مهندسی پرامپت هم به اندازهای که یک علم است، یک هنر محسوب میشود. ابزارهای هوش مصنوعی مولد مانند ChatGPT، Stable Diffusion، Midjourney و Gemini بهتدریج در حال تغییر صنایع مختلف هستند؛ تا جایی که امروزه انجام بسیاری از کارها بدون کمک آنها زمانبر و ناکارآمد به نظر میرسد.
با وجود اهمیت روزافزون این ابزارها، توانایی نوشتن دستورالعملهای واضح، دقیق و مختصر برای مدلهای زبانی بزرگ، هنوز مهارتی است که بسیاری از کاربران آن را نادیده میگیرند.
این موضوع واقعاً حیف است؛ چون با کمی خلاقیت و دقت میتوان با هوش مصنوعی کارهای فوقالعادهای انجام داد. در این راهنمای کوتاه، روشهایی را که برای ساخت پرامپت استفاده میکنم بررسی میکنیم و چند تکنیک کاربردی برای گرفتن پاسخهای بهتر از مدلهای زبانی بزرگ (LLM) ارائه میدهیم.
در این مقاله قرار است:
- یک پرامپت ساده بنویسیم.
- ساختار و عملکرد آن را بررسی کنیم.
- با کمک هوش مصنوعی، آن را بهبود دهیم.
اما قبل از آن…
پرامپت را میتوان شبیه استفاده از چشمبند برای یک اسب در نظر گرفت. هدف این است که میدان دید آن را محدود کنید تا فقط چیزی که برایتان اهمیت دارد در برابرش قرار بگیرد. در این میان، زمینه (Context) همان مسیری است که میخواهید اسب در آن حرکت کند.
چندی پیش میخواستم برای یک محصول فناوری جدید ایدهپردازی کنم. مثل همیشه وارد Claude شدم و شروع کردم به تعیین یک نقش برای مدل زبانی. انجام این کار الزامی نبود، اما بسیار مفید بود.
وقتی برای یک مدل زبانی بزرگ، نقش، وظیفه، هدف یا جزئیات مشخص دیگری تعیین میکنید، پاسخهای آن معمولاً بسیار بهتر با انتظارات شما هماهنگ میشوند. نکته جالب اینجاست که حتی میتوانید یک پرامپت معمولی را به هوش مصنوعی بدهید و از آن بخواهید دستورها و جزئیات بیشتری به آن اضافه کند.
پرامپت اولیه من این بود:
میخواهم با کمک یک مدل زبانی هوش مصنوعی، یک محصول SaaS موفق بسازم.
این پرامپت را با جزئیات بیشتر، دستورالعملهای دقیقتر و شفافیت و عمق بالاتر بازنویسی کن.
تو یک توسعهدهنده ارشد وب در یک شرکت Fortune 500 هستی.
هنگام ساخت یک محصول SaaS با ارزش بالا، مرا در تصمیمهای مهم و مسائل فنی راهنمایی کن.
همیشه کد کامل و مستندسازیشده ارائه بده.
همچنین یک استراتژیست و تحلیلگر کسبوکار حرفهای هستی.
هرجا اطلاعات مفید و مهمی میتواند باعث افزایش بهرهوری یا سودآوری محصول شود، تا حد امکان اطلاعات کاربردی، متفاوت و ارزشمند ارائه کن.
مطمئن شو اطلاعات ارائهشده تا حد ممکن با اهداف پروژه مرتبط باشند.
اگر فکر میکنی یک راهکار قابل اجرا نیست یا ارزش کافی ندارد، با من مخالفت کن و در صورت نیاز پیشنهاد بده مسیر را تغییر دهم.
تا حد امکان دادهها را به شکل جدول ارائه کن.
برای اینکه بتوانی بهترین پاسخ ممکن را ارائه بدهی، هر سؤالی که لازم است از من بپرس.
قبل از اینکه ادامه دهید، لحظهای به این موضوع فکر کنید که هر خط از این پرامپت چه کاری انجام میدهد و چرا با این ساختار نوشته شده است.
اصول اولیه نوشتن یک پرامپت خوب
هنگام ساخت پرامپت، مؤلفههای زیر را در نظر بگیرید. هرکدام هدف مشخصی دارند و میتوانند تأثیر زیادی بر نتیجه نهایی داشته باشند.
۱. تعیین نقش و زمینه
بهجای اینکه فقط یک سؤال بپرسید، ابتدا نقش و زمینه فعالیت هوش مصنوعی را مشخص کنید.
❌ بد:
«یک مقاله درباره میکروسرویسها بنویس.»
✅ خوب:
«بهعنوان یک معمار ارشد نرمافزار با ۱۵ سال تجربه در طراحی سیستمهای توزیعشده، یک مقاله فنی درباره الگوهای معماری میکروسرویسها بنویس.»
تعیین نقش باعث میشود مدل بداند پاسخ را از چه زاویهای ارائه کند و چه سطحی از تخصص را در نظر بگیرد.
این موضوع فقط به برنامهنویسی محدود نیست. برای مثال، اگر درباره هوش مصنوعی در پزشکی تحقیق میکنید، میتوانید در پرامپت مشخص کنید که مدل از دیدگاه یک پژوهشگر پزشکی یا متخصص سلامت پاسخ دهد. همین اصل در حوزههای تصویری نیز کاربرد دارد؛ مثلاً برای تولید عکس محصول با هوش مصنوعی میتوان نقش یک عکاس تبلیغاتی یا متخصص بازاریابی محصول را تعیین کرد.
۲. تعیین هدف و محدودیتهای مشخص
نتیجهای را که میخواهید به دست آورید و محدودیتهای آن را دقیقاً مشخص کنید.
❌ بد:
«در مورد کد پایتون من کمکم کن.»
✅ خوب:
«این تابع پایتون را از نظر بهینهسازی عملکرد بررسی کن. روی کاهش مصرف حافظه و بهبود پیچیدگی زمانی تمرکز داشته باش. کد باید با نسخههای قبلی سازگار باقی بماند.»
هرچه هدف دقیقتر باشد، احتمال اینکه خروجی واقعاً مطابق نیاز شما باشد بیشتر خواهد شد.
۳. مشخص کردن قالب خروجی
دقیقاً مشخص کنید اطلاعات را با چه ساختاری میخواهید.
❌ بد:
«درباره انواع مختلف پایگاه داده توضیح بده.»
✅ خوب:
«پایگاههای داده NoSQL و SQL را با ساختار زیر مقایسه کن:
- موارد استفاده
- ویژگیهای عملکردی
- ملاحظات مربوط به مقیاسپذیری
- هزینهها»
بررسی دقیق پرامپت اولیه
تعیین نقش
«تو یک توسعهدهنده ارشد وب در یک شرکت Fortune 500 هستی.»
چرا مؤثر است؟
- سطح تخصص را مشخص میکند.
- حوزه تخصصی، یعنی توسعه وب، را تعیین میکند.
- تجربه در سطح سازمانی را تداعی میکند.
منطق پشت این انتخاب:
- مدلهای هوش مصنوعی معمولاً زمانی که نقش تخصصی مشخصی دریافت میکنند، پاسخهای تخصصیتر و ساختاریافتهتری ارائه میدهند.
- زمینه سازمانی باعث میشود مواردی مانند مقیاسپذیری و امنیت بیشتر مورد توجه قرار بگیرند.
تعیین محدوده
«هنگام ساخت یک محصول SaaS با ارزش بالا، مرا در تصمیمهای مهم و مسائل فنی راهنمایی کن.»
چرا مؤثر است؟
- مشخص میکند که به راهنمایی مستمر نیاز دارید.
- جنبههای فنی و تجاری را همزمان در نظر میگیرد.
- مدل را به سمت تفکر استراتژیک هدایت میکند.
مشخص کردن قالب خروجی
«همیشه کد کامل و مستندسازیشده ارائه بده.»
چرا مؤثر است؟
- خروجی مورد انتظار را مشخص میکند.
- نیاز به مستندسازی را روشن میکند.
- از یک اصطلاح فنی مشخص برای توصیف خروجی استفاده میکند.
تأثیر در اجرا:
- باعث میشود نمونههای کد ناقص نباشند.
- استانداردهای مستندسازی را رعایت کنند.
- خروجیها کاربردیتر و قابل استفادهتر باشند.
تعیین الزامات کیفیت اطلاعات
«هرجا اطلاعات مفید، متفاوت و مهم میتواند باعث افزایش بهرهوری یا سودآوری محصول شود، تا حد امکان اطلاعات ارزشمند ارائه کن.»
چرا مؤثر است؟
- مدل را به ارائه بینشهایی فراتر از اطلاعات بدیهی تشویق میکند.
- اطلاعات را به نتایج مشخصی مانند بهرهوری و سودآوری مرتبط میکند.
- تفکر خلاقانه را افزایش میدهد.
اجازه تصمیمگیری مستقل
«اگر فکر میکنی یک راهکار قابل اجرا نیست، با من مخالفت کن و در صورت نیاز پیشنهاد بده مسیر را تغییر دهم.»
چرا مؤثر است؟
- از رفتار صرفاً تأییدکننده هوش مصنوعی جلوگیری میکند.
- هوش مصنوعی را به یک شریک فکری تبدیل میکند.
- تفکر انتقادی را تقویت میکند.
منطق پشت این رویکرد:
- به مدل اجازه میدهد با شما مخالفت کند.
- امکان اصلاح مسیر پروژه را فراهم میکند.
مهندسی پرامپت
Claude بلافاصله سؤالات بیشتری مطرح کرد؛ دلیلش هم این بود که در پرامپت از آن خواسته بودم چنین کاری انجام دهد. همچنین به محدودیتهایی در پرامپت اولیه اشاره کرد که خودم متوجه آنها نشده بودم.
ابتدا پرسید:
- محصول SaaS شما دقیقاً قرار است چه مشکل یا نیازی را حل کند؟
- بازار هدف یا صنعت مشخصی در نظر دارید؟
- سطح فعلی مهارت فنی شما چیست؟
- برای توسعه اولیه و زیرساخت چه میزان بودجهای در نظر گرفتهاید؟
- چه زمانی میخواهید نسخه MVP را عرضه کنید؟
پاسخ به این سؤالات کمک میکند پرامپت بسیار دقیقتر و کاربردیتری ساخته شود. با این حال، مدل از همان ابتدا چند مشکل مهم را در ساختار پرامپت شناسایی کرد:
محدودیتهای فعلی
- عبارت «SaaS با ارزش بالا» بیش از حد کلی است.
- معیارهای مشخصی برای موفقیت تعیین نشده است.
- روش توسعه مورد نظر مشخص نیست.
- فناوریهای اصلی مورد استفاده تعیین نشدهاند.
- الزامات امنیتی و انطباق با مقررات مشخص نیستند.
- مدل درآمدی واضحی تعریف نشده است.
- مشخص نیست هدف، ساخت MVP است یا محصول کامل.
این مثال نشان میدهد که یک پرامپت خوب الزاماً از ابتدا کامل نیست. یکی از مهمترین بخشهای مهندسی پرامپت، تکرار، بررسی و اصلاح پرامپت بر اساس پاسخهای دریافتی است.
پرامپت نهایی
در نهایت، پرامپت به شکل زیر تکمیل شد:
تو یک توسعهدهنده ارشد Full-Stack و استراتژیست محصول هستی که در زمینه ابزارهای تحقیقاتی و افزونههای مرورگر تخصص داری.
مرا در ساخت یک ابزار برای هایلایت، استخراج و سازماندهی اطلاعات وب با پارامترهای زیر راهنمایی کن.
مشخصات اصلی محصول
- افزونه مرورگر برای هایلایت و استخراج متن
- اپلیکیشن وب برای سازماندهی و مشاهده تحقیقات ذخیرهشده
- مخاطب هدف: پژوهشگران مستقل
- قیمت اولیه: اشتراک ماهانه ۵ دلار
- اولین هدف: رسیدن به ۱۰ هزار دلار MRR
- مهلت ساخت MVP: یک ماه
محدوده فنی
فناوریهای اصلی:
- فرانتاند: [فریمورک مورد نظر را مشخص کن]
- بکاند: Python
- پایگاه داده: PostgreSQL
- افزونه: APIهای Chrome و Firefox
- یکپارچهسازی NLP/LLM برای دستهبندی موضوعات
وظایف تو
۱. برنامهریزی معماری
- طراحی یک سیستم مقیاسپذیر
- پیشنهاد ساختار مناسب API
- طراحی یک اسکیمای کارآمد برای پایگاه داده
۲. پیادهسازی فنی
- ارائه کد کامل، مستند و آماده استفاده در محیط واقعی
- تمرکز بر قابلیتهای اصلی هایلایت و ذخیرهسازی
- مدیریت صحیح ارجاعات و منابع
- پیادهسازی احراز هویت امن کاربران
۳. استراتژی توسعه
- اولویتبندی قابلیتهای MVP
- شناسایی ریسکهای بدهی فنی
- پیشنهاد راهکارهای زیرساختی کمهزینه
- برنامهریزی برای مقیاسپذیری آینده
۴. تحلیل کسبوکار
- بررسی تصمیمهای فنی از نظر هزینه
- شناسایی گلوگاههای احتمالی فنی
- پیشنهاد فرصتهای بهینهسازی
- بررسی و کنترل مصرف منابع
الزامات پاسخ
- راهنمایی مرحلهبهمرحله برای پیادهسازی ارائه کن.
- مستندات کامل کد را ارائه بده.
- هرجا مناسب است، اطلاعات را به شکل جدول نمایش بده.
- ریسکهای احتمالی فنی و تجاری را مشخص کن.
- در صورت وجود، راهکارهای جایگزین پیشنهاد بده.
- راهکارهای مقرونبهصرفه را در اولویت قرار بده.
قابلیتهای MVP
قابلیتهای اصلی:
- امکان هایلایت کردن متن
- ذخیره خودکار اطلاعات در پایگاه داده
- سازماندهی اولیه موضوعات بهصورت خودکار و دستی
- ثبت و مدیریت ارجاع به منابع
- رابط کاربری ساده برای جستوجو و بازیابی اطلاعات
هر زمان درباره جزئیات پیادهسازی یا انتخابهای فنی مطمئن نیستی، بهجای فرض کردن، از من سؤال بپرس.
تصمیمهای فنی را بر اساس معیارهای زیر ارزیابی کن:
- محدودیت بودجه
- زمان یکماهه
- نیازهای مربوط به مقیاسپذیری
- انتظارات بازار
جمعبندی
مهندسی مؤثر پرامپت یک فرایند تکرارشونده است. از الگوهای مطرحشده در این مقاله شروع کنید و سپس آنها را با توجه به نیازهای خود و قابلیتهای مدل هوش مصنوعی مورد استفاده، تغییر دهید.
همیشه این نکات را به خاطر داشته باشید:
- دقیق و شفاف باشید.
- از ساختارهای مشخص استفاده کنید.
- هرجا امکان دارد مثال ارائه دهید.
- بر اساس نتایج، پرامپت خود را بهطور مداوم اصلاح و بهینه کنید.
