تا به حال شده از یک ابزار هوش مصنوعی چیزی بخواهید، اما پاسخی بگیرید که با چیزی که در ذهن داشتید فاصله زیادی داشته باشد؟ شاید همان درخواست را کمی دقیق‌تر بنویسید و ناگهان نتیجه کاملا متفاوتی بگیرید. اینجاست که اهمیت پرامپت (Prompt) مشخص می‌شود؛ یعنی همان چیزی که برای بیان خواسته و راهنمایی هوش مصنوعی در اختیار آن قرار می‌دهیم.
در این مطلب می‌خواهیم ببینیم پرامپت هوش مصنوعی چیست، چه اجزایی دارد و چطور می‌توانیم پرامپت‌های بهتری بنویسیم تا پاسخ‌هایی دقیق‌تر و کاربردی‌تر بگیریم. در ادامه نیز با تکنیک‌ها و نمونه‌های مختلف پرامپت‌نویسی آشنا می‌شویم.
پرامپت چیست؟
پرامپت (Prompt) به ورودی یا درخواستی گفته می‌شود که برای هدایت یک ابزار یا مدل هوش مصنوعی به آن می‌دهیم. این ورودی می‌تواند یک سوال ساده، یک دستور، توضیحی درباره کاری که باید انجام شود، اطلاعات زمینه‌ای، نمونه‌ای از خروجی موردنظر یا ترکیبی از این موارد باشد. برای مثال، وقتی از یک ابزار هوش مصنوعی می‌خواهیم متنی را خلاصه کند، برای یک موضوع تصویر بسازد یا بخشی از کد را بررسی کند، متنی که برای بیان این درخواست و اطلاعات لازم در اختیار آن قرار می‌دهیم، بخشی از پرامپت محسوب می‌شود.
پرامپت می‌تواند بسیار کوتاه و ساده باشد یا جزئیات بیشتری داشته باشد. میزان جزئیاتی که لازم است به مدل بدهیم به نوع درخواست، مدل مورد استفاده و نتیجه‌ای که انتظار داریم بستگی دارد. به همین دلیل، دو پرامپت درباره یک موضوع یکسان می‌توانند خروجی‌های متفاوتی ایجاد کنند؛ برای مثال، مشخص کردن مخاطب، لحن، محدودیت‌ها یا قالب خروجی می‌تواند نتیجه را تغییر دهد.
برای درک بهتر، فرض کنید از یک ابزار هوش مصنوعی می‌خواهیم داستانی کوتاه درباره یک گربه بنویسد. می‌توانیم چنین پرامپتی بنویسیم:
«داستانی چندخطی درباره گربه‌ای کنجکاو بنویس که در حال دویدن در یک باغ زیبا است.»
در این مثال:
- دستور اصلی «نوشتن داستان» است که وظیفه اصلی هوش مصنوعی را نشان می‌دهد.
- «درباره یک گربه کنجکاو» موضوع داستان را مشخص می‌کند.
- «دویدن در یک باغ زیبا» پس‌زمینه را نشان می‌دهد و به هوش مصنوعی ایده‌ای برای داستان می‌دهد.
- عبارت «چندخطی» به هوش مصنوعی محدودیت می‌دهد تا داستان خود را تنها در چند خط تمام کند. (حواستان باشد که این نوع عبارات ممکن است از کیفیت خروجی کم کنند)
حالا هوش مصنوعی از این فرمان برای تولید یک داستان کوتاه متنی استفاده می‌کند. کیفیت داستان خروجی به جزئیات دستور داده‌شده بستگی دارد. مثلا با استفاده از دستور بالا، هوش مصنوعی خروجی زیر را تولید می‌کند:
«روزی یک گربه کنجکاو به نام نونا در باغی زیبا قدم گذاشت. او با استفاده از قدرت بویایی خود در هرجا چیزی یافت و به سمت آن دوید. او با شگفتی با گل‌ها، شکوفه‌ها و حشرات باغ آشنا شد. باغ را به‌عنوان دنیایی پر از رازها و ماجراهای بی‌پایان دید و همیشه در حال کاوش بود، به امید کشف چیزهای جدید و هیجان‌انگیز.»
با توجه به پیشرفت سریع مدل‌های هوش مصنوعی، تعریف پرامپت دیگر صرفا به «دستور متنی ساده» محدود نمی‌شود. امروزه پرامپت‌ها می‌توانند شامل ورودی‌های چندوجهی (متن، تصویر، صدا یا حتی ویدیو) باشند و این موضوع باعث شده است که حوزه «مهندسی پرامپت» پیچیده‌تر و تخصصی‌تر شود.
حالا اگر بخواهید داستانی عمیق‌تر و طولانی‌تر داشته باشید، می‌توانید با تغییر و آزمایش دستورات جدید، به آن دست یابید. برای نوشتن بهترین Prompt هوش مصنوعی، باید علم را با خلاقیت ترکیب کنید، در ادامه بیشتر به این موضوع می‌پردازیم.
اهمیت پرامپت‌نویسی صحیح در هوش مصنوعی
پرامپت‌نویسی صحیح به این معنا نیست که همیشه با یک درخواست، پاسخ کامل و بی‌نقصی دریافت کنیم. مدل‌های هوش مصنوعی ممکن است حتی با یک پرامپت دقیق هم دچار خطا شوند و در بسیاری از موارد، اصلاح و تکمیل تدریجی درخواست بخشی طبیعی از فرایند کار با آن‌هاست. با این حال، یک پرامپت خوب می‌تواند رفت‌وبرگشت‌های غیرضروری را کمتر کند و کنترل بیشتری روی نتیجه در اختیار شما قرار دهد.
به طور کلی، یک پرامپت مناسب می‌تواند به شما کمک کند:
- خواسته خود را واضح‌تر بیان کنید: مشخص کنید مدل دقیقاً چه کاری باید انجام دهد.
- زمینه لازم را در اختیار مدل قرار دهید: اطلاعاتی را که برای پاسخگویی به درخواست لازم است، اضافه کنید.
- خروجی را بهتر کنترل کنید: قالب، طول، لحن یا سایر ویژگی‌های پاسخ موردنظر را مشخص کنید.
- زمان کمتری صرف اصلاح پاسخ کنید: هرچه درخواست از ابتدا روشن‌تر باشد، احتمال رسیدن سریع‌تر به خروجی موردنظر بیشتر می‌شود.
بنابراین، پرامپت‌نویسی بیشتر از آنکه به استفاده از عبارت‌های پیچیده وابسته باشد، به شفاف بیان کردن مسئله و مشخص کردن چیزی که از هوش مصنوعی می‌خواهیم مربوط است.
پرامپت چطور روی پاسخ هوش مصنوعی تاثیر می‌گذارد؟
وقتی یک پرامپت را در اختیار ابزار هوش مصنوعی قرار می‌دهید، مدل باید ابتدا درخواست شما را پردازش کند و سپس بر اساس اطلاعات موجود در ورودی و توانایی‌های خود، پاسخ مناسبی تولید کند. در مدل‌های زبانی بزرگ (LLM)، این فرایند به شکل ساده شامل تبدیل ورودی به واحدهای قابل پردازش، تحلیل ارتباط میان بخش‌های مختلف آن و تولید مرحله‌به‌مرحله پاسخ است.
۱. دریافت و پردازش Prompt
مدل ابتدا Prompt را به واحدهای کوچک‌تری به نام توکن (Token) تبدیل می‌کند. توکن‌ها می‌توانند کلمه، بخشی از یک کلمه، عدد یا نشانه‌های دیگری باشند. مدل با تبدیل متن به توکن می‌تواند ورودی را به شکلی پردازش کند که برای معماری آن قابل استفاده باشد.
برای مثال، وقتی از مدل می‌خواهید «یک متن ۵۰۰ کلمه‌ای درباره اهمیت مطالعه برای دانشجویان بنویس»، بخش‌های مختلف این درخواست اطلاعاتی درباره موضوع، وظیفه، مخاطب و محدودیت طول متن در اختیار مدل قرار می‌دهند.
۲. تحلیل ارتباط میان بخش‌های Prompt
پس از دریافت ورودی، مدل ارتباط میان بخش‌های مختلف آن را بررسی می‌کند. در مدل‌های زبانی مبتنی بر معماری Transformer، سازوکار Attention به مدل کمک می‌کند تا هنگام پردازش هر بخش از ورودی، ارتباط آن با بخش‌های دیگر را در نظر بگیرد.
به همین دلیل، اضافه کردن اطلاعاتی مانند مخاطب، لحن، زمینه، محدودیت‌ها یا قالب خروجی می‌تواند در نتیجه نهایی تاثیر بگذارد. برای مثال، تفاوت میان این دو درخواست را در نظر بگیرید:
«درباره سرمایه‌گذاری بنویس.»
و:
«برای دانشجویانی که با مفاهیم مالی آشنایی ندارند، یک توضیح ساده و ۵۰۰ کلمه‌ای درباره اصول اولیه سرمایه‌گذاری بنویس.»
در درخواست دوم، مدل اطلاعات بیشتری درباره هدف، مخاطب، موضوع و شکل خروجی دارد و می‌تواند پاسخ را متناسب با همین شرایط تولید کند.
۳. تولید پاسخ
در مرحله بعد، مدل پاسخ را به‌صورت مرحله‌به‌مرحله تولید می‌کند. در مدل‌های زبانی، یکی از سازوکارهای اصلی این فرایند، پیش‌بینی توکن بعدی بر اساس توکن‌های قبلی و اطلاعات موجود در context است. این فرایند بارها تکرار می‌شود تا پاسخ کامل شکل بگیرد.
اگر در یک گفت‌وگو درخواست‌های دیگری هم ارسال کنید، پیام‌های قبلی می‌توانند در context مکالمه قرار بگیرند و مدل با توجه به آن‌ها پاسخ جدیدی تولید کند. به همین دلیل است که می‌توانید در ادامه یک درخواست را اصلاح یا تکمیل کنید و درباره همان موضوع سوال دیگری بپرسید.
در نهایت، کیفیت پاسخ فقط به خود Prompt بستگی ندارد و عواملی مانند مدل مورد استفاده، اطلاعات موجود در context، ابزارهای در دسترس و نوع درخواست نیز می‌توانند بر نتیجه تاثیر بگذارند. به همین دلیل، یک پرامپت دقیق می‌تواند به هدایت بهتر مدل کمک کند، اما تضمین‌کننده یک پاسخ درست یا بی‌نقص نیست.
انواع پرامپت هوش مصنوعی
دستورات هوش مصنوعی انواع مختلفی دارند که هرکدام هدف متفاوتی دارند و مدل هوش مصنوعی را برای ایجاد انواع خاصی از پاسخ‌ها راهنمایی می‌کنند. در جدول زیر می‌توانید انواع Prompt هوش مصنوعی را به همراه اهداف و مثال مشاهده کنید:
| نوع | مثال | هدف |
| تولید متن | داستان کوتاهی درباره گربه‌ای که در زمان سفر می‌کند بنویس | تولید مقاله، داستان، متن تبلیغاتی و سایر محتواهای متنی |
| پرسش و پاسخ | پایتخت فرانسه کجاست؟ | ارائه اطلاعات، پاسخگویی به سوالات، اهداف آموزشی |
| کار با تصویر | این صحنه را توصیف کن (تصویری از یک ساحل را می‌دهید) | افزودن متن به تصاویر، کمک به کاربران کم‌بینا، برچسب‌گذاری محتوا |
| تولید و بررسی کد | یک تابع پایتون برای محاسبه فاکتوریل بنویس | تولید کد، توضیح کد و پیدا کردن خطاهای برنامه‌نویسی |
| ترجمه | این پاراگراف را از انگلیسی به اسپانیایی ترجمه کن (پاراگراف را وارد می‌کنید) | ترجمه و بومی‌سازی محتوا |
| تحلیل احساسات | احساس این نظر مشتری را تجزیه و تحلیل کن (نظر مشتری را وارد می‌کنید) | درک نظرات، تحلیل بازخورد، ارزیابی رضایت مشتری |
| خلاصه سازی متن | این مقاله را در ۳ جمله خلاصه کن (مقاله را وارد می‌کنید) | درک سریع متون طولانی، استخراج اطلاعات کلیدی، کمک به تحقیق |
| تشخیص تصویر | اجسام این عکس را شناسایی کن (عکس را وارد می‌کنید) | تشخیص شی، طبقه‌بندی تصویر، جستجوی بصری |
| مکالمه | یک مکالمه در مورد آب‌و‌هوا را آغاز کن | شبیه‌سازی مکالمات انسان، ساخت چت‌بات‌ها، دستیاران مجازی |
البته نوع پرامپت تنها عاملی نیست که نتیجه را تعیین می‌کند. نحوه بیان درخواست، اطلاعات زمینه‌ای، محدودیت‌ها و قالب خروجی نیز می‌توانند روی پاسخ نهایی تأثیر بگذارند. به همین دلیل، علاوه بر شناخت انواع پرامپت، آشنایی با تکنیک‌های پرامپت‌نویسی نیز اهمیت دارد.
تکنیک‌های پرامپت‌نویسی
تکنیک‌های پرامپت‌نویسی روش‌هایی هستند که به شما کمک می‌کنند درخواست خود را ساختارمندتر و دقیق‌تر در اختیار مدل قرار دهید. انتخاب تکنیک مناسب به نوع مسئله و نتیجه‌ای که انتظار دارید بستگی دارد و قرار نیست یک روش برای همه درخواست‌ها بهترین نتیجه را داشته باشد.
۱. پرامپت Zero-shot
در روش Zero-shot، بدون ارائه نمونه قبلی، مستقیما از مدل می‌خواهید یک وظیفه مشخص را انجام دهد. این روش برای درخواست‌های ساده و وظایفی که به توضیح یا نمونه اضافی نیاز ندارند، مناسب است.
«این متن را در سه جمله خلاصه کن.»
۲. پرامپت Few-shot
در Few-shot prompting، پیش از درخواست اصلی، چند نمونه از ورودی و خروجی موردنظر را در اختیار مدل قرار می‌دهید. این نمونه‌ها به مدل نشان می‌دهند که چه الگو یا قالبی را باید دنبال کند.
برای مثال، اگر می‌خواهید احساسات نظرات مشتریان را در سه دسته مثبت، منفی و خنثی طبقه‌بندی کنید، می‌توانید ابتدا چند نظر را همراه با دسته‌بندی صحیح آن‌ها ارائه دهید و سپس نظر جدید را برای تحلیل ارسال کنید.
۳. Role Prompting
در Role prompting، نقش یا دیدگاه مشخصی برای مدل تعریف می‌کنید تا پاسخ را متناسب با آن نقش ارائه دهد. برای مثال:
«در نقش یک ویراستار حرفه‌ای، متن زیر را از نظر نگارشی و ساختار جمله‌ها بررسی کن.»
این روش زمانی می‌تواند مفید باشد که نوع تخصص، لحن یا زاویه دید موردنظر برای پاسخ اهمیت داشته باشد.
۴. ارائه Context یا اطلاعات زمینه‌ای
هرچه درخواست به اطلاعات مرتبط‌تری درباره مسئله مجهز باشد، مدل می‌تواند پاسخ را متناسب‌تر با شرایط موردنظر تولید کند. برای مثال، به‌جای اینکه فقط بگویید «یک متن درباره سرمایه‌گذاری بنویس»، می‌توانید مخاطب، هدف متن و سطح آشنایی مخاطب با موضوع را نیز مشخص کنید.
۵. تعیین محدودیت‌ها و فرمت خروجی
می‌توانید ویژگی‌های خروجی موردنظر را از ابتدا در پرامپت مشخص کنید؛ برای مثال تعداد کلمات، تعداد موارد، لحن، ساختار یا قالب پاسخ.
«در ۵۰۰ کلمه و با لحنی رسمی و قابل فهم برای افراد مبتدی، مفهوم سرمایه‌گذاری را توضیح بده و در پایان سه نکته کلیدی را به‌صورت فهرست ارائه کن.»
مشخص کردن این موارد، دامنه پاسخ را محدودتر و نتیجه را به نیاز شما نزدیک‌تر می‌کند.
۶. اصلاح و تکمیل تدریجی پرامپت
لازم نیست همیشه انتظار داشته باشید اولین پاسخ دقیقا همان چیزی باشد که می‌خواهید. می‌توانید پاسخ مدل را بررسی کنید و سپس با اضافه کردن اطلاعات، تغییر دادن محدودیت‌ها یا اصلاح درخواست، آن را به نتیجه مطلوب نزدیک‌تر کنید. این فرایند به‌ویژه برای کارهای پیچیده‌تر کاربرد دارد.
در نهایت، تکنیک مناسب به نوع درخواست و مدل مورد استفاده بستگی دارد. در بسیاری از موارد نیز ترکیب چند روش، مانند تعیین نقش، ارائه اطلاعات زمینه‌ای و مشخص کردن قالب خروجی، می‌تواند به تولید پاسخ متناسب‌تر کمک کند.
چگونه یک پرامپت خوب بنویسیم؟
برای نوشتن یک پرامپت خوب، لازم نیست از عبارت‌های پیچیده یا اصطلاحات تخصصی استفاده کنید. مهم‌تر از همه این است که مشخص کنید از هوش مصنوعی چه می‌خواهید و اطلاعات لازم برای انجام آن کار را در اختیار مدل قرار دهید. بسته به نوع درخواست، می‌توانید از چند جزء اصلی برای ساختن یک پرامپت استفاده کنید.
۱. نتیجه موردنظر را مشخص کنید
قبل از نوشتن Prompt، از خودتان بپرسید: «دقیقا می‌خواهم هوش مصنوعی چه کاری برای من انجام دهد؟»
برای مثال، «درباره بازاریابی محتوا بنویس» درخواست مشخصی نیست. اما «مزایا و معایب بازاریابی محتوا را برای یک مدیر کسب‌وکار توضیح بده» هدف روشن‌تری دارد.
۲. اطلاعات لازم را در اختیار مدل قرار دهید
اگر هوش مصنوعی برای انجام کار به اطلاعاتی درباره موضوع، مخاطب، شرایط یا داده‌های خاص نیاز دارد، آن‌ها را در پرامپت وارد کنید. هر اطلاعاتی که برای انجام درست کار ضروری است اما مدل از آن اطلاعی ندارد، باید از طرف شما ارائه شود.
۳. خروجی موردنظر را توصیف کنید
مشخص کنید پاسخ را با چه ویژگی‌هایی می‌خواهید؛ برای مثال، لحن، طول، سطح جزئیات یا قالب خروجی. اگر پاسخ باید به شکل جدول، فهرست یا متن پیوسته باشد، این موضوع را نیز بیان کنید.
۴. درخواست را بررسی و اصلاح کنید
اولین پاسخ همیشه همان چیزی نیست که انتظار دارید. خروجی را بررسی کنید و اگر بخشی از آن مناسب نبود، به‌جای شروع دوباره، پرامپت را اصلاح کنید. می‌توانید اطلاعات بیشتری اضافه کنید، بخشی از درخواست را دقیق‌تر کنید یا ویژگی‌های خروجی را تغییر دهید.
برای مثال، اگر پاسخ بیش از حد تخصصی بود، می‌توانید بگویید:
«همین پاسخ را با زبان ساده‌تر و برای فردی که با این موضوع آشنایی ندارد بازنویسی کن.»
یک مثال ساده
فرض کنید می‌خواهید برای یک مقاله، مقدمه‌ای درباره سرمایه‌گذاری بنویسید.
درخواست اولیه:
«یک مقدمه درباره سرمایه‌گذاری بنویس.»
اگر پاسخ با نیاز شما مطابقت نداشت، می‌توانید Prompt را اصلاح کنید:
«یک مقدمه ۱۵۰ کلمه‌ای برای مقاله‌ای درباره اصول اولیه سرمایه‌گذاری بنویس. مخاطب مقاله افراد مبتدی هستند، بنابراین از اصطلاحات تخصصی بدون توضیح استفاده نکن و لحن متن رسمی و قابل فهم باشد.»
در این مثال، با اضافه کردن اطلاعاتی درباره هدف، مخاطب، طول و لحن، درخواست دقیق‌تر شده است.
در نهایت، پرامپت خوب الزاما طولانی نیست. مهم این است که درخواست شما برای مدل روشن، مرتبط با هدف و به‌اندازه کافی دقیق باشد. همچنین در کارهای پیچیده‌تر، اصلاح تدریجی Prompt بخشی طبیعی از فرایند رسیدن به خروجی موردنظر است.
اشتباهات رایج در پرامپت‌نویسی
گاهی پاسخ نامناسبی که از یک ابزار هوش مصنوعی دریافت می‌کنیم، لزوما به این معنی نیست که مدل عملکرد خوبی نداشته است. ممکن است بخشی از مشکل به نحوه بیان درخواست برگردد. شناخت اشتباهات رایج در پرامپت‌نویسی کمک می‌کند درخواست خود را دقیق‌تر تنظیم کنیم و با آزمون‌وخطای کمتری به نتیجه مطلوب برسیم.
۱. درخواست مبهم و کلی
اگر هدف خود را به‌طور مشخص بیان نکنیم، مدل باید بخش زیادی از منظور ما را از روی یک درخواست کلی حدس بزند. برای مثال، درخواست «برای من یک متن تبلیغاتی بنویس» اطلاعات کافی درباره محصول، مخاطب، لحن یا هدف متن ارائه نمی‌دهد.
هرچه اطلاعاتی که برای انجام کار ضروری است واضح‌تر بیان شود، احتمال دریافت خروجی متناسب با نیاز ما بیشتر می‌شود.
۲. نادیده گرفتن زمینه و اطلاعات ضروری
گاهی تصور می‌کنیم مدل اطلاعاتی را که در ذهن ماست می‌داند؛ در حالی که اگر این اطلاعات در اختیار آن قرار نگیرد، نمی‌تواند از آن‌ها در پاسخ استفاده کند.
برای مثال، اگر از مدل بخواهیم یک ایمیل حرفه‌ای بنویسد، بهتر است موضوع ایمیل، مخاطب، هدف و اطلاعاتی را که باید در متن وجود داشته باشد نیز مشخص کنیم.
۳. مشخص نکردن شکل خروجی
ممکن است پاسخ از نظر محتوا مناسب باشد، اما در قالبی ارائه شود که استفاده از آن دشوار است. اگر خروجی را در قالب خاصی می‌خواهیم، بهتر است همان ابتدا آن را مشخص کنیم.
برای مثال می‌توانیم از مدل بخواهیم پاسخ را در قالب جدول، فهرست، متن چندپاراگرافی، JSON یا حتی با تعداد مشخصی کلمه ارائه کند.
۴. اضافه کردن اطلاعات غیرضروری
طولانی‌تر بودن پرامپت لزوما به معنی بهتر بودن آن نیست. اضافه کردن توضیحات نامرتبط می‌تواند درخواست اصلی را در میان اطلاعات اضافی پنهان کند.
بهتر است فقط اطلاعاتی را وارد کنیم که برای انجام وظیفه یا تعیین خروجی موردنظر اهمیت دارند.
۵. انتظار داشتن پاسخ کامل در همان تلاش اول
حتی یک پرامپت دقیق نیز همیشه به اولین پاسخ ایدئال منجر نمی‌شود. در بسیاری از موارد، بهتر است پاسخ اولیه را بررسی کنیم و سپس بر اساس نتیجه، درخواست خود را اصلاح یا تکمیل کنیم.
برای مثال، می‌توانیم از مدل بخواهیم پاسخ را کوتاه‌تر کند، لحن آن را تغییر دهد، بخش خاصی را بازنویسی کند یا اطلاعات بیشتری به آن اضافه کند.
۶. مشخص نکردن محدودیت‌ها
اگر برای پاسخ محدودیت خاصی داریم، بهتر است آن را صریح بیان کنیم. تعداد کلمات، مخاطب، لحن، زبان، بازه زمانی اطلاعات یا مواردی که نباید در پاسخ وجود داشته باشند، نمونه‌هایی از این محدودیت‌ها هستند.
۷. اعتماد کامل به خروجی بدون بررسی
پرامپت دقیق می‌تواند به دریافت خروجی مناسب‌تر کمک کند، اما تضمینی برای درست بودن تمام اطلاعات ارائه‌شده نیست. به‌خصوص در موضوعات تخصصی، آماری، علمی یا اطلاعاتی که به‌روز بودن آن‌ها اهمیت دارد، خروجی باید بررسی و در صورت نیاز با منابع معتبر تطبیق داده شود.
نمونه پرامپت خوب و بد
تفاوت میان یک پرامپت مبهم و یک پرامپت دقیق را می‌توان با یک مثال ساده بهتر دید.
فرض کنید می‌خواهیم از ChatGPT برای نوشتن یک پست لینکدین درباره اهمیت یادگیری برنامه‌نویسی کمک بگیریم.
پرامپت ضعیف:
درباره اهمیت یادگیری برنامه‌نویسی یک پست لینکدین بنویس.
این درخواست وظیفه اصلی را مشخص می‌کند، اما اطلاعاتی درباره مخاطب، هدف، لحن یا شکل خروجی در اختیار مدل قرار نمی‌دهد. در نتیجه ممکن است پاسخ کلی باشد و با چیزی که در ذهن ماست فاصله داشته باشد.
پرامپت دقیق‌تر:
برای صفحه لینکدین یک شرکت فناوری، یک پست ۱۵۰ تا ۲۰۰ کلمه‌ای درباره اهمیت یادگیری برنامه‌نویسی بنویس. مخاطب اصلی پست، توسعه‌دهندگان جوان و علاقه‌مندان به فناوری هستند. لحن متن حرفه‌ای اما صمیمی باشد و از کلیشه‌هایی مثل «در دنیای امروز» استفاده نکن. متن را با یک سوال یا جمله جذاب شروع کن و در پایان، مخاطب را به بیان تجربه خود از یادگیری برنامه‌نویسی دعوت کن.
در پرامپت دوم، علاوه بر وظیفه اصلی، مخاطب، زمینه، طول متن، لحن، محدودیت‌ها و شکل خروجی نیز مشخص شده است. بنابراین مدل اطلاعات بیشتری برای تنظیم پاسخ در اختیار دارد.
نکته مهم این است که برای بهتر شدن یک پرامپت، لازم نیست همیشه آن را بسیار طولانی کنیم. هدف، اضافه کردن اطلاعات مرتبط و ضروری است؛ نه پر کردن درخواست با توضیحات اضافی.
نمونه پرامپت‌های آماده برای ChatGPT
یکی از کاربردهای پرامپت‌نویسی این است که بتوانیم درخواست‌های خود را برای کارهای مختلف به شکلی دقیق و قابل استفاده تنظیم کنیم. در ادامه چند نمونه پرامپت آماده آورده‌ایم که می‌توانید آن‌ها را مستقیما در ChatGPT استفاده کنید یا متناسب با نیاز خود تغییر دهید.
تولید محتوا
نقش یک نویسنده متخصص در حوزه فناوری را داشته باش. یک مقاله ۸۰۰ کلمه‌ای درباره [موضوع] برای [مخاطب] بنویس. هدف مقاله […] است. لحن متن حرفه‌ای و روان باشد. از تکرار مطالب و عبارت‌های کلیشه‌ای خودداری کن. ساختار مقاله شامل مقدمه، بخش‌های اصلی و جمع‌بندی باشد.
چه چیزی این پرامپت را بهتر می‌کند؟
در این نمونه، نقش، موضوع، مخاطب، هدف، لحن و ساختار خروجی مشخص شده‌اند و کاربر می‌تواند بخش‌های داخل کروشه را متناسب با نیاز خود تغییر دهد.
خلاصه کردن یک متن
متن زیر را در حداکثر ۲۰۰ کلمه خلاصه کن. نکات اصلی، اعداد و نتیجه‌گیری‌های مهم را حفظ کن و از اضافه کردن اطلاعاتی که در متن اصلی وجود ندارد خودداری کن. ابتدا یک خلاصه کوتاه ارائه بده و سپس ۵ نکته کلیدی را به‌صورت فهرست بنویس.
[متن موردنظر]
تحلیل یک متن
متن زیر را از نظر نقاط قوت، نقاط ضعف و مواردی که نیاز به اصلاح دارند بررسی کن. برای هر مورد، توضیح کوتاهی ارائه بده و در پایان، ۳ پیشنهاد عملی برای بهبود متن ارائه کن. پاسخ را در قالب یک جدول با ستون‌های «بخش»، «مشکل» و «پیشنهاد اصلاحی» ارائه بده.
[متن موردنظر]
یادگیری یک موضوع
می‌خواهم [موضوع] را از سطح مقدماتی یاد بگیرم. ابتدا پیش‌نیازهای لازم را مشخص کن و سپس یک مسیر یادگیری مرحله‌به‌مرحله طراحی کن. برای هر مرحله، مفاهیم اصلی، یک مثال ساده و یک تمرین پیشنهاد بده. اگر یادگیری یک مفهوم به دانستن مفهوم دیگری وابسته است، ترتیب مناسب را مشخص کن.
برنامه‌ریزی
برای [هدف] یک برنامه [روزانه/هفتگی] طراحی کن. شرایط من این است: [شرایط و محدودیت‌ها]. برنامه باید واقع‌بینانه باشد و برای هر مرحله زمان تقریبی و خروجی مورد انتظار را مشخص کند. اگر اطلاعات کافی برای طراحی برنامه وجود ندارد، ابتدا سؤال‌های ضروری را بپرس.
تولید یا بررسی کد
نقش یک برنامه‌نویس متخصص در [زبان/فریم‌ورک] را داشته باش. کد زیر را بررسی کن و مشکلات مربوط به خطا، خوانایی، عملکرد و امنیت را مشخص کن. برای هر مشکل، دلیل آن را توضیح بده و در صورت امکان نسخه اصلاح‌شده کد را ارائه کن.
[کد]
بازنویسی متن
متن زیر را بازنویسی کن، بدون اینکه اطلاعات اصلی آن تغییر کند. لحن متن باید [رسمی/صمیمی/حرفه‌ای] باشد و جمله‌های طولانی، تکراری و عبارت‌های کلیشه‌ای حذف شوند. خروجی را به‌گونه‌ای بنویس که برای [مخاطب/کانال انتشار] مناسب باشد.
[متن]
این نمونه‌ها یک قالب ثابت برای همه درخواست‌ها ایجاد نمی‌کنند. نکته اصلی این است که هر پرامپت را بر اساس کاری که قرار است انجام شود تنظیم کنیم. برای مثال، در یک درخواست تحلیلی ممکن است تعیین معیارهای ارزیابی مهم‌تر از تعیین لحن باشد، در حالی که در تولید محتوا، مخاطب و سبک نوشتار اهمیت بیشتری پیدا می‌کنند.
پرامپت‌نویسی برای تولید تصویر
پرامپت فقط برای تولید متن یا دریافت پاسخ از چت‌بات‌ها استفاده نمی‌شود. ابزارهای تولید تصویر نیز از Prompt برای دریافت توضیح درباره سوژه، محیط، سبک و ویژگی‌های تصویر استفاده می‌کنند.
در یک پرامپت تصویری می‌توانیم علاوه بر سوژه اصلی، مواردی مانند محیط، ترکیب‌بندی، زاویه دید، نورپردازی، سبک بصری، رنگ‌ها و نسبت تصویر را نیز مشخص کنیم. البته اینکه هر ابزار دقیقا چه اطلاعاتی را بهتر پردازش می‌کند، به مدل و قابلیت‌های آن بستگی دارد.
برای مثال، یک درخواست ساده می‌تواند چنین باشد:
یک ربات در یک دفتر کار مدرن.
این درخواست سوژه اصلی را مشخص می‌کند، اما جزئیات زیادی درباره ظاهر و فضای تصویر ندارد. اگر بخواهیم تصویر مشخص‌تری تولید کنیم، می‌توانیم پرامپت را کامل‌تر کنیم:
یک ربات انسان‌نما در حال کار با لپ‌تاپ در یک دفتر فناوری مدرن، میز کار مینیمال، پنجره‌های بزرگ با نور طبیعی، فضای حرفه‌ای و آرام، نمای سینمایی، جزئیات بالا، ترکیب‌بندی متعادل، نسبت تصویر 16:9.
در نمونه دوم، علاوه بر سوژه، محیط، نور، سبک کلی و نسبت تصویر نیز مشخص شده است. در نتیجه، ابزار اطلاعات بیشتری برای نزدیک کردن تصویر به خواسته ما دارد.
اجزای مهم یک پرامپت تصویری
| جزء | نمونه |
|---|---|
| سوژه | یک ربات انسان‌نما |
| محیط | دفتر فناوری مدرن |
| فعالیت | کار با لپ‌تاپ |
| سبک | سینمایی |
| نورپردازی | نور طبیعی |
| ترکیب‌بندی | متعادل |
| جزئیات | جزئیات بالا |
| نسبت تصویر | 16:9 |
البته نیازی نیست همه این موارد را در هر پرامپت وارد کنیم. اگر سبک یا ترکیب‌بندی تصویر برای ما اهمیت ندارد، می‌توانیم آن را به ابزار واگذار کنیم. هدف این است که جزئیاتی را مشخص کنیم که واقعاً روی نتیجه موردنظر ما تأثیر دارند.
یک نکته مهم درباره پرامپت‌های تصویری
در ابزارهای مختلف تولید تصویر، ممکن است یک پرامپت یکسان نتایج متفاوتی ایجاد کند. بنابراین بهتر است پس از دریافت تصویر، بخش‌هایی را که نیاز به تغییر دارند مشخص کنیم و پرامپت را مرحله‌به‌مرحله اصلاح کنیم. برای مثال، می‌توانیم از ابزار بخواهیم سوژه را به سمت چپ تصویر منتقل کند، نور را تغییر دهد، پس‌زمینه را ساده‌تر کند یا سبک تصویر را به شکل دیگری نزدیک کند.
به این ترتیب، پرامپت‌نویسی برای تصویر نیز مانند پرامپت‌نویسی متنی، بیشتر یک فرایند اصلاح و دقیق‌تر کردن خواسته است تا نوشتن یک دستور ثابت و پیچیده.
جمع‌بندی
پرامپت، نقطه شروع تعامل ما با بسیاری از ابزارهای هوش مصنوعی است و نحوه بیان درخواست می‌تواند روی نتیجه‌ای که دریافت می‌کنیم تاثیر بگذارد. همان‌طور که در مثال‌ها دیدیم، مشخص کردن هدف، ارائه اطلاعات مرتبط و بیان ویژگی‌های خروجی موردنظر می‌تواند به تولید پاسخ یا محتوای متناسب‌تر کمک کند.
با این حال، برای نوشتن یک پرامپت خوب همیشه به یک دستور طولانی و پیچیده نیاز نداریم. مهم این است که بدانیم چه می‌خواهیم، اطلاعات لازم را در اختیار مدل قرار دهیم و در صورت نیاز، Prompt را بر اساس نتیجه‌ای که دریافت می‌کنیم اصلاح کنیم. با تمرین و آزمون‌وخطا، به‌مرور بهتر می‌توانیم درخواست‌های خود را با قابلیت‌های ابزارهای مختلف هوش مصنوعی هماهنگ کنیم.
منابع
techtarget.com | datacamp.com | huit.harvard.edu
سوالات متداول
ابتدا نتیجه موردنظر را مشخص کنید، سپس اطلاعات زمینه‌ای لازم را اضافه کنید و قالب خروجی و محدودیت‌های مهم را توضیح دهید. اگر پاسخ مناسب نبود، می‌توانید با اصلاح یا دقیق‌تر کردن پرامپت، نتیجه را مرحله‌به‌مرحله بهبود دهید.
بسته به ابزار، بهتر است موضوع یا سوژه، محیط، سبک بصری، نورپردازی، ترکیب‌بندی و جزئیات مهم تصویر را مشخص کنید. نسبت تصویر یا ابعاد خروجی هم در بعضی ابزارها قابل تعیین است.
بسته به مدل و ابزار، می‌توان با زبان فارسی هم پرامپت نوشت؛ اما کیفیت پاسخ ممکن است با توجه به زبان، نوع درخواست و توانایی مدل متفاوت باشد. در برخی کاربردهای تخصصی، استفاده از اصطلاحات انگلیسی یا نوشتن پرامپت انگلیسی می‌تواند نتیجه متفاوتی ایجاد کند.
دیدگاهتان را بنویسید