اگر خروجی‌های مدل‌های زبانی شما بیش از حد کلی یا طولانی است، احتمالاً مشکل از مدل نیست، بلکه دستور شما ابهام دارد. طبق راهنمای منتشرشده در ۲۸ سپتامبر ۲۰۲۶ در وب‌سایت dev.to، اکثر پاسخ‌های نامناسب هوش مصنوعی را می‌توان با تغییر ساختار پرامپت‌ها به سه الگوی مشخص اصلاح کرد.
بسیاری از کاربران با مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — مانند یک موتور جست‌وجو برخورد می‌کنند؛ یعنی یک درخواست ساده می‌دهند و منتظر نتیجه‌ای بی‌نقص می‌مانند. در واقعیت، این مدل‌ها زمانی بهتر عمل می‌کنند که یک شخصیت سخت‌گیر و مرزهای مشخصی داشته باشند؛ درست مثل مدیری که به کارمند تازه‌کارش یک دستورالعمل دقیق برای انجام کار می‌دهد. همان‌طور که در تحلیل‌های قبلی ما درباره‌ی مهندسی پرامپت (Prompt Engineering) اشاره کردیم، هنر سؤال درست پرسیدن، کلید استخراج حداکثری توان مدل است. این موضوع به‌ویژه در محیط‌های عملیاتی اهمیت دارد، چرا که پرامپت‌های کلی در مقیاس تولید معمولاً با شکست مواجه می‌شوند و منجر به اتلاف توکن‌ها می‌گردند.
سه الگوی کلیدی برای اصلاح خروجی
- نقش به‌همراه محدودیت: به مدل یک شخصیت ارشد بدهید و مرزهای سخت تعیین کنید. برای مثال، اگر به مدل بگویید «تو یک بازبین ارشد پایتون هستی» و خروجی را به «حداکثر ۵ مورد» محدود کنید، مدل را مجبور می‌کنید که متراکم بنویسد و از نوشتن مقالاتی مودبانه اما بی‌فایده پرهیز کند. این رویکرد دقیقاً نقطه مقابل کدنویسی بر اساس «حس» است؛ همان‌طور که در چارچوب Four-Leaf Tree برای جایگزینی لاگ‌های فنی با ساختارهای منظم بررسی کردیم، ساختارگرایی تنها راه خروج از ابهام است.
- یادگیری با نمونهٔ اندک (Few-Shot Learning): به‌جای توصیف خروجی مورد نظر، دو یا سه مثال عینی ارائه دهید. این روش برای تطبیق با یک لحن خاص، سبک طبقه‌بندی یا ساختار استخراج داده، مؤثرترین متد است.
- رویکرد پرسش-محور: برای کارهای پیچیده، به مدل دستور دهید پیش از پاسخ دادن، از شما سؤال بپرسد. این کار مانع از آن می‌شود که هوش مصنوعی درباره‌ی زمینه (Context) شما حدس بزند و با اعتمادبه‌نفس کامل، مسئله‌ی اشتباهی را حل کند.
ترکیب این سه عنصر — یعنی نقش با محدودیت، مثال‌های عینی و مرحله‌ی پرس‌وجوی اولیه — یک معماری مستحکم برای پرامپت ایجاد می‌کند. این تغییر، کاربر را از وضعیت «امیدوار بودن» برای دریافت نتیجه، به وضعیت «مهندسی کردن» نتیجه منتقل می‌کند.
برای کسانی که در حال ساخت اتوماسیون‌های تجاری هستند، این الگوها نیاز به پاک‌سازی دستی خروجی‌ها را به‌شدت کاهش می‌دهد. می‌توانید همین امروز پرامپت‌های پرتکرار خود را با این ساختار بازنویسی کنید تا تفاوت دقت را مشاهده کنید.
گام بعدی شما
- یکی از پرامپت‌های روزمره‌ی خود را انتخاب کنید و ابتدا «محدودیت تعداد کلمات» را به آن اضافه کنید.
- برای خروجی‌های تکراری، دو مثال از پاسخ‌های ایده‌آل خود را در متن پرامپت بگنجانید.
- در دستورات پیچیده، جمله‌ی «قبل از پاسخ، هر سؤال لازم برای درک بهتر زمینه را از من بپرس» را اضافه کنید.
اما برای کسانی که می‌خواهند فراتر از پرامپت‌نویسی بروند، یادگیری تنظیم دقیق (Fine-tuning) مسیر بعدی است؛ در گزارش‌های آینده به بررسی تفاوت این دو رویکرد خواهیم پرداخت.
گفتگو