بیش از حد روی دستورات خود فکر نکنید. این توصیه صریح OpenAI در ۱۳ ژوئیه ۲۰۲۶ بود که تغییری بنیادین در شیوه تعامل کاربران با مدلهای این شرکت ایجاد کرد.
به جای نوشتن نقشه راه مفصل، باید مقصد را تعریف کنید و اجازه دهید مدل بهترین مسیر رسیدن به آن را پیدا کند. این رویکرد درست زمانی میآید که بسیاری از کاربران درگیر پیچیدگیهای مهندسی پرامپت (Prompt Engineering) — که شبیه هنر سؤال درست پرسیدن از یک مشاور باتجربه است — شدهاند.
همانطور که در تحلیلهای پیشین ما دربارهی تکامل رابطهای کاربری مدلهای زبانی اشاره کردیم، OpenAI در حال جایگزینی قابلیتهای دسکتاپ ChatGPT با حالتهای تخصصی مانند Codex و Work است. طبق گزارش وبسایت the-decoder.com، در حالی که مستندات توسعهدهندگان برای GPT-5 بر پارامترهای سختگیرانه متمرکز بود، این راهنمای جدید بر اصل «کمتر، بیشتر است» تاکید دارد تا بهرهوری کاربر نهایی افزایش یابد.
بر اساس مستندات جدید، این چارچوب از چهار بلوک سازنده اختیاری تشکیل شده است:
- هدف (Goal): آنچه میخواهید به دست آورید.
- زمینه (Context): پیشینه یا منابع مرتبط (مانند فایلهای PDF، صفحات گسترده یا کدهای گیتهاب).
- قالب خروجی (Output Format): شکل دقیق نتیجه نهایی.
- محدودیتها (Boundaries): قوانین سختگیرانه برای جلوگیری از رفتارهای ناخواسته (مثلاً «پیشنویس را ارسال نکن»).
OpenAI صراحتاً توصیه میکند که هر حرکت مدل را به صورت اسکریپتشده تعریف نکنید. به نقل از این راهنما، کاربران باید تنها یک یا دو محدودیت سخت و یک مخاطب هدف مشخص ارائه دهند. برای پروژههای حساس، شرکت پیشنهاد میکند یک مرحله تأیید اضافه کنید تا مدل استدلالی (Reasoning Model) — مدلی که قبل از جواب، یک قدم درنگ میکند و فکر میکند، شبیه شطرنجبازی که چند حرکت جلوتر را میبیند — خروجی خود را برای بررسی ضربالاجلها یا مسئولین گمشده بازبینی کند.
علاوه بر این، تفاوت عملکردی میان حالتهای تعامل شفاف شده است. حالت «Chat» برای پرسشهای سریع و بازنویسی متن است، اما حالت «Work» برای کارهای سنگین، تحلیل چندین منبع و تولید گزارشهای حجیم طراحی شده است. هرچند وظایف حالت «Work» اعتبار (Credit) بیشتری مصرف میکنند، اما برای تصمیمگیریهای حیاتی بهینه شدهاند.
برای توسعهدهندگان Codex، سه مکانیزم کنترلی جدید معرفی شده است:
- Steer & Queue: اولی مسیر اجرای فعلی را تغییر میدهد و دومی پیام بعدی را در صف قرار میدهد.
- Sandbox Mode: دسترسی به فایل و شبکه را محدود میکند و برای عبور از مرزها، تأیید کاربر را میطلبد.
- Slash Commands: دستور
/planکد را پیش از تغییر تحلیل میکند و/goalاهداف کلان را در چندین گام تنظیم میکند.
این تغییر، بار «استدلال» را از دوش مهندس پرامپت برداشته و به پردازش داخلی مدل منتقل میکند. در واقع، پرامپت دیگر یک نقشه نیست، بلکه یک مقصد است و این یعنی کاهش اصطکاک در اصلاحات تکراری.
برای کسانی که وظایف تکرارپذیر دارند، جریان کاری پیشنهادی این است که ابتدا پرامپت را به صورت دستی و از طریق گفتگوهای تکمیلی اصلاح کنند و سپس به سمت اتوماسیون بروند. اکنون کاربران میتوانند ترجیحات جلسات خود را در بخش Settings > Personalization از طریق دستورات سفارشی ذخیره کنند.
گام بعدی شما
- پرامپتهای طولانی خود را بازبینی کنید و دستورات گامبهگام را با تعریف «هدف» و «محدودیتها» جایگزین کنید.
- برای خروجیهای حساس، از مدل بخواهید در گام آخر، نتایج را بر اساس معیارهای شما بازبینی (Verify) کند.
- تفاوت مصرف اعتبار در حالت Work را با کیفیت خروجیهای پیچیده بسنجید.
اما مدیریت این هزینههای استنتاج در مقیاس سازمانی داستان دیگری دارد؛ برای درک هزینههای GPU در مدلهای استدلالی، به تحلیل ما درباره تراشههای Blackwell مراجعه کنید.
گفتگو