اگر از خرید جوراب و کراوات برای هدیه خسته شدهاید، یک پرامپت دقیق در ChatGPT میتواند یک تعطیلات معمولی را به تجربهای خاص و شخصیسازیشده تبدیل کند. در ۱۷ ژوئن ۲۰۲۶، کاربری به اشتراک گذاشت که چگونه با تعریف دقیق شخصیت پدرش — یک نوازنده درام حرفهای ساکن نیویورک که عاشق کارتونهای دهه ۷۰ و فیلمهای رزمی است — از کلیشههای همیشگی و «لحظاتی آخر» در خرید هدایای روز پدر فاصله گرفته است.
بسیاری از مردم از هوش مصنوعی برای جستوجوی سادهی محصولات استفاده میکنند، اما این رویکرد با مدل زبانی بزرگ (LLM) — مثل کتابخانهداری که میلیاردها صفحه را خوانده و حالا با همان لحن کتابها جواب میدهد — به عنوان یک «معمار سبک زندگی» برخورد میکند. با ارائه یک لیست جامع از علایق، کاربر خروجی هوش مصنوعی را از پیشنهاد اشیاء فیزیکی به طراحی یک «روز تجربهمحور» با تم خاص تغییر داد.
استراتژی ورودی
برای رسیدن به این نتایج، کاربر یک پرامپت بسیار دقیق و جزئینگر نوشت: «پدر من در نیویورک زندگی میکند، موسیقین حرفهای است، عاشق اجرای درام روی صحنه است، از تماشای فیلمهای رزمی لذت میبرد، به موزهها میرود، مرتب به فروشگاههای صفحه موسیقی سر میزند، تولهسگها و گربهها را بسیار بامزه میبیند و هنوز کارتونهای دهه ۷۰ را دوست دارد.»
این سطح از جزئیات به هوش مصنوعی اجازه داد تا درک کند کاربر به دنبال نوستالژی، فرهنگ، موسیقی و تجربههای ملموس است. به جای ایدههای کلی و تکراری برای هدیه، مدل روی ارزش عاطفی فعالیتها تمرکز کرد تا برنامهای طراحی کند که دقیقاً با روحیه فرد سازگار باشد.
جزئیات توصیههای هوش مصنوعی
به گزارش Tom's Guide، هوش مصنوعی الگوی قوی نوستالژی و علاقهمندیهای فرهنگی را در ورودی شناسایی کرد و چندین فعالیت متمایز را پیشنهاد داد:
شکار گنج در فروشگاههای موسیقی: یک روز اختصاصی برای بازدید از فروشگاههای نمادین نیویورک مانند Academy Records & CDs، Rough Trade و Generation Records. مدل بودجهای بین ۵۰ تا ۱۵۰ دلار پیشنهاد داد و تأکید کرد که لذت «تجربهی جستوجو» برای یافتن صفحههای قدیمی، بسیار مهمتر از خودِ خریدن رکوردها است.
ماراتون فیلمهای رزمی: یک لیست منتخب از فیلمهای کلاسیک شامل آثاری چون Enter the Dragon، The Raid، Ip Man و Police Story. این برنامه باید با غذاها و میانوعدههای موردعلاقه پدر همراه شود تا تجربه تماشای فیلم کامل گردد.
باکس نوستالژی: یک بسته هدیه با تم کارتونهای دهه ۱۹۷۰. آثار کلاسیکی مانند !Scooby-Doo, Where Are You، The Pink Panther Show، Looney Tunes و The Adventures of Fat Albert and the Cosby Kids در این لیست پیشنهاد شدند.
حمایت نمادین: برای پاسخ به علاقه شدید پدر به گربهها و سگها، مدل پیشنهاد داد که حامی مالی یک حیوان در پناهگاه شود. این هدیه شامل ارسال عکسی از حیوان، داستان زندگی او و یک گواهی رسمی حمایت است.
تور موزهای «روز پدر»: یک برنامه سفر (Itinerary) tem-محور که صبح را با بازدید از یک موزه شروع میکند، ناهار را در رستوران موردعلاقه میگذراند، توقفی در فروشگاه موسیقی دارد، سپس استراحتی در خانه و در نهایت با تماشای یک فیلم به پایان میرسد.
برنامهی جامع نهایی
در نهایت، هوش مصنوعی تمام این قطعات را در یک «برنامهی کامل و بینقص» ترکیب کرد. این برنامه با خوردن غلات صبحانه با برندهای قدیمی (Retro) و تماشای کارتونهای کلاسیک شروع میشد. سپس نوبت به بازدید از موزه تصویر متحرک (Museum of the Moving Image)، خرید وینیل از فروشگاه نزدیک به آن یعنی Pancakes Records و تماشای فیلم رزمی و خونبار The Furious در سینما میرسید. برای افزودن یک لمس شخصی و عاطفی، مدل پیشنهاد داد که کاربر، پدرش را با یک عکس قابشده از لحظهی اجرای او روی صحنه غافلگیر کند.
این تغییر، تکاملی کاربردی در استفاده از هوش مصنوعی است: گذار از پرسش «چه بخرم» به «چطور وقت بگذرانم». برای کاربر عادی، ارزش یک مدل زبانی تنها در پایگاه دانش آن نیست، بلکه در توانایی او برای پیوند دادن سرگرمیهای پراکنده و نامرتبط در قالب یک روایت منسجم و یک تجربه واحد است.
تمرکز روی «تجربه» به جای «کالا»، کمک میکند تا از کلیشهی هدیه دادن ابزارآلات خانگی یا کالاهای مصرفی فاصله بگیریم. این مورد ثابت میکند که کیفیت خروجی مستقیماً به میزان جزئیات «پرسونای» تعریف شده در ورودی وابسته است.
برای دریافت نتایج مشابه، شما باید لیستی از حداقل ۵ علاقه خاص و موقعیت جغرافیایی دقیق را به مدل بدهید تا مطمئن شوید پیشنهادات عملیاتی، محلی و قابل اجرا هستند.
گام بعدی شما
- برای دریافت نتایج مشابه، لیستی از حداقل ۵ علاقه خاص و موقعیت جغرافیایی دقیق را به مدل بدهید.
- از مدل بخواهید به جای پیشنهاد کالا، یک «برنامه زمانی» (Itinerary) برای یک روز کامل طراحی کند.
- از هوش مصنوعی بخواهید برای هر فعالیت، دلیل انتخاب آن را بر اساس علایق ذکر شده توضیح دهد.
اما تأثیر این دقت در پرامپتنویسی بر بهرهوری شغلی حتی چشمگیرتر است — به تحلیل ما دربارهی کاربردهای عملی LLM در مدیریت زمان مراجعه کنید.
گفتگو