چگونه پرامپت بنویسیم تا از هوش مصنوعی نتیجه بهتری بگیریم؟

نسخه دوم چیزی را برای حدس زدن باقی نمی‌گذارد. همین یک تفاوت، معمولاً باعث می‌شود از همان بار اول جواب قابل‌استفاده بگیرید، بدون نیاز به چند بار اصلاح کردن.

آناتومی یک پرامپت خوب

هر پرامپت خوبی، معمولاً از این پنج بخش تشکیل شده؛ لازم نیست همیشه هر پنج‌تا را بنویسید، اما دانستن‌شان کمک می‌کند بفهمید چه چیزی از قلم افتاده:

۱. زمینه (Context): مدل چه اطلاعات پس‌زمینه‌ای نیاز دارد؟ مخاطب کیست؟ این کار برای چه هدفی انجام می‌شود؟

۲. وظیفه (Task): دقیقاً چه کاری باید انجام شود؟ فعل دقیق و مشخص استفاده کنید («خلاصه کن»، «مقایسه کن»، «بازنویسی کن») نه چیزهای کلی مثل «کمکم کن».

۳. محدودیت‌ها (Constraints): طول، لحن، زبان، چیزهایی که نباید در جواب باشد.

۴. فرمت خروجی: لیست؟ جدول؟ JSON؟ پاراگراف؟ هرچه دقیق‌تر بگویید، کمتر نیاز به ویرایش دستی خواهید داشت.

۵. مثال (در صورت نیاز): یک یا دو نمونه از خروجی مطلوب، مخصوصاً وقتی فرمت یا لحن خاصی مد نظرتان است.

نکته مهم: شروع کنید با صفر مثال (Zero-shot) و فقط اگر جواب مطابق انتظار نبود، یک مثال اضافه کنید (One-shot). اضافه کردن چند مثال از ابتدا (Few-shot) معمولاً فقط برای کارهای تکراری با فرمت ثابت لازم است، نه برای هر پرامپتی.

به مدل اجازه بدهید بگوید «نمی‌دانم»

یکی از رایج‌ترین دلایل هالوسینیشن (تولید اطلاعات نادرست با اعتماد به نفس بالا) این است که پرامپت هیچ راهی برای «عدم قطعیت» باز نمی‌گذارد. وقتی مدل احساس کند باید حتماً یک جواب قطعی بدهد، گاهی جواب را می‌سازد.

راه‌حل ساده است؛ در پرامپت صریحاً اجازه بدهید:

این یک جمله ساده، قابلیت اعتماد به جواب را به‌شکل محسوسی بالا می‌برد.

پرامپت‌های طولانی و پیچیده را ساختاریافته بنویسید

وقتی حجم اطلاعات ورودی زیاد می‌شود (مثلاً چند سند، چند بخش داده، یا چند وظیفه در یک درخواست)، مدل به کمک نیاز دارد تا بفهمد کجا داده تمام می‌شود و کجا دستور شروع می‌شود. استفاده از تیترهای واضح یا جداکننده‌های ساده، بهترین راه است:

نیازی نیست تگ‌های XML پیچیده یاد بگیرید؛ فاصله‌گذاری تمیز و تیتربندی ساده، برای اکثر مدل‌های امروزی کافی است. سؤال یا دستور اصلی را همیشه در انتهای پرامپت بگذارید، بعد از اینکه تمام زمینه و داده را دادید؛ این کار باعث می‌شود مدل درست قبل از پاسخ دادن، آخرین چیزی که می‌بیند دقیقاً همان درخواست شما باشد.

شکستن کارهای پیچیده به مراحل کوچک‌تر

اگر از مدل بخواهید یک کار چندمرحله‌ای را یک‌جا انجام دهد (مثلاً «این گزارش را تحلیل کن، نتیجه‌گیری کن و یک ایمیل بر اساسش بنویس»)، احتمال خطا در یکی از مراحل بالا می‌رود و پیدا کردن مشکل سخت‌تر می‌شود. برای کارهای مهم، بهتر است کار را به چند پرامپت جدا تقسیم کنید یا از مدل بخواهید مرحله‌به‌مرحله فکر کند:

این روش، هم دقت خروجی را بالا می‌برد و هم اگر یک مرحله اشتباه شد، فقط همان مرحله را اصلاح می‌کنید، نه کل خروجی را.

اشتباهات رایجی که وقت شما را هدر می‌دهند

• درخواست‌های خیلی کلی: «این متن را بهتر کن» به جای گفتن اینکه دقیقاً از چه نظر (لحن؟ طول؟ ساختار؟) بهتر شود.
• مخلوط کردن زمینه و دستور در یک جمله: وقتی داده و دستور قاطی می‌شوند، مدل سخت‌تر می‌تواند آن‌ها را از هم تشخیص دهد.
• فراموش کردن فرمت خروجی: اگر نگویید خروجی به چه شکل باشد، مدل حدس می‌زند و معمولاً حدسش با نیاز شما یکی نیست.
• پرامپت‌های خیلی طولانی و بی‌نظم: طولانی بودن به‌تنهایی چیزی را بهتر نمی‌کند؛ هر جمله باید یا محدودیت اضافه کند یا زمینه بدهد. یک پرامپت کوتاه و دقیق، معمولاً از یک پرامپت بلند و مبهم بهتر عمل می‌کند.
• تست نکردن دوباره: یک پرامپت که یک‌بار خوب جواب داده، همیشه بهترین شکل ممکن آن نیست. تغییرات کوچک را امتحان کنید و نتیجه را مقایسه کنید.

چک‌لیست سریع قبل از ارسال پرامپت

• وظیفه را با یک فعل مشخص گفته‌ام؟
• محدودیت‌های لازم (طول، لحن، زبان) را نوشته‌ام؟
• فرمت خروجی مشخص شده؟
• اگر داده پیچیده دارم، آن را از دستور جدا کرده‌ام؟
• به مدل اجازه دادم در صورت عدم قطعیت، آن را اعلام کند؟

جمع‌بندی

پرامپت‌نویسی خوب، مهارتی نیست که یک‌بار یاد بگیرید و تمام؛ عادتی است که با هر درخواست بهتر می‌شود. شروع کنید با گفتن دقیق زمینه، وظیفه، محدودیت و فرمت خروجی؛ بعد بر اساس نتیجه، پرامپت را اصلاح کنید. همین چند اصل ساده، در اکثر مواقع فاصله بین یک جواب متوسط و یک جواب دقیقاً همان چیزی که نیاز داشتید را پر می‌کند.