می‌نامند.
مقایسه درخواست بدون مثال و همراه با مثال
پرامپت تک‌مرحله‌ای بدون مثال: برای این محصول سه عنوان تبلیغاتی بنویس.
پرامپت همراه با مثال: برای دوره آموزش اکسل سه عنوان کوتاه بنویس. سبک مورد نظر شفاف و نتیجه‌محور است. نمونه مناسب: «گزارش‌های اکسل را سریع‌تر و کم‌خطاتر بسازید». نمونه نامناسب: «با این دوره شگفت‌انگیز یک‌شبه استاد اکسل شوید». عنوان‌ها حداکثر ۱۰ کلمه باشند و وعده غیرواقعی نداشته باشند.
نمونه خوب، لحن و کیفیت را روشن می‌کند. فقط مراقب باشید مثال‌ها ضعیف یا بیش‌ازحد مشابه نباشند؛ زیرا خروجی نیز ممکن است همان ضعف‌ها را تکرار کند.
اشتباه هشتم: ریختن اطلاعات نامرتب در یک متن طولانی
طولانی بودن پرامپت لزوماً مشکل نیست؛ بی‌نظمی مشکل اصلی است. وقتی هدف، داده‌ها، استثناها و دستورها در یک پاراگراف فشرده قرار می‌گیرند، احتمال نادیده گرفته‌شدن بخشی از آن‌ها بیشتر می‌شود.
راه‌حل: ورودی را به بخش‌های مشخص تقسیم کنید: نقش، زمینه، داده ورودی، وظیفه، محدودیت‌ها و قالب پاسخ. اطلاعات تکراری یا بی‌ارتباط را حذف کنید و مهم‌ترین دستور را نزدیک ابتدای پرامپت قرار دهید.
اشتباه نهم: جدا نکردن دستور از محتوای ورودی
هنگامی که یک متن طولانی برای خلاصه‌سازی، ترجمه یا ویرایش وارد می‌کنید، باید مرز بین دستور و متن اصلی روشن باشد. در غیر این صورت، مدل ممکن است جمله‌های موجود در ورودی را بخشی از دستور تصور کند.
الگوی مناسب: ابتدا وظیفه را توضیح دهید، سپس بنویسید «متن ورودی از اینجا آغاز می‌شود» و در پایان «متن ورودی در اینجا تمام می‌شود». همچنین می‌توانید داده‌ها را زیر عنوان‌های مشخص قرار دهید.
در کار با اسناد دریافتی از اینترنت یا مشتری، به دستورهای پنهان‌شده داخل متن اعتماد نکنید. محتوای ورودی باید صرفاً داده تلقی شود، نه فرمانی که مجاز است قواعد اصلی شما را تغییر دهد.
اشتباه دهم: نادیده گرفتن محدودیت حافظه مکالمه و پنجره متنی
مدل‌ها ظرفیت محدودی برای نگهداری متن مکالمه دارند. در گفت‌وگوهای بسیار طولانی، ممکن است بخش‌هایی از ابتدای چت کم‌رنگ یا خارج از محدوده پردازش شوند. حتی وقتی ابزار سابقه مکالمه را نگه می‌دارد، نباید فرض کنید تمام جزئیات پروژه همیشه با دقت کامل در دسترس است.
راه‌حل: در پروژه‌های طولانی، هر چند مرحله یک خلاصه مرجع بسازید که شامل هدف، تصمیم‌های قطعی، اصطلاحات، محدودیت‌ها و کار بعدی باشد. سپس همان خلاصه را ابتدای مرحله جدید قرار دهید. اطلاعات حساس یا محرمانه سازمانی را نیز بدون مجوز وارد ابزارهای عمومی نکنید.
خطاهای استراتژیک در تعامل با هوش مصنوعی؛ اشتباه ۱۱ تا ۱۵
اشتباه یازدهم: انتظار پاسخ بی‌نقص از اولین پرامپت
پرامپت نویسی حرفه‌ای بیشتر شبیه گفت‌وگو با یک دستیار است تا فشردن یک دکمه. پاسخ اول می‌تواند پیش‌نویس باشد. سپس باید ضعف‌ها را مشخص کنید، سؤال تکمیلی بپرسید و نسخه بعدی را بسازید.
به‌جای تکرار جمله «بهترش کن»، بازخورد دقیق بدهید: «مقدمه را نصف کن»، «دو مثال ایرانی اضافه کن»، «ادعاهای بدون پشتوانه را حذف کن» یا «پیشنهادها را براساس هزینه و زمان اولویت‌بندی کن».
اشتباه دوازدهم: اعتماد چشم‌بسته و راستی‌آزمایی نکردن
روان و مطمئن بودن پاسخ نشانه درست بودن آن نیست. مدل ممکن است نام کتاب، آمار، فرمول، ماده قانونی یا قابلیت نرم‌افزار را اشتباه اعلام کند. این موضوع در اطلاعات جدید، تخصصی و کم‌تکرار جدی‌تر است.
برای کاهش خطا: از مدل بخواهید فرض‌ها را جدا کند، موارد نامطمئن را علامت بزند، محاسبات را مرحله‌به‌مرحله نمایش دهد و برای ادعاهای مهم اطلاعات قابل بررسی ارائه کند. سپس نتیجه را با اسناد رسمی، منابع معتبر یا نظر متخصص تطبیق دهید.
هیچ پرامپتی خروجی کاملاً بدون غلط را تضمین نمی‌کند. پرامپت‌نویسی جایگزین دانش تخصصی در حسابداری، پزشکی، حقوق، برنامه‌نویسی یا تحلیل مالی نیست.
اشتباه سیزدهم: انتخاب ابزار یا مدل نامناسب
همه ابزارهای هوش مصنوعی برای یک کار ساخته نشده‌اند. یک مدل ممکن است در نگارش خوب باشد اما نتواند فایل اکسل را مستقیماً تحلیل کند. ابزار دیگری شاید به وب، اجرای کد یا پردازش تصویر دسترسی داشته باشد، اما مدل مورد استفاده شما چنین قابلیتی نداشته باشد.
پیش از اصلاح بی‌پایان پرامپت بررسی کنید که ابزار از زبان فارسی، نوع فایل، حجم داده، جست‌وجوی وب، تحلیل تصویر یا اجرای کد پشتیبانی می‌کند یا نه. گاهی مشکل از دستور نیست، بلکه ابزار امکان انجام آن کار را ندارد.
اشتباه چهاردهم: انجام کارهای بی‌ربط در یک چت طولانی
اگر در یک صفحه چت ابتدا درباره پایان‌نامه، سپس ایمیل فروش، بعد کدنویسی و در پایان برنامه سفر صحبت کنید، زمینه‌های متفاوت ممکن است روی پاسخ‌های بعدی اثر بگذارند. این مسئله به‌خصوص زمانی مشکل‌ساز است که لحن، نقش یا محدودیت‌های قبلی هنوز در مکالمه حضور دارند.
چت تفکیک‌شده: برای هر پروژه یا هدف اصلی یک گفت‌وگوی جدا باز کنید و اطلاعات مرجع همان پروژه را در آن نگه دارید.
چت طولانی و نامرتب: فقط برای کارهای کاملاً مرتبط مناسب است و باید در بازه‌های مشخص خلاصه‌سازی شود.
برای درخواست جدیدی که هدف، مخاطب، داده یا نقش متفاوتی دارد، باز کردن چت تازه معمولاً انتخاب دقیق‌تری است.
اشتباه پانزدهم: مشخص نکردن محدودیت‌ها و خطوط قرمز
گاهی مدل وظیفه اصلی را انجام می‌دهد، اما نتیجه به دلیل رعایت نکردن الزامات کاری قابل استفاده نیست. ممکن است عددی را حدس بزند، نام برند رقیب را بیاورد، لحن اغراق‌آمیز داشته باشد یا اطلاعات محرمانه را در خروجی تکرار کند.
محدودیت‌های مفید: از ساختن آمار خودداری کن؛ اگر داده کافی نیست سؤال بپرس؛ وعده قطعی نده؛ فقط از اطلاعات ورودی استفاده کن؛ اصطلاح تخصصی را توضیح بده؛ اطلاعات شخصی را در پاسخ تکرار نکن؛ نتیجه را حداکثر در پنج بند ارائه کن.
خط قرمزها باید روشن، محدود و قابل اجرا باشند. فهرست بسیار طولانی از ممنوعیت‌های متناقض، کیفیت پاسخ را کاهش می‌دهد.
فرمول طلایی پرامپت نویسی حرفه‌ای برای کار و تحصیل
یک فرمول معجزه‌آسا برای همه موقعیت‌ها وجود ندارد، اما ساختار چهار‌بخشی زیر بیشتر اشتباهات پرامپت نویسی را پوشش می‌دهد:
- نقش: هوش مصنوعی از چه زاویه تخصصی پاسخ دهد و مخاطب چه کسی است؟
- بافت: وضعیت فعلی، داده‌های موجود و هدف نهایی چیست؟
- دستور مشخص: دقیقاً چه کاری باید انجام شود؟
- محدودیت و فرمت: پاسخ چه طول، لحن، ساختار و خطوط قرمزی داشته باشد؟
قالب آماده: مانند یک متخصص در حوزه مشخص عمل کن. من در این موقعیت قرار دارم و هدفم این نتیجه است. با استفاده از داده‌های زیر، این وظیفه را انجام بده. پاسخ را با این قالب، طول و لحن ارائه کن. این محدودیت‌ها را رعایت کن و اگر اطلاعات کافی نیست، قبل از پاسخ سؤال بپرس.
مثال اول: اصلاح پرامپت برای اکسل
قبل: فرمول اکسل این جدول را بده.
بعد: مانند یک مدرس اکسل، برای کاربری با سطح متوسط راه‌حل ارائه کن. در ستون A کد کالا، در ستون B تعداد فروش و در ستون C قیمت واحد قرار دارد. می‌خواهم در ستون D مبلغ فروش هر ردیف و در سلول D101 مجموع فروش محاسبه شود. فرمول‌ها را جداگانه بنویس، مرجع سلول‌ها را توضیح بده و اگر نسخه اکسل بر انتخاب فرمول اثر دارد آن را اعلام کن. داده واقعی در اختیار تو نیست؛ بنابراین عدد نهایی نساز.
مثال دوم: اصلاح پرامپت برای ایمیل اداری
قبل: یک ایمیل برای عقب افتادن پروژه بنویس.
بعد: مانند یک کارشناس ارتباطات سازمانی، ایمیلی رسمی برای مدیر پروژه بنویس. تحویل پروژه به دلیل تأخیر تأمین‌کننده سه روز عقب افتاده است. هدف، اطلاع‌رسانی شفاف و پیشنهاد برنامه جبرانی است، نه توجیه‌کردن. ایمیل شامل موضوع، شرح کوتاه علت، تاریخ جدید تحویل و دو اقدام جبرانی باشد و از ۱۵۰ کلمه بیشتر نشود.
مثال سوم: اصلاح پرامپت برای تولید محتوا
قبل: درباره هوش مصنوعی یک پست اینستاگرام بنویس.
بعد: مانند یک نویسنده محتوای آموزشی، کپشنی برای دانشجویان ۱۸ تا ۲۵ سال بنویس که توضیح دهد چرا پاسخ اول ChatGPT همیشه قابل اعتماد نیست. متن بین ۱۲۰ تا ۱۵۰ کلمه، ساده و بدون لحن ترساننده باشد. یک مثال کوتاه، سه توصیه برای راستی‌آزمایی و یک جمع‌بندی عملی داشته باشد. از وعده درآمد سریع و عبارت‌های کلیشه‌ای استفاده نکن.
مثال چهارم: اصلاح پرامپت برای کار تحصیلی
قبل: این مقاله را خلاصه کن.
بعد: این مقاله را برای دانشجوی کارشناسی خلاصه کن. ابتدا پرسش اصلی پژوهش، سپس روش، یافته‌های کلیدی و محدودیت‌ها را در چهار بخش جدا بیاور. خلاصه حداکثر ۵۰۰ کلمه باشد. هیچ اطلاعاتی خارج از متن اضافه نکن و هرجا نتیجه‌گیری نویسندگان قطعی نیست، آن را به‌صورت احتمال بیان کن.
تبدیل پرامپت‌های پراشتباه به پرامپت‌های حرفه‌ای شغلی
موقعیت اداری: صورت‌جلسه
پرامپت اشتباه: این یادداشت‌ها را مرتب کن.
دلیل خطا: نوع خروجی، مخاطب و ساختار مشخص نیست.
پرامپت بهینه‌شده: یادداشت‌های زیر را به یک صورت‌جلسه رسمی تبدیل کن. خروجی شامل موضوع جلسه، تصمیم‌ها، مسئول هر اقدام و مهلت اجرا باشد. موارد مبهم را حدس نزن و در بخش «نیازمند پیگیری» قرار بده.
تغییر محسوس: خروجی از یک بازنویسی ساده به سندی قابل پیگیری تبدیل می‌شود.
موقعیت بازاریابی: متن معرفی خدمت
پرامپت اشتباه: یک متن جذاب برای خدمات ما بنویس.
دلیل خطا: واژه جذاب قابل اندازه‌گیری نیست و مخاطب یا مزیت خدمت مشخص نشده است.
پرامپت بهینه‌شده: یک متن ۱۰۰ کلمه‌ای برای معرفی خدمت مدیریت شبکه‌های اجتماعی به صاحبان فروشگاه‌های آنلاین کوچک بنویس. بر صرفه‌جویی در زمان و نظم انتشار محتوا تمرکز کن. لحن حرفه‌ای و قابل اعتماد باشد و از وعده فروش تضمینی استفاده نکن.
تغییر محسوس: متن هدفمندتر، واقعی‌تر و متناسب با مخاطب می‌شود.
موقعیت تحصیلی: طراحی برنامه مطالعه
پرامپت اشتباه: برای امتحان برنامه بده.
دلیل خطا: زمان باقی‌مانده، حجم مطالب و محدودیت روزانه معلوم نیست.
پرامپت بهینه‌شده: برای امتحان آمار که ۱۴ روز دیگر برگزار می‌شود برنامه مطالعه طراحی کن. پنج فصل دارم، فصل‌های ۳ و ۴ دشوارتر هستند و روزهای کاری ۹۰ دقیقه و آخر هفته سه ساعت فرصت دارم. برنامه روزانه شامل مطالعه، تمرین و مرور باشد و دو روز پایانی را به جمع‌بندی اختصاص بده.
تغییر محسوس: برنامه از توصیه عمومی به جدول زمانی قابل اجرا تبدیل می‌شود.
عیب‌یابی سریع خروجی‌های نامطلوب چت‌بات
خروجی بیش‌ازحد کلی است
علت احتمالی: هدف، مخاطب یا داده کافی مشخص نشده است.
اقدام فوری: یک مخاطب دقیق، یک نتیجه مطلوب و حداقل دو جزئیات زمینه‌ای اضافه کنید.
خروجی طولانی و پراکنده است
علت احتمالی: طول، اولویت و قالب پاسخ تعیین نشده است.
اقدام فوری: سقف کلمه، تعداد بخش‌ها و ترتیب آن‌ها را مشخص کنید.
لحن پاسخ مناسب برند نیست
علت احتمالی: فقط از صفت‌های مبهمی مانند حرفه‌ای یا جذاب استفاده شده است.
اقدام فوری: مخاطب، ویژگی‌های لحن، عبارت‌های ممنوع و یک نمونه کوتاه ارائه دهید.
پاسخ شامل عدد یا ادعای مشکوک است
علت احتمالی: مدل برای پرکردن شکاف اطلاعاتی حدس زده است.
اقدام فوری: بخواهید فرض‌ها و عدم قطعیت را علامت بزند و ادعا را مستقل راستی‌آزمایی کنید.
بخشی از دستور نادیده گرفته شده است
علت احتمالی: پرامپت چندوظیفه‌ای، طولانی یا متناقض است.
اقدام فوری: کار را مرحله‌بندی کنید و محدودیت‌های اصلی را در فهرستی کوتاه بازنویسی کنید.
پاسخ تحت تأثیر موضوع قبلی است
علت احتمالی: چت شامل پروژه‌ها و نقش‌های نامرتبط است.
اقدام فوری: یک چت تازه باز کنید و زمینه صحیح را از ابتدا در آن قرار دهید.
چک‌لیست ۵ ثانیه‌ای قبل از ارسال پرامپت
- نقش و مخاطب: آیا مشخص است پاسخ از چه زاویه‌ای و برای چه کسی نوشته می‌شود؟
- زمینه و هدف: آیا مدل می‌داند چرا این کار را می‌خواهم و نتیجه کجا استفاده می‌شود؟
- وظیفه: آیا فعل اصلی درخواست روشن و فقط شامل یک مأموریت قابل مدیریت است؟
- فرمت: آیا طول، لحن، تعداد بخش‌ها و شکل خروجی مشخص شده است؟
- کنترل خطا: آیا گفته‌ام اطلاعات را حدس نزند، ابهام را سؤال کند و موارد نامطمئن را اعلام کند؟
جمع‌بندی؛ پاسخ بهتر از درخواست روشن‌تر شروع می‌شود
بیشتر پاسخ‌های ضعیف نتیجه یکی از این مشکلات هستند: درخواست مبهم، نبود زمینه، ترکیب چند کار، تعیین نکردن قالب، انتخاب ابزار نامناسب یا اعتماد بدون راستی‌آزمایی. چارچوب نقش، بافت، دستور و محدودیت نقطه شروع مناسبی برای اصلاح این خطاهاست.
بااین‌حال، هدف از آموزش دستور دادن به هوش مصنوعی پیدا کردن یک فرمان جادویی نیست. کیفیت واقعی زمانی ایجاد می‌شود که پروژه را مرحله‌بندی کنید، به پاسخ بازخورد دقیق بدهید و نتیجه را با دانش انسانی بررسی کنید. یادگیری پروژه‌محور این مهارت در کنار ابزارهایی مانند اکسل، Word و PowerPoint می‌تواند زمان انجام کارهای روزمره را کاهش دهد و کیفیت خروجی‌های شغلی و تحصیلی را به‌صورت واقع‌بینانه بهتر کند.
سوالات متداول
چرا هوش مصنوعی وقتی می‌گویم کاری را انجام نده، باز همان کار را انجام می‌دهد؟
دستور منفی جایگزین مطلوب را مشخص نمی‌کند. به‌جای «متن طولانی ننویس»، بگویید «پاسخ را در حداکثر ۱۰۰ کلمه و سه بند بنویس». دستور مستقیم و قابل اندازه‌گیری معمولاً نتیجه بهتری می‌دهد.
آیا طولانی نوشتن پرامپت همیشه کیفیت پاسخ را بهتر می‌کند؟
خیر. پرامپت باید کامل اما منظم باشد. جزئیات مرتبط مفید هستند، اما اطلاعات تکراری، متناقض و نامرتبط می‌توانند پاسخ را ضعیف‌تر کنند.
چطور مانع تولید اطلاعات غلط و خیالبافی ChatGPT شویم؟
از مدل بخواهید موارد نامطمئن را اعلام کند، چیزی را حدس نزند و فرض‌ها را از واقعیت جدا کند. سپس آمار، منابع، قوانین، فرمول‌ها و اطلاعات حساس را با مرجع معتبر یا متخصص بررسی کنید. حذف کامل توهم تضمین‌شدنی نیست.
آیا نوشتن پرامپت به زبان انگلیسی از فارسی بهتر است؟
نه همیشه. مدل‌های جدید معمولاً فارسی را به‌خوبی پردازش می‌کنند و وضوح دستور از زبان آن مهم‌تر است. برای اصطلاحات تخصصی می‌توانید معادل انگلیسی را داخل پرامپت بیاورید، اما خروجی فارسی را صریحاً درخواست کنید.
چه زمانی باید یک چت تازه باز کنیم؟
وقتی موضوع، پروژه، مخاطب، داده یا نقش مورد نیاز تغییر می‌کند، چت تازه انتخاب بهتری است. برای ادامه همان پروژه، چت فعلی را نگه دارید و هر چند مرحله یک خلاصه مرجع تهیه کنید.
بهترین فرمول کوتاه برای پرامپت‌های اداری چیست؟
فرمول کوتاه عبارت است از: نقش مرتبط، زمینه کار، وظیفه دقیق، قالب خروجی و محدودیت‌ها. برای مثال مشخص کنید متن برای چه مدیری، با چه هدفی، در چه طول و لحنی و براساس چه اطلاعاتی آماده شود.