مهندسی پرامپت: دوره آموزش پرامپت نویسی از 0 تا 100 — قسمت 2

فهرست مطالب و زمان بندی ویدیو

متا دیسکریپشن: در این قسمت از دوره آموزش پرامپت نویسی (مهندسی پرامپت) ساختار پرامپت حرفه‌ای و یک مثال استاندارد را به زبان ساده یاد می‌گیرید — مناسب برای مبتدیان تا افراد نیمه‌حرفه‌ای.

مهندسی پرامپت نقش تعیین‌کننده‌ای در کار با مدل‌های زبانی دارد. در این مقاله و ویدیو همراه می‌شویم تا اصول ساختار پرامپت حرفه‌ای را به شکلی ساده و کاربردی ببینید و یاد بگیرید چگونه پرامپت‌هایی بنویسید که خروجی قابل اعتماد و دقیق‌تری تولید کنند. پیشنهاد می‌کنم ویدیو را کامل ببینید و سپس متن را برای مرور نکات کلیدی مطالعه کنید.

معرفی مهندسی پرامپت و ضرورت آن

مهندسی پرامپت (Prompt Engineering) به هنر و علم طراحی ورودی‌هایی است که مدل‌های زبانی مانند GPT به بهترین شکل به آنها پاسخ دهند. با افزایش استفاده از مدل‌های هوش مصنوعی در تولید متن، ترجمه، کدنویسی و تحلیل داده، توانایی نوشتن پرامپت‌های دقیق و هدفمند اهمیت زیادی پیدا کرده است.

هدف این بخش آشنایی کوتاه با کاربردهای مهندسی پرامپت و دلایلی است که باعث می‌شود هرکسی که با مدل‌های زبانی کار می‌کند، مهارت پرامپت نویسی را بیاموزد: کنترل خروجی، کاهش خطا، بهبود دقت و صرفه‌جویی در زمان.

اصول پایه در ساختار پرامپت حرفه‌ای

یک پرامپت حرفه‌ای معمولاً بر پایه چند اصل ساده اما کلیدی ساخته می‌شود: وضوح (Clear)، مختصر بودن (Concise)، تعیین نقش یا قالب (Role/Format) و ارائه مثال یا قالب مرجع (Example/Template). این اصول کمک می‌کنند مدل دقیق‌تر و مطابق انتظار عمل کند.

همچنین توجه به پارامترهای تکمیلی مانند درجه خلاقیت (temperature)، طول خروجی مورد انتظار و معیارهای ارزیابی (مثل فرمتی که می‌خواهید پاسخ در آن باشد) می‌تواند تاثیر زیادی در کیفیت نتیجه داشته باشد.

بخش‌های استاندارد یک پرامپت (قالب) و ترتیب آنها

پرامپت‌های استاندارد معمولاً شامل چند بخش مشخص هستند: تعریف نقش (مثلاً «شما یک مدرس هستید»)، هدف یا وظیفه (چه کاری باید انجام شود)، ورودی‌های لازم (داده یا زمینه) و فرمت خروجی مورد انتظار. ترتیب منطقی این بخش‌ها باعث می‌شود مدل بتواند بهتر وظیفه را درک کند.

یک قالب پیشنهادی ساده:

• 1. مقدمه و تعیین نقش
• 2. شرح وظیفه و هدف
• 3. جزئیات یا داده‌های زمینه
• 4. قالب یا نمونه خروجی
• 5. محدودیت‌ها و نکات تکمیلی

این ساختار قابل تنظیم است اما رعایت ترتیب و وضوح در هر بخش کلیدی است.

مثالی از ساختار استاندارد پرامپت — مرحله به مرحله

در اینجا یک مثال عملی از یک پرامپت استاندارد برای تولید یک خلاصه‌ی تخصصی آورده شده است. بخش‌ها را با هم بررسی می‌کنیم:

1) نقش: شما یک خلاصه‌نویس حرفه‌ای در زمینه بازاریابی دیجیتال هستید.
2) هدف: یک خلاصه 5 جمله‌ای از مقاله زیر تولید کنید که نکات کلیدی و نتیجه‌گیری را پوشش دهد.
3) ورودی: متن مقاله یا لینک (متن مقاله قرار داده شود).
4) قالب خروجی: حداکثر 5 جمله، هر جمله حداکثر 20 کلمه، بدون لیست‌بندی.
5) محدودیت: از اصطلاحات فنی پیچیده پرهیز کن و برای مخاطب عمومی بنویس.

توضیح: با تعریف نقش و قالب خروجی، مدل می‌داند چه سبک و طولی را رعایت کند. اضافه کردن محدودیت‌ها و نمونه شکل خروجی، احتمال تولید ناخواسته را کاهش می‌دهد.

نکات تکمیلی و بهترین روش‌ها در پرامپت نویسی

الف) از زبان صریح و مشخص استفاده کنید: به جای «خلاصه کن»، بنویسید «یک خلاصه 5 جمله‌ای شامل اهداف و نتایج بنویس». ب) از نمونه‌ها بهره ببرید: ارائه یک نمونه خروجی به مدل کمک می‌کند تا قالب را بهتر درک کند. ج) گام‌به‌گام کردن دستور: برای مسائل پیچیده، کار را به چند وظیفه جدا تقسیم کنید.

همچنین، آزمون و خطا (iterative refinement) بسیار مهم است: نتایج اولیه را بررسی کرده، پرامپت را اصلاح کنید و پارامترها را تنظیم نمایید تا به نتیجه مطلوب برسید.

اشتباهات رایج و راه‌های جلوگیری از آنها

برخی اشتباهات متداول عبارتند از: درخواست نامشخص یا خیلی کلی، عدم تعیین قالب خروجی، و نادیده گرفتن محدودیت‌های مدل. برای جلوگیری از این‌ها، همیشه نقش و قالب را مشخص کنید و مثال بدهید.

همچنین انتظار داشتن معجزه از یک پرامپت تنها کافی نیست؛ گاهی نیاز به پیش‌پردازش داده‌ها، پاک‌سازی ورودی و یا تقسیم مسئله دارید تا مدل بهترین عملکرد را داشته باشد.

نتیجه‌گیری و منابع پیشنهادی برای ادامه یادگیری

مهندسی پرامپت یک مهارت کاربردی است که با تمرین و بازخورد قابل یادگیری است. با رعایت ساختار پرامپت حرفه‌ای، تعریف نقش، ارائه قالب خروجی و استفاده از مثال‌ها می‌توانید خروجی‌های بهتری از مدل‌های زبانی بگیرید.

برای ادامه یادگیری، ویدیوهای بعدی این دوره را دنبال کنید و منابعی مثل مستندات API، راهنماهای prompt engineering و مقالات کاربردی را مطالعه کنید. تمرین مداوم و تحلیل نتایج کلید موفقیت در پرامپت نویسی است.

آنچه در ویدیو گفته ام

اما می‌رسیم به مهندسی پرامپت. خب پس اگر ما می‌خوایم در سؤال پرسیدنمون، در درخواستمون یک سری اصول رو رعایت بکنیم تا به نتیجه بهتر برسیم یا به جواب بهتر برسیم، به جواب دقیق‌تر برسیم، پس باید یک سری اصول و موارد و نکات رو در این درخواستمون رعایت بکنیم. چون اصول داره، پس اسمش رو گذاشتند مهندسی پرامپت. یعنی میگویند همان پرامپتت را با یک سری اصول رعایت بکن و از هوش مصنوعی بپرس؛ میگویند شما داری این کار مهندسی پرامپت را انجام میدی و در نتیجه آمدی چکار کردی؟ هنر و مهارت طراحی دقیق، هدفمند و بهینه دستوراتت رو انجام دادی، به طوری که بتونی خروجی دقیق‌تر، مفیدتر و باکیفیت دریافت بکنی و در نهایت خروجی دریافت کنی که اصلاً به دردت بخوره. خب خروجی که به درد شما بخوره یعنی تمام این موارد را داشته: دقیق و مفید و باکیفیت بود. همانطور که گفتیم چرا بهش می‌گوییم مهندسی پرامپت؟ چون باید نیازت را اول دقیق تحلیل بکنی، یک ساختار مناسب برای درخواستت بسازی و حالا می‌تونی هی بهترش هم بکنی. یعنی بعداً می‌گویی من این درخواست را کردم این را داد، می‌توانست اینجوری هم به من بده؛ هی درخواست را اصلاح بکنی، مهندسی‌اش بکنی تا به نتیجه و دقت بهتری در خروجی‌هایت برسید. برای مهندسی پرامپت ما چه مهارت‌هایی لازم داریم؟ درک ابزار. اول اینکه آقا داری به چه ابزاری چه متنی می‌دهی؟ مثلاً بیایی در ابزار ChatGPT بگویی برای من بیا "ویس" تبدیل ویس بساز. اصلاً ویس نمی‌سازد. ابزار متن می‌گیرد، ویس می‌گیرد، ایمیج می‌سازد ولی ویس برای شما نمی‌سازد. خب اصلاً چرا داری با این کار می‌کنی؟ ابزارت را بشناسی. بعضی از ابزارها در یک قسمت‌هایی بسیار قوی‌ترند. خب مثلاً در تبدیل متن به صدا یا ویس، ابزارهای مثلاً "لَبز" هستش که اصلاً بی‌نهایت قوی؛ حتی در فارسی، یعنی تبدیل‌هایی انجام می‌دهد که خیلی شبیه انسان است. خب اصلاً ChatGPT انجام نمی‌دهد یا برای کارهای گرافیکی، خب نه اینکه ChatGPT ضعیف باشد اما ابزارهای بسیار قوی وجود دارند که دارند با ChatGPT رقابت می‌کنند. شاید در حوزه کاری شما آن‌ها بتوانند حتی کیفیت بالاتری داشته باشند یا در تولید فیلم، دوباره ابزارهایی هستند که دارند با چت جی‌پی‌تی رقابت می‌کنند و حتی قوی‌تر هستند. اما در بحث کار روزمره‌ای که ما داریم با چت‌جی‌پی‌تی صحبت می‌کنیم و کارهای روزمره‌مان را انجام می‌دهیم، فعلاً ChatGPT قدرت بسیار زیادی دارد و توانسته در همه جوانب کار خیلی خوبی را برای ما انجام بدهد. هدف‌گذاری باید بکنی. آقا من دارم این درخواست را می‌دهم که به چه هدفی برسم؟ یعنی پس باید خودم هدفم برای خودم مشخص باشد تا بتوانم از او همان هدف را بخواهم و باید ساختاری در پرامپتم داشته باشم که بتوانم تمام این مواردی که در ذهنم هست را بهش برسانم و بهش بدهم و در آخر هم می‌توانم پرامپتم را بارها و بارها اصلاح و بهینه بکنم. مخصوصاً پرامپت‌هایی که شما بارها و بارها دارید ازش استفاده می‌کنید. مثلاً داری مطلبی می‌سازی برای اینستاگرام، داری پست می‌سازی، داری نمی‌دانم مقاله تولید می‌کنی. خب می‌تونی این را داری هی تکرارش می‌کنی دیگر. خب هی بهینه‌اش بکن پرامپتت را داشته باش، جاهای مختلفش را تغییر بده تا به نتیجه بهتری هم برسی. در نهایت هم مهندسی پرامپت یعنی بدانی چه می‌خواهی، چطوری این را بخواهی و چطور با زبان دقیق از هوش مصنوعی بگیری. یک نکته آخر هم راجع به مهندسی پرامپت اینجا بهتون بگویم؛ داستانی که آقا شما داری برای یک ابزاری یا از یک ابزاری داری درخواست می‌دهی که فکر کنید کور است، اصلاً نمی‌بیند، یک گوش هم که ندارد. داریم برایش می‌نویسیم پس باید بهش توضیح بدهی که داستان چیست، چه می‌خواهی، شرایطت چیست و چجوری به تو جواب بدهد. همین، این به همین سادگی. یعنی با یک چیزی که کور است، فکر کنید دارید طرف هستید و می‌خواهید ازش بگیرید. خب می‌رسیم به بحث جذاب. خب ما گفتیم مهندسی پرامپت چیست، هوش مصنوعی چیست، اصلاً چجوری اطلاعات را می‌گیرد، تحلیل می‌کند، ما چرا باید مهندسی پرامپت بکنیم و پرامپت بعدی آن درخواستمان یک ساختاری داشته باشد. خب ولی راجع به ساختارش می‌خواهیم الان صحبت بکنیم که این ساختارمان چجوری باشد تا بتوانیم راحت‌تر، دقیق‌تر به هوش مصنوعی بفهمانیم چه می‌خواهیم و جواب خوبی ازش بگیریم. ساختار استاندارد پرامپت حرفه‌ای چیست؟ این‌ها از اولویت بالا من نوشته‌ام تا اولویت پایین. یعنی سعی بکنیم در درخواست‌هایمان مواردی که اولویت بالاتر دارند را حتماً در درخواستمان بگنجانیم. اولیش "نقش" یا "رول ستینگ" است. همین‌ها را دانه دانه تک به تک هم برایتان توضیح می‌دهم و اهمیتش را بهتان می‌گویم. نقش یا "رول ستینگ" یعنی اینکه آقا تو با چه هویتی باید باهات صحبت بکنم. می‌خواهم از تو یک مثلاً مشاوره‌ای چی می‌گویم؟ احساسی بگیرم. بگویم آقا مثلاً تو مشاور روانشناسی هستی، خودت را بگذار در آن سبک، حالا به من جواب بده. می‌خواهم مشاوره ورزشی بگیرم، بگویم مثلاً تو برنامه‌ریز و نمی‌دانم مربی ورزشی هستی در زمینه فلان، حالا به من جواب بده. از پزشکی می‌خواهم حتی ازش سؤال بپرسم. همان‌جوری فقط دقت بکنید! ما این نکته را در کل مسیر داشته باشیم؛ این هوش مصنوعی می‌رود بر اساس اطلاعات به شما جواب می‌دهد. با توجه به نوع سؤال شما به شما جواب می‌دهد. پس احتمال اینکه یک درصدی یا چند درصدی جواب‌هایش اشتباه باشد، دارد. حتماً خودتان هم دقت بکنید. موضوع بعدی باید هدف پرامپت را بهش بگویم. بگویم آقا، اصلاً من چه می‌خواهم؟ می‌خواهم از مربی‌ام دارم یک دانه گزارش می‌گیرم. تو مربی ورزشی من هستی. من می‌خواهم وزن کم کنم. من می‌خواهم عضله زیاد کنم. من می‌خواهم چربی‌ام کم بشود. من می‌خواهم نمی‌دانم سلامتی‌ام افزایش پیدا بکند. ببین، هدفم را دارم بهش می‌گویم. آقا هدف من مربی ورزشی، مثلاً کم کردن چربی بدنم است. خب اینجا می‌فهمد که آقا فقط مشکل تو وزن نیست، می‌خواهی چربی‌ات را کم بکنی. چون وزن را اگر بخواهی کم بکنی، خب وزنتان مثلاً اگر یک ذره دانش داشته باشی، می‌دانید که هم چربی‌ات کم می‌شود هم عضلات کم می‌شود. خب دو تا با همدیگر وزنت را کم می‌کند. آب بدنت هم کم بشود دوباره وزنت کم می‌شود. اما وقتی می‌آیی هدفت را دقیق‌تر مشخص می‌کنی، می‌گوید آقا من نمی‌خواهم بقیه چیزهایم آب بشود. می‌خواهم بیشتر مثلاً چربی‌ام کم بشود که فرم بدنم نمی‌دانم این‌ها حفظ بشود. این را باید بهش بگویی. بعدش می‌گوید زمینه و اطلاعات پیش‌زمینه. خب می‌خواهی چربی‌هایت هم آب بشود. خب می‌گوید قدت را بگو، وزنت را بگو. اصلاً درصد چربی‌ات را بگو. درصد مثلاً حالا این را دارم خیلی تخصصی‌تر می‌گویم‌ها. درصد مثلاً ماهیچه‌ات را بگو. درصد آب بدنت را بگو که شاید مثلاً با از این ساعت‌های هوشمند جدید یک آدم می‌تواند این را دربیاورد یا برود یک دانه از این باشگاه‌های ورزشی که اندازه‌گیری می‌کنند. پس یک اطلاعاتی بهش می‌دهم. جنسیتم را بهش می‌دهم. سنم را بهش می‌دهم. یک سری اطلاعات می‌دهم که او بتواند از من اطلاعات داشته باشد تا بتواند هدف من را بهتر بهش برساند و در نهایت خروجی باید ازش بخواهم. بگویم خب این اطلاعات را بهت دادم، هدفم هم این است. تو هم که مربی ورزشی هستی. خروجی‌ام را به شکل مثلاً برنامه غذایی و برنامه ورزشی یک روز در میان به من بده. باید بهش بگویی چه بهت بدهد و گرنه یک چیزی بی‌هدف به شما می‌دهد. خب می‌گویی من این را چکار کنم؟ حالا داری خروجی می‌دهی، مثلاً انواع هرچی غذای گران‌قیمت توش بگنجاند. خب یا مثلاً اگر ویتامین و این‌ها کم است، مثلاً بگو قرص‌های ویتامین مثلاً مولتی‌ویتامین اضافه بهش بکنم خوب است یا نه؟ اینجوری خروجی‌ات را برای خودت شخصی‌سازی بکنید. وگرنه برمی‌گردد، می‌رود منابع مثلاً خارجی را هم سرچ می‌کند، برمی‌دارد مثلاً می‌گوید روزانه یک دانه آووکادو بخور. نمی‌دانم روغن فلان را فراوان باید بگویی و من مثلاً می‌خواهم لاغر کنم، باید مثلاً ماهی میلیون تومان هم بروم غذای مختلف تهیه کنم بخورم. خب این منطق ندارد برای من. برای من اجرایی نیست. خب قابلیت اجرا ندارد. همین که قابلیت اجرا ندارد، شما می‌گویی اه این چه هوش مصنوعی مزخرفی بود، اصلاً این چیزی که به من داد اصلاً به درد من نمی‌خورد. در صورتی که شما بهش نگفته بودی خروجی را چجوری بهش بدهد یا برایش محدودیت نگذاشته بودی. آقا من روز در هفته می‌توانم ورزش بکنم، نه روز در هفته. خب برنامه‌ات را آنجوری به من بده. و در نهایت لحن و زبان مورد انتظار است. آقا با من خودمانی صحبت کن. با من جدی صحبت کن. با من نمی‌دانم رسمی صحبت کن. با من داش‌مشتی صحبت کن. هر چیزی با آن لحن و استایل و این‌ها را می‌توانید آنجا تعریف بکنید. اما چرا این از همه کم‌رنگ‌تر شده یا این دو تا کمرنگ‌تر شده؟ چون یک سری از مواردی که ما در این بالا حالا جلوتر بهش می‌رسیم و برایش تعریف می‌کنیم، در اصل دارد یک سری از این‌ها را هم بهش می‌گوید. وقتی ما مثلاً نقش را می‌گوییم یک جوری داریم بهش می‌گوییم مثلاً این‌ها را هم چجوری به ما بدهد. برای همین می‌آییم پایین‌تر، این‌ها اهمیتشان کمتر می‌شود. اما اگر دیدیم آن چیزی که مدنظرمان بود نشد، باید این موارد را هم برایش تکمیل بکنیم. خب یک مثال آمدیم گفتیم که تو یک نویسنده و تحلیل‌گر تکنولوژی هستی. یک پست متنی بنویس به زبان ساده درباره کاربرد هوش مصنوعی و آینده شغلی. این پست برای فلان است. سبکش چی باشد؟ طول متن. بریم همین را با همدیگر مقایسه بکنیم. یعنی من این دوباره ChatGPT را می‌آورم. می‌آیم بهش فقط متن آخر را می‌دهم. می‌آیم می‌گویم که یعنی آن پرامپت را بده. "درباره کاربرد هوش مصنوعی و آینده شغلی مرتبط با آن توضیح بده." خب این را بهش می‌دهم و شروع می‌کند یک سری در داستان و موارد و این‌ها به من می‌دهد. باید بگویم می‌گویم این را من چکارش کنم؟ من اصلاً این را می‌خواستم پستش کنم. من مثلاً می‌خواستم این را مثلاً در لینکدین بگذارم. خب چیست؟ من باید یک ساعت بنشینم این را الان خلاصه‌اش بکنم. در صورتی که خب ما اشتباه بهش دادیم، نگفتیم بهش که حالا می‌آیم آن پرامپت ساختاریافته را بهش می‌دهم. یعنی نقش را بهش می‌دهم، هدف را بهش می‌دهم، زمینه را بهش می‌دهم. صبر کنم و آن محدودیت فرمت را هم بهش می‌دهم. ببینیم خروجی‌اش چی می‌شود. این شد خروجی شما که حالا می‌تواند جذاب باشد، فلان باشد و همه این‌ها را شما درش ببینید. یعنی دیگر این همان سؤال است. این را به ما داد، یک توضیحات کلی که خب باشد چکارش بکنم به چه درد من می‌خورد. اینجا شد دقیقاً همان چیزی که من می‌خواستم ببرمش در شبکه‌های اجتماعی مثل لینکدین، اینستاگرام، حالا تلگرام یا هر جای دیگر دوست داشتم آن را منتشرش بکنم.