آموزش پرامپت‌ نویسی حرفه‌ای؛ ۱۵ تکنیک برای گرفتن بهترین نتیجه از ChatGPT و هوش مصنوعی

زمان مطالعه: 11 دقیقه

پرامپت‌ نویسی حرفه‌ ای یعنی درخواست خود را به‌گونه‌ای بنویسید که هوش مصنوعی دقیقاً بداند چه کاری، برای چه مخاطبی، با چه اطلاعاتی و در چه قالبی باید انجام دهد. برای گرفتن بهترین نتیجه از ChatGPT لازم نیست دستورهای پیچیده یا اصطلاحات فنی بنویسید؛ کافی است هدف، زمینه، محدودیت‌ها و معیار کیفیت خروجی را شفاف بیان کنید.

یک پرامپت خوب معمولاً از چند رفت‌وبرگشت ساخته می‌شود، نه از یک سؤال جادویی. ابتدا درخواست اولیه را مطرح کنید، پاسخ را بررسی کنید، سپس با بازخورد مشخص آن را اصلاح کنید. این رویکرد برای تولید محتوا، تحلیل داده، یادگیری، برنامه‌نویسی، ایده‌پردازی و انجام کارهای روزمره، خطا و دوباره‌کاری را کاهش می‌دهد.

چرا کیفیت پرامپت بر کیفیت پاسخ اثر می‌گذارد؟

مدل‌های زبانی بر اساس الگوهای موجود در داده‌های آموزشی پاسخ تولید می‌کنند و مانند یک همکار متخصص، به اطلاعاتی که در اختیارشان می‌گذارید تکیه دارند. اگر بنویسید «یک مقاله بنویس»، مدل باید موضوع، مخاطب، لحن، عمق، طول و ساختار را حدس بزند. اما اگر مشخص کنید مقاله برای مدیران کسب‌وکارهای کوچک است، لحن حرفه‌ای دارد، ۸۰۰ کلمه است و باید مثال‌های عملی داشته باشد، دامنه انتخاب‌های مدل محدود و پاسخ هدفمندتر می‌شود.

شفافیت به معنای طولانی‌نویسی بی‌هدف نیست. گاهی یک دستور کوتاه اما دقیق، از یک پرامپت بلند و پراکنده مؤثرتر است. هر جزئی از پرامپت باید به یک تصمیم واقعی در خروجی کمک کند: چه چیزی تولید شود، چه چیزی تولید نشود و چگونه کیفیت آن بررسی شود.

هوش مصنوعی معمولاً همان‌قدر دقیق پاسخ می‌دهد که مسئله را دقیق تعریف کرده‌اید؛ ابهام در ورودی، اغلب به ابهام در خروجی تبدیل می‌شود.

اصل عملی در مهندسی پرامپت

اجزای یک پرامپت مؤثر برای ChatGPT

پیش از استفاده از تکنیک‌ها، یک الگوی ذهنی ساده داشته باشید. لازم نیست همه اجزا در هر درخواست وجود داشته باشند؛ با این حال، هرچه کار پیچیده‌تر، حساس‌تر یا تخصصی‌تر باشد، افزودن اجزای زیر ارزش بیشتری دارد.

۱۵ تکنیک پرامپت‌ نویسی حرفه‌ای

تکنیک‌های زیر از ساده‌ترین اصول شروع می‌شوند و به روش‌های دقیق‌تر می‌رسند. لازم نیست همه آن‌ها را هم‌زمان به کار ببرید؛ برای هر وظیفه، چند تکنیکی را انتخاب کنید که بیشترین ابهام را از بین می‌برند.

۱. هدف نهایی را صریح و قابل سنجش بنویسید

به‌جای درخواست‌های کلی، خروجی مورد انتظار را نام ببرید. «درباره ایمیل مارکتینگ توضیح بده» مبهم است؛ اما «برای صاحب فروشگاه اینترنتی، یک راهنمای مقدماتی ایمیل مارکتینگ بنویس که شامل سه گام شروع، سه اشتباه رایج و یک نمونه عنوان ایمیل باشد» نتیجه عملی‌تری می‌دهد. فعل‌هایی مانند تحلیل کن، مقایسه کن، بازنویسی کن، خلاصه کن، اولویت‌بندی کن و پیشنهاد بده، مقصد کار را روشن می‌کنند.

۲. زمینه واقعی و اطلاعات مرجع را ارائه کنید

مدل از جزئیات کسب‌وکار، پروژه یا تجربه شما خبر ندارد؛ مگر اینکه آن‌ها را در همان گفت‌وگو وارد کنید. مخاطب، محصول، مرحله پروژه، منابع موجود، نمونه‌های قبلی و مسئله اصلی را بیان کنید. اگر متن، داده یا دستورالعمل داخلی دارید، بخش مرتبط آن را ارائه کنید و مشخص سازید پاسخ باید بر اساس همان اطلاعات باشد، نه حدس‌های عمومی.

۳. نقش مناسب تعیین کنید، اما نقش را با تخصص اشتباه نگیرید

گفتن «در نقش یک ویراستار فارسی‌زبان پاسخ بده» یا «مانند یک تحلیلگر محصول فکر کن» به تنظیم زاویه دید، واژگان و ساختار کمک می‌کند. با این حال، نقش دادن به مدل، تضمین تخصص واقعی یا درستی اطلاعات نیست. برای موضوعات حساس مانند حقوق، پزشکی، امور مالی و ایمنی، نقش را جایگزین بررسی منابع معتبر و نظر متخصص ندانید.

1. تکنیک ۴: مخاطب را دقیق توصیف کنید؛ سطح دانش، دغدغه، زبان و هدف او بر انتخاب مثال‌ها و میزان جزئیات اثر می‌گذارد.
2. تکنیک ۵: قالب خروجی را از ابتدا تعیین کنید؛ جدول، فهرست مرحله‌ای، متن ایمیل، چک‌لیست، کد یا طرح مقاله را صریحاً بخواهید.
3. تکنیک ۶: محدودیت‌های مهم را بنویسید؛ مانند حداکثر طول، لحن، واژه‌های ممنوع، بودجه، زمان یا چهارچوب قانونی.
4. تکنیک ۷: معیار کیفیت تعریف کنید؛ مثلاً پاسخ باید قابل اجرا، مستند به داده ورودی، بدون تکرار و مناسب مخاطب مبتدی باشد.
5. تکنیک ۸: برای کارهای پیچیده، خروجی را به مراحل کوچک تقسیم کنید؛ ابتدا تحلیل، سپس طرح اولیه و در پایان نسخه نهایی را بخواهید.

تقسیم کار به مرحله‌های کوچک، به‌ویژه در پروژه‌های پژوهشی، برنامه‌نویسی و تولید محتوا، مزیت مهمی دارد: می‌توانید پیش از آنکه مدل زمان زیادی صرف تولید نسخه نهایی کند، جهت‌گیری و فرض‌های آن را کنترل کنید. مثلاً ابتدا از آن بخواهید پرسش‌های لازم را فهرست کند، سپس ساختار پیشنهادی را بسازد و تنها پس از تأیید شما متن کامل را تولید کند.

۹. نمونه بدهید تا منظور شما ملموس شود

اگر سبک، ساختار یا سطح کیفیت مشخصی در ذهن دارید، یک یا دو نمونه کوتاه ارائه کنید. این روش برای نوشتن عنوان، پاسخ پشتیبانی، کپشن، دسته‌بندی داده و استخراج اطلاعات بسیار مفید است. نمونه‌ها باید نماینده الگوی مطلوب باشند؛ نمونه مبهم یا ضعیف می‌تواند همان ضعف را به خروجی منتقل کند. همچنین روشن کنید که مدل باید از ساختار نمونه الهام بگیرد، نه اینکه متن آن را تکرار کند.

۱۰. ورودی و دستور را از هم جدا کنید

وقتی متن طولانی، داده خام یا چند سند در پرامپت می‌گذارید، دستور اصلی ممکن است گم شود. ابتدا وظیفه را توضیح دهید، سپس داده را با برچسبی روشن مانند «متن ورودی» قرار دهید و در پایان دوباره بگویید چه خروجی می‌خواهید. برای نمونه: «بر اساس متن زیر، پنج ریسک اصلی را در جدول استخراج کن. فقط از اطلاعات همین متن استفاده کن.» این شیوه احتمال برداشت نادرست را کمتر می‌کند.

۱۱. از مدل بخواهید فرض‌ها و ابهام‌ها را آشکار کند

به‌جای اینکه مدل را وادار به حدس‌زدن کنید، درخواست کنید پیش از پاسخ نهایی، اطلاعات ناقص، فرض‌های کلیدی یا پرسش‌های لازم را شناسایی کند. این تکنیک برای برنامه‌ریزی پروژه، تصمیم‌گیری، تحلیل قرارداد، طراحی محصول و تهیه پیشنهاد بسیار ارزشمند است. می‌توانید بنویسید: «اگر اطلاعاتی برای پاسخ دقیق کافی نیست، ابتدا حداکثر پنج سؤال روشن‌کننده بپرس.»

1. تکنیک ۱۲: پاسخ را با معیارهای مشخص بازبینی کن؛ از مدل بخواهید تناقض‌ها، ادعاهای تأییدنشده، تکرارها و بخش‌های مبهم را شناسایی و اصلاح کند.
2. تکنیک ۱۳: درخواست اصلاح خود را دقیق بیان کنید؛ به‌جای «بهترش کن»، بگویید «مقدمه را کوتاه‌تر کن، مثال عملی اضافه کن و لحن را رسمی‌تر نگه دار».
3. تکنیک ۱۴: در مسائل تحلیلی، گزینه‌ها را مقایسه‌پذیر بخواهید؛ معیارها، مزایا، ریسک‌ها و شرایط مناسب‌بودن هر گزینه را در یک قالب یکسان درخواست کنید.
4. تکنیک ۱۵: یک گفت‌وگوی تکرارشونده بسازید؛ خروجی اول را پیش‌نویس بدانید و با بازخورد، اولویت‌بندی و اصلاح تدریجی به پاسخ نهایی برسید.

یک قالب آماده برای نوشتن پرامپت حرفه‌ای

برای بیشتر کارهای متنی و تحلیلی می‌توانید از این قالب استفاده کنید و بخش‌های غیرضروری را حذف کنید: «هدف: [نتیجه دقیق]. زمینه: [اطلاعات ضروری]. مخاطب: [ویژگی مخاطب]. وظیفه: [کاری که باید انجام شود]. محدودیت‌ها: [طول، لحن، موارد ممنوع یا منابع مجاز]. قالب خروجی: [جدول، فهرست، متن و غیره]. معیار کیفیت: [ویژگی‌های پاسخ خوب]. اگر اطلاعات کافی نیست، ابتدا سؤال‌های روشن‌کننده بپرس.»

برای مثال، یک درخواست ضعیف می‌تواند این باشد: «برای اینستاگرام محتوا بده.» نسخه حرفه‌ای‌تر چنین است: «برای یک فروشگاه آنلاین قهوه تخصصی، پنج ایده پست اینستاگرام برای مخاطبان تازه‌کار طراحی کن. هدف، افزایش ذخیره‌کردن پست‌ها است. هر ایده را در جدول با ستون‌های موضوع، قلاب ابتدایی، نکات اصلی و دعوت به اقدام بنویس. لحن گرم و آموزشی باشد و از ادعاهای غیرقابل‌اثبات درباره سلامت استفاده نکن.»

چگونه پاسخ ChatGPT را ارزیابی و اصلاح کنیم؟

پاسخ روان و قانع‌کننده لزوماً پاسخ درست نیست. مدل ممکن است اطلاعات قدیمی، ناقص یا نادرست ارائه کند، جزئیات را با اطمینان بیش از حد بیان کند یا بافت خاص شما را درست درک نکند. بنابراین کیفیت‌سنجی باید بخشی از فرایند پرامپت‌نویسی باشد، نه مرحله‌ای اختیاری در پایان کار.

• درستی ادعاهای مهم، نام‌ها، تاریخ‌ها، اعداد و نقل‌قول‌ها را با منابع معتبر یا داده اصلی بررسی کنید.
• بررسی کنید آیا پاسخ واقعاً به سؤال شما جواب داده یا فقط متنی مرتبط اما کلی تولید کرده است.
• موارد مبهم را به بازخورد قابل اقدام تبدیل کنید؛ مثلاً بگویید کدام بخش، برای چه مخاطبی و به چه دلیل نامناسب است.
• در کارهای حساس، از هوش مصنوعی برای تهیه پیش‌نویس، سازمان‌دهی و ایده‌پردازی استفاده کنید؛ تصمیم نهایی و تأیید تخصصی را به انسان بسپارید.
• اطلاعات محرمانه، داده شخصی، رمز عبور، جزئیات مالی یا اسناد حساس را بدون رعایت سیاست‌های سازمانی در گفت‌وگو وارد نکنید.

اشتباهات رایج در آموزش پرامپت‌ نویسی

رایج‌ترین اشتباه، انتظار نتیجه کامل از یک درخواست کوتاه و مبهم است. اشتباه دوم، افزودن جزئیات زیاد اما بی‌ربط است؛ اطلاعاتی که به تصمیم مدل کمک نمی‌کنند، تمرکز آن را کاهش می‌دهند. سومین خطا، کپی‌کردن پرامپت‌های آماده بدون سازگارکردن آن‌ها با داده، مخاطب و هدف واقعی است. یک قالب آماده فقط نقطه شروع است، نه نسخه نهایی برای همه موقعیت‌ها.

همچنین نباید از مدل بخواهید واقعیت را جعل کند؛ مثلاً آمار، منبع، تجربه مشتری یا نقل‌قولی را بسازد که وجود خارجی ندارد. درخواست برای شفاف‌گویی درباره محدودیت‌ها، استفاده از جای‌نگهدار برای اطلاعات نامعلوم و بررسی انسانی، نشانه پرامپت‌نویسی حرفه‌ای و مسئولانه است.

جمع‌بندی: از دستور مبهم به گفت‌وگوی هدفمند

مهارت اصلی در کار با ChatGPT پیدا کردن «بهترین جمله جادویی» نیست؛ مسئله را درست تعریف کنید، داده لازم را بدهید، قالب و محدودیت‌ها را مشخص سازید و پاسخ را مرحله‌به‌مرحله بهبود دهید. با تمرین این فرایند، هوش مصنوعی از یک تولیدکننده پاسخ‌های عمومی به ابزاری کاربردی‌تر برای تسریع فکرکردن، نوشتن و تصمیم‌سازی تبدیل می‌شود.

منبع: prompt engineering