پرامپتنویسی چیست؟ آموزش کامل اصول و تکنیکها
از تعریف سادهی Prompt Engineering تا تکنیکهای حرفهای Few-Shot، Chain-of-Thought و Role Prompting — با مثالهای عملی برای هر تکنیک.
پرامپتنویسی (Prompt Engineering) چیست؟
پرامپتنویسی مهارت طراحی درخواستهایی است که به یک مدل هوش مصنوعی زبانی (مثل ChatGPT، Claude یا Gemini) میدهیم تا دقیقترین، مفیدترین و قابلاستفادهترین پاسخ را از آن بگیریم. این مدلها هیچ ذهنخوانی ندارند؛ تمام چیزی که «میدانند» شما چه میخواهید، همان متنی است که در پرامپت نوشتهاید.
به همین دلیل، دو نفر با دسترسی به دقیقاً یک مدل هوش مصنوعی، میتوانند نتایج کاملاً متفاوتی بگیرند — یکی پاسخهای کلی و کمفایده، دیگری خروجیهای آمادهی استفاده. تفاوت، در نحوهی پرامپتنویسی است.
تفاوت پرامپت آماتور و پرامپت حرفهای
سادهترین راه برای فهمیدن ارزش پرامپتنویسی، دیدن یک مقایسهی مستقیم است:
پرامپت آماتور
نه نقش مشخص است، نه زمینه، نه فرمت خروجی.
یه ایمیل بنویس برای مشتری.
پرامپت حرفهای
همان درخواست، ولی با زمینه، لحن و فرمت مشخص.
بهعنوان یک مدیر پشتیبانی مشتریان عمل کن. مشتریای که سفارشش با سه روز تاخیر به دستش رسیده، پیام گلایهآمیز فرستاده. یک ایمیل پاسخ بنویس که: عذرخواهی صادقانه داشته باشد، دلیل تاخیر (مشکل حملونقل) را کوتاه توضیح دهد، و یک کد تخفیف ۱۰٪ برای خرید بعدی پیشنهاد بدهد. لحن: محترمانه و همدلانه، بدون بهانهتراشی. حداکثر ۱۵۰ کلمه.
فرمول پایهی هر پرامپت خوب
پیش از رفتن سراغ تکنیکهای پیشرفته، هر پرامپت خوب معمولاً از این چهار جزء ساخته میشود:
- نقش (Role): مدل در چه جایگاهی باید پاسخ بدهد؟
- وظیفه (Task): دقیقاً چه کاری باید انجام شود؟
- زمینه (Context): چه اطلاعات پسزمینهای برای انجام درست کار لازم است؟
- فرمت (Format): خروجی در چه قالب، طول و لحنی باشد؟
حالا با این پایه، برویم سراغ تکنیکهایی که یک پرامپت خوب را به یک پرامپت حرفهای تبدیل میکنند.
تکنیک Few-Shot Prompting (یادگیری از مثال)
در این تکنیک، بهجای توضیح دادن با کلمات که چه خروجی میخواهید، چند مثال واقعی از الگوی دلخواهتان به مدل نشان میدهید. مدل از روی همان مثالها، الگوی لحن و فرمت را یاد میگیرد و ادامه میدهد.
مثال Few-Shot: تولید عنوان محصول با یک لحن ثابت
با دادن دو نمونه، مدل دقیقاً همان سبک را برای محصول سوم تکرار میکند.
میخواهم عنوان محصول برای فروشگاه اینترنتی بنویسی، دقیقاً با همین سبک: محصول: کوله پشتی چرم عنوان: کوله پشتی چرم دستدوز | همراهِ روزهای شلوغ محصول: ساعت مچی کلاسیک عنوان: ساعت مچی کلاسیک | زمان را با سلیقه بخوان محصول: عینک آفتابی پلاریزه عنوان:
تکنیک Chain-of-Thought (زنجیرهی فکری)
وقتی مسئله چند مرحله استدلال یا محاسبه دارد، خواستن از مدل که «قبل از جواب نهایی، مرحلهبهمرحله فکر کند» باعث میشود خطاهای منطقی بهشدت کاهش پیدا کنند — چون مدل مجبور میشود مسیر رسیدن به جواب را هم بنویسد، نه اینکه مستقیم حدس بزند.
مثال Chain-of-Thought: تصمیمگیری چندمعیاره
مناسب برای مسائلی که چند فاکتور همزمان باید سنجیده شوند.
من باید بین دو پیشنهاد شغلی تصمیم بگیرم: شغل الف (حقوق بیشتر، مسیر رفتوآمد طولانی) و شغل ب (حقوق کمتر، محیط کاری نزدیکتر و فرصت رشد بیشتر). قبل از نتیجهگیری نهایی، مرحلهبهمرحله فکر کن: اول مزایا و معایب هرکدام را جدا بررسی کن، بعد وزن هرکدام را با توجه به اولویت «تعادل کار و زندگی» من بسنج، و در پایان یک توصیهی مشخص با دلیل بده.
تکنیک Role Prompting (پرامپت نقشی)
دادن یک نقش مشخص به مدل («بهعنوان یک وکیل قرارداد عمل کن»، «مثل یک مربی بدنسازی حرفهای پاسخ بده») باعث میشود واژگان، سطح جزئیات و زاویهی نگاه پاسخ، متناسب با آن تخصص تغییر کند.
مثال Role Prompting: بررسی یک بند قرارداد
همان سوال، ولی با نقش تخصصی، پاسخ فنیتر و دقیقتری میگیرد.
بهعنوان یک مشاور حقوقی قراردادهای کاری (نه وکیل رسمی) عمل کن. بند زیر از یک قرارداد همکاری را بخوان و بگو چه نکاتی در آن ممکن است به ضرر طرف کارمند باشد؛ برای هرکدام یک پیشنهاد اصلاح ساده هم بده. بند قرارداد: [اینجا متن بند قرارداد را جایگذاری کنید]
بازخورد تکرارشونده (Iterative Refinement)
بهترین پرامپتنویسها بهندرت از همان اولین پاسخ راضی میشوند. بهجای نوشتن یک پرامپت جدید از صفر، در همان مکالمه با جملههای کوتاه دقیقاً بگویید چه چیزی باید تغییر کند:
- «کوتاهتر کن، حداکثر ۵۰ کلمه»
- «لحن را رسمیتر کن»
- «یک مثال عددی هم اضافه کن»
- «این بخش را حذف کن و بهجایش...»
این روش معمولاً سریعتر از نوشتن یک پرامپت «کامل و بینقص» از همان ابتدا به نتیجهی دلخواه میرسد.
تفاوت پرامپتنویسی بین ابزارهای مختلف
اصول بالا مستقل از ابزارند، ولی چند نکتهی جزئی بین مدلهای مختلف فرق میکند:
- ChatGPT: با دستورهای مستقیم و مکالمهی چندمرحلهای عالی کار میکند؛ به Custom Instructions هم پاسخ خوبی میدهد.
- Claude: به ساختاردهی با تگهای XML-مانند (مثل <context>) و پرامپتهای طولانی و بسیار دقیق واکنش خوبی نشان میدهد — نگاه کنید به راهنمای پرامپت کلود.
- Gemini: در ترکیب با جستوجوی زنده و فایلهای چندرسانهای (تصویر، PDF) قویتر عمل میکند.
- Midjourney: اصلاً مکالمهای نیست؛ پرامپت باید در یک خط، با کلیدواژههای تصویری فشرده نوشته شود — نگاه کنید به راهنمای پرامپت میدجرنی.
اشتباهات رایج در پرامپتنویسی
- درخواست همهچیز در یک پرامپت: بهتر است کار پیچیده را به چند مرحلهی کوچکتر بشکنید.
- ندادن معیار موفقیت: اگر نگویید خروجی خوب باید چه ویژگیهایی داشته باشد، مدل خودش حدس میزند.
- رها کردن مکالمه بهجای اصلاح: هر بار پرامپت جدید نوشتن، آهستهتر از اصلاح تدریجی همان پاسخ است.
- کپی کردن پرامپت آماده بدون شخصیسازی: پرامپتهای نمونه نقطهی شروعاند، نه محصول نهایی؛ جایگزاریها را با جزئیات واقعی پر کنید.
سوالات متداول دربارهی پرامپتنویسی
پرامپت انجینیرینگ (Prompt Engineering) یعنی چه؟
پرامپت انجینیرینگ یعنی طراحی و بهینهسازی سیستماتیک درخواستهایی که به یک مدل زبانی میدهیم تا دقیقترین و مفیدترین خروجی ممکن را بگیریم. برخلاف تصور رایج، این کار فقط نوشتن یک جمله نیست؛ شامل انتخاب تکنیک مناسب، آزمایش، و اصلاح تدریجی پرامپت است.
آیا برای یادگیری پرامپتنویسی باید برنامهنویسی بلد باشیم؟
نه. پرامپتنویسی یک مهارت نوشتاری و منطقی است، نه فنی. هرکسی که بتواند خواستهاش را دقیق و شفاف بیان کند، میتواند پرامپتنویس خوبی باشد؛ دانش برنامهنویسی فقط برای پرامپتهای مرتبط با کد لازم است.
تکنیک Chain-of-Thought چه زمانی واقعاً لازم است؟
برای کارهای ساده (مثل نوشتن یک کپشن) لازم نیست. برای مسائلی که چند مرحله استدلال یا محاسبه دارند (تحلیل داده، حل مسئلهی منطقی، تصمیمگیری چندعاملی) خواستن از مدل که «مرحلهبهمرحله فکر کند» دقت پاسخ را بهطور محسوسی بالا میبرد.
چند مثال در Few-Shot Prompting کافی است؟
معمولاً دو تا سه مثال کافی است تا مدل الگوی موردنظر شما (لحن، فرمت، طول) را بگیرد. مثالهای بیشتر همیشه بهتر نیست؛ مهم این است که مثالها متنوع و نمایندهی خوبی از خروجی دلخواهتان باشند.
آیا اصول پرامپتنویسی بین ChatGPT، Claude و Gemini فرق دارد؟
اصول پایه (شفافیت، دادن زمینه، مشخصکردن فرمت خروجی) بین همهی مدلها مشترک است. تفاوتهای جزئی در نحوهی واکنش به دستورات خیلی بلند یا ساختار XML/Markdown-محور وجود دارد که در بخش مقایسهی همین صفحه توضیح داده شده.
حالا که با اصول آشنا شدید، میتوانید سراغ راهنماهای تخصصی هر ابزار یا حوزه بروید: