اگر امروز متونی تولید می‌کنید که با وجود دستورات پیچیده، باز هم «بوی هوش مصنوعی» می‌دهند و خواننده را جذب نمی‌کنند، مشکل شما مهندسی پرامپت نیست. حقیقت این است که صیقل دادن کلمات نمی‌تواند نبودِ تصمیمات تحریریه را جبران کند.
به نقل از شو ناکا (Sho Naka)، که با نام مستعار nomurasan می‌نویسد، بسیاری از پیش‌نویس‌های هوش مصنوعی با اینکه از نظر دستوری بی‌نقص هستند، اما هیچ اثر ماندگاری ندارند چون فاقد یک هدف مشخص‌اند. او مشاهده کرده است که «مقاله صیقل‌خورده به نظر می‌رسد، اما هیچ‌کس به یاد نمی‌آورد که قرار بود چه بگوید». ناکا اشاره می‌کند که مدل‌ها می‌توانند به راحتی درخواست‌هایی برای متنی «روشن‌تر» یا «متقاعدکننده‌تر» را برآورده کنند، اما محتوای حاصله اغلب پوچ است زیرا هدف مشخصی ندارد. او متوجه شد وقتی از مدل بخواهید نثر را بهتر کند، خروجی ممکن است کمی بهبود یابد، اما در نهایت در همان نقطه‌ای شکست می‌خورد که در ابتدا داشت.
اکثر کاربران با تولید متن توسط هوش مصنوعی زاینده (Generative AI) — شبیه به استخدام نویسنده‌ای که میلیاردها کتاب خوانده اما هیچ ایده‌ای از هدف شما ندارد — مانند یک چالش مهندسی پرامپت (Prompt Engineering) برخورد می‌کنند. آن‌ها بر روی عبارت‌بندی دستورات تمرکز می‌کنند. آن‌ها محدودیت‌ها را زیاد می‌کنند، لحن را مشخص می‌کنند، مثال می‌زنند یا درخواست یک شروع قدرتمند می‌کنند تا قطعه متن «جذاب» شود. با این حال، نقطه شکست واقعی معمولاً نبود یک «بریف تحریریه» است. وقتی انسان تصمیم نگیرد خواننده دقیقاً کیست یا پیام نهایی چه باید باشد، مدل به صورت پیش‌فرض برای یک «شخص متوسط و مبهم» می‌نویسد. نتیجه، متنی است که از نظر دستوری صحیح و حرفه‌ای به نظر می‌رسد اما کاملاً فراموش‌شدنی است. این کیفیت «وزن-نشان» (weightless) ناامیدکننده است، زیرا هیچ غلط املایی یا پاراگراف اشتباهی برای اصلاح وجود ندارد؛ پیش‌نویس صرفاً فاقد یک هدف محوری است.
همان‌طور که در تحلیل‌های قبلی ما درباره‌ی استانداردهای تولید محتوا با مدل‌های زبانی اشاره کردیم، تفاوت میان یک خروجی mediocre و یک اثر تاثیرگذار در «قصد» (Intent) نهفته است. ناکا میان «پرامپت» و «گردش‌کار» (Workflow) تفاوت می‌گذارد. پرامپت یک درخواست ساده است: «یک مقاله مفید بنویس». اما گردش‌کار یک سیستم آگاهانه است: «برای این خواننده، با این هدف، با استفاده از این داده‌ها و با این ترتیب بنویس، در حالی که این تصمیمات را تغییر نده».
برای اجرای این روش، او از یک قالب کوتاه برای بریف‌های خود استفاده می‌کند:
cat > ai-writing-brief.md <<'BRIEF' Audience: Takeaway: Material to use: First point to place: Scope delegated to AI: BRIEF
طبق اعلام ناکا، اگر این پنج خط خالی بمانند، هیچ پرامپت پیشرفته‌ای نمی‌تواند مقاله را نجات دهد؛ چنین پرامپت‌هایی فقط جواب‌های کلیشه‌ای را «زیباتر» می‌کنند.
پنج رکن بریف تحریریه
برای عبور از حالت پرامپت‌محور به گردش‌کارمحور، باید پیش از تولید اولین پیش‌نویس، این پنج مورد را تعیین کرد:
- مخاطب (Audience): یک شخص یا نقش خاص، شامل توصیف دقیق سردرگمی یا چالشی که در حال حاضر با آن مواجه است.
- پیام نهایی (Takeaway): یک جمله که مشخص کند خواننده پس از خواندن متن باید چه کاری انجام دهد یا به چه چیزی باور برسد. (مثلاً: «پس از خواندن این متن، خواننده باید بتواند یک بریف تحریریه بهتر برای AI بنویسد»).
- داده‌های مورد استفاده (Material): مثال‌های دقیق، لاگ‌ها، نقل‌قول‌ها یا حقایقی که مستقیماً از پیام نهایی پشتیبانی می‌کنند.
- نقطه آغازین (First point): اولین حرکتی که برای قلاب انداختن و جذب مخاطب هدف طراحی شده است.
- دامنه تفویض به AI (Scope): مرزهای مشخصی که مدل اجازه دارد تغییر دهد و مواردی که نباید درباره آن‌ها تصمیم بگیرد.
در تعریف مخاطب، برچسب‌های کلی مثل «برنامه‌نویسان»، «علاقه‌مندان به AI» یا «همه اعضای تیم» برای گوگل‌شیت‌های مارکتینگ مفیدند، نه برای نوشتن. این‌ها برای هدایت یک پاراگراف بیش از حد گسترده‌اند. یک مخاطب کاربردی باید پروفایلی دقیق داشته باشد؛ مثلاً:
- یک برنامه‌نویس بک‌اِندی که از AI برای مستندات داخلی استفاده می‌کند اما خروجی‌هایش همیشه بی‌روح و خسته‌کننده هستند.
- یک تیم‌لید که می‌خواهد گزارش‌های هفتگی کوتاه‌تر شوند بدون اینکه نکته اصلی گم شود.
- یک همکار جدید که نام ابزارها را می‌داند اما هنوز با واژگان تخصصی تیم آشنا نیست.
وقتی مخاطب دقیق باشد، می‌توان توازن‌های حیاتی ایجاد کرد. اگر خواننده مبتدی است، مدل باید اصطلاحات را تعریف کند. اگر آن‌ها عمیقاً در پروژه غرق شده‌اند، مقدمات و توضیحات اولیه حذف می‌شوند. اگر مخاطب عجله دارد، تصمیم اصلی به ابتدای متن منتقل می‌شود. اگر مخاطب شکاک است، ابتدا باید حالت‌های شکست (failure mode) بررسی شوند.
تست موفقیت این است: آیا نویسنده می‌تواند نام یک شخص واقعی را ببرد که از این پیش‌نویس سود ببرد — کسی که سردرگمی‌اش را بتوان در یک جمله توصیف کرد؟ اگر این شخص شناسایی نشود، ناکا پیشنهاد می‌کند که هنوز از AI برای پیش‌نویس نخواهید.
تفکیک واقعیت‌ها از پیام‌ها
هوش مصنوعی تمایل دارد با تمام داده‌های ورودی با وزن یکسان برخورد کند و اغلب «هرج و مرج» یادداشت‌ها را صرفاً به دلیل وجودشان حفظ می‌کند. بسیاری از کاربران AI را مانند یک «صندوق ورودی بزرگ» می‌بینند و تمام یادداشت‌های خود را در آن می‌ریزند به امید اینکه مدل خودش نکته اصلی را کشف کند. این رویکرد برای «قضاوت» به ندرت جواب می‌دهد. اگر ده یادداشت جلسه به مدل داده شود، AI ممکن است با احترام هر ۱۰ مورد را بگنجاند. اگر یک توده داده‌های پژوهشی داده شود، مدل هر منبع را با وزنی برابر تخت می‌کند. اگر هرچه نویسنده در حین کار فکر کرده داده شود، AI صرفاً آن هرج و مرج را حرفه‌ای جلوه می‌دهد.
حقایق با «پیام نهایی» یکی نیستند. برای مثال، خلاصه‌ای از کارهای یک هفته که شامل جلسات، اصلاحات کوچک و زمینه‌های پس‌زمینه است، اگر هدف خواننده فقط این باشد که «آیا می‌توانیم با خیال راحت به مسیر ادامه دهیم؟»، عملاً بی‌فایده است.
برای مبارزه با این وضعیت، نویسنده باید این جمله را کامل کند: «پس از خواندن این متن، خواننده باید بتواند...». مثال‌هایی از این جملات عبارتند از:
- ...یک بریف تحریریه بهتر برای AI بنویسد.
- ...انتخاب مطالب را از صیقل دادن نثر تفکیک کند.
- ...یک پیش‌نویس AI را بدون نیاز به بازخوانی کامل از ابتدا مرور کند.
این جمله تبدیل به ستون فقرات پیش‌نویس می‌شود و به نویسنده اجازه می‌دهد مطالب «خوبی» را حذف کند. مطالبی که در خدمت پیام نهایی نیستند، حتی اگر درست باشند، «نویز» محسوب می‌شوند.
برای انتخاب داده‌ها، ناکا از یک جدول معیار استفاده می‌کند تا دلیل حضور هر تکه اطلاعات را به چالش بکشد. عبارت «این جالب است» دلیل کافی نیست؛ مطالب باید به خواننده کمک کند تا پیام نهایی را باور کند یا به کار ببرد:
- حادثه محرک پست: حفظ شود (برای ایجاد یک نقطه درد عینی).
- تاریخچه و زمینه: شاید (فقط آنچه تصمیم نهایی را توضیح می‌دهد نگه دارید).
- کشفات جانبی جالب: حذف شود (برای پستی دیگر ذخیره کنید).
- متن دقیق گردش‌کار نهایی: حفظ شود (تا خواننده بتواند از آن دوباره استفاده کند).
- جزئیات فرآیندهای داخلی: حذف شود (چون نویسنده را توضیح می‌دهد، نه مشکل خواننده را).
گاهی می‌توان از AI استفاده کرد تا ابتدا از یک توده نامنظم داده‌ها پیش‌نویسی ایجاد کند، اما این باید به عنوان یک «سیاهه موجودی» (inventory) دیده شود، نه یک مقاله. پیش‌نویس اول به سوال «چه مطالبی وجود دارد؟» پاسخ می‌دهد، در حالی که ویرایش انسانی به سوال «چه مطالبی متعلق به این متن است؟» پاسخ می‌دهد.
مدیریت ترتیب اطلاعات
ترتیب زمانی (Chronological) به‌ندرت بهترین ترتیب برای یادگیری است. کارها در زمان رخ می‌دهند، اما درک مطلب لزوماً دنباله زمان نیست. یک یادداشت جلسه ممکن است از زمینه شروع شده، به بحث برسد و با تصمیمات تمام شود، اما خواننده معمولاً تصمیم را در ابتدا می‌خواهد. یک بررسی باگ از سردرگمی شروع شده، به بن‌بست‌ها می‌رسد و سپس علت را پیدا می‌کند، اما خواننده می‌خواهد تأثیر و راه حل را قبل از «باستان‌شناسی» خطا ببیند.
از آنجا که مدل‌های زبانی اغلب ترتیب یادداشت‌های ورودی را حفظ می‌کنند، خواننده ممکن است در یک «لابیِ» مقدماتی گیر کند تا به اتاق اصلی برسد. بنابراین نویسنده باید حرکت اول را انتخاب کند:
- اگر خواننده باید درد را حس کند $
ightarrow$ شروع با شکست. - اگر خواننده وقت ندارد و عجله می‌کند $
ightarrow$ شروع با نتیجه. - اگر خواننده باور غلطی دارد $
ightarrow$ شروع با تضاد (Contrast). - اگر خواننده به دنبال یک متد است $
ightarrow$ شروع با چک‌لیست.
در این مقاله خاص، ناکا تصمیم گرفت با شکست در درخواست «بهتر بنویس» از AI شروع کند تا خواننده هدف — که احتمالاً این راهکار را امتحان کرده — احساس کند گردش‌کار ارائه شده، به جای اینکه تئوریک باشد، «به‌دست‌آمده» (earned) است. ترتیب، تزئینی نیست؛ بلکه بخشی از استدلال است.
تفویض قدرت: چه چیزی را به AI بسپاریم؟
نوشتن شامل «قضاوت سطح بالا» و «اجرای زبانی» است. ناکا استدلال می‌کند که تفویض قدرت زمانی بهترین نتیجه را می‌دهد که انسان «سلیقه» داشته باشد و توانایی گفتن «نه» را دارا باشد.
تقسیم دقیق وظایف:
- وظایفی که انسان حفظ می‌کند: انتخاب مخاطب، تعیین پیام نهایی، گزینش نهایی مطالب و تعیین ترتیب کلی.
- وظایفی که AI کمک می‌کند: پیشنهاد مخاطبان جایگزین، تست شفافیت پیام نهایی، دسته‌بندی یا خلاصه‌سازی داده‌ها، پیشنهاد نسخه‌های مختلف عبارت‌بندی و صیقل دادن لحن.
تفکیک جزئی‌تر وظایف:
- انتخاب مخاطب: انسان تصمیم می‌گیرد؛ AI می‌تواند جایگزین‌ها را پیشنهاد دهد.
- انتخاب پیام نهایی: انسان تصمیم می‌گیرد؛ AI می‌تواند شفافیت آن را تست کند.
- گزینش مطالب: انسان تصمیم می‌گیرد؛ AI می‌تواند آن‌ها را دسته‌بندی و خلاصه کند.
- تعیین ترتیب: عمدتاً توسط انسان؛ AI می‌تواند مدل‌های جایگزین پیشنهاد دهد.
- نگارش پاراگراف‌ها: AI اجرا می‌کند.
- صیقل دادن لحن: AI اجرا می‌کند.
- کوتاه کردن بدون از دست دادن معنا: AI بازبینی می‌کند.
وقتی انسان‌ها قضاوت را تفویض می‌کنند، اغلب پیشنهاداتی را که «منطقی به نظر می‌رسند» می‌پذیرند، زیرا معیاری برای به چالش کشیدن آن‌ها ندارند. این منجر به «انحراف» (Drift) می‌شود؛ جایی که AI به‌طور نامحسوس مخاطب هدف را تغییر می‌دهد، یک ادعای محدود را به یک قانون کلی تبدیل می‌کند، یا نتیجه‌گیری مطمئنی اضافه می‌کند که فراتر از مطالب ارائه شده است. اگر کاربر نتواند سریعاً یک پیشنهاد را رد کند (مثلاً بگوید: «این خیلی شبیه تبلیغات است»)، یعنی خیلی زود تفویض قدرت کرده است.
مقایسه: پرامپت مبهم در برابر بریف تحریریه
یک پرامپت مبهم ممکن است بگوید: «یک مقاله ساده و قابل فهم درباره نحوه استفاده از AI برای نوشتن بنویس. آن را کاربردی و جذاب کن. مثال‌ها و نتیجه‌گیری را بگنجان». اگرچه این دستور توهین‌آمیز نیست، اما خالی از تصمیم است. هیچ خواننده‌ای تعریف نشده، هیچ پیام نهایی مشخصی تعیین نشده و هیچ مطلبی اولویت‌بندی نشده است. مجهولات عبارت‌اند از: خواننده کیست؟ بعد از خواندن چه باید بکند؟ کدام مثال‌ها مهم هستند؟ چه چیزی باید اول بیاید؟ AI چه چیزی را نباید تغییر دهد؟
در مقابل، یک پرامپت مبتنی بر بریف را ببینید:
- مخاطب: توسعه‌دهنده‌ای که برای گزارش‌های تیم از AI استفاده می‌کند اما خروجی‌هایش کلیشه‌ای است.
- پیام: آن‌ها باید قبل از پیش‌نویس، مخاطب، پیام، مطالب، ترتیب و دامنه AI را تعریف کنند.
- داده‌ها: مثال گزارش هفتگی، مثال یادداشت جلسه و قالب ۵ خطی بریف.
- نقطه آغازین: یک گزارش صیقل‌خورده شکست می‌خورد اگر تصمیم پشت آن دیده نشود.
- دامنه: بهبود زبان و ساختار؛ اما عدم تغییر در مخاطب یا پیام.
ناکا پیشنهاد می‌کند بعد از بریف، این پرامپت نهایی را بزنید: «با استفاده از بریف زیر، یک مقاله برای dev.to بنویس. مخاطب و پیام را بدون تغییر نگه دار. می‌توانی عبارت‌ها، انتقال‌ها بین بخش‌ها و مثال‌ها را بهبود ببخشی، اما هرگونه تغییر در مخاطب، ادعای مرکزی یا انتخاب مطالب را ابتدا اعلام کن». پرامپت دوم برتر است، نه به دلیل طولانی‌تر بودن، بلکه چون «قضاوت» در آن حضور دارد. این رویکرد ساختارمند به جای درخواست‌های کلی، منجر به بازبینی دقیق‌تری می‌شود؛ مشابه آنچه در چارچوب‌های چهار بخشی برای حذف حشو در بازبینی کد مشاهده کردیم.
بازبینی بر اساس معیار، نه سلیقه
استفاده از بریف، فرآیند بازبینی را از یک داوری سلیقه‌ای مبهم («آیا این متن خوب است؟») به یک چک‌لیست ۵ سوالی عینی تبدیل می‌کند:
۱. آیا این متن هنوز برای مخاطب مورد نظر نوشته شده است؟
۲. آیا هر بخش از پیام نهایی پشتیبانی می‌کند؟
۳. آیا مدل مطالبی را نگه داشته که باید حذف می‌شدند؟
۴. آیا حرکت اول با ترتیب انتخابی مطابقت دارد؟
۵. آیا مدل تصمیمی خارج از دامنه تفویض شده اتخاذ کرده است؟
این رویکرد باعث می‌شود بازخوردها دقیق و تیز شوند. به‌جای اینکه بگوییم «متن کلیشه‌ای است»، بازبین می‌تواند دقیقاً مشخص کند: «پیش‌نویس دیگر برای یک تیم‌لید نیست؛ بلکه برای همه کاربران AI نوشته شده است». این کار یک احساس مبهم را به یک مشکل قابل حل تبدیل می‌کند و ویرایش را قابل بازرسی می‌سازد. در واقع، این تغییر رویکرد از «امتیازدهی کلی» به «تحلیل بر اساس معیار»، مشابه استراتژی معکوس کردن ترتیب تحلیل و امتیازدهی است که مانع از بازخوردهای سطحی می‌شود.
پیاده‌سازی عملی و سوالات متداول
این گردش‌کار، تلاش انسانی را به ابتدای فرآیند منتقل می‌کند. اگرچه دقیقه اول کندتر می‌گذرد، اما فاز بازبینی به‌طور قابل توجهی سریع‌تر می‌شود زیرا پیش‌نویس یک مرکزیت تعریف شده دارد. این روش به‌ویژه برای تیم‌ها ارزشمند است، زیرا بریف باعث می‌شود تصمیماتی که در حالت عادی در ذهن یک نفر می‌ماند، بیرونی شود. برای یک گزارش تیمی، نویسنده بریف را می‌نویسد، بازبین بریف را به چالش می‌کشد و AI تنها پس از توافق هر دو طرف روی هدف، شروع به نوشتن می‌کند. این سطح از بازبینی بسیار بهتر از کامنت گذاشتن روی یک پیش‌نویس کامل است.
سوالات متداول:
- آیا این مهندسی پرامپت است؟ خیر. مهندسی پرامپت بر عبارت‌بندی تمرکز دارد؛ این روش بر تصمیماتی تمرکز دارد که باید قبل از وجود دستور اتخاذ شوند. یک پرامپت شفاف نمی‌تواند نبودِ مخاطب یا پیام نهایی را جبران کند.
- آیا همیشه باید از هر ۵ خط استفاده کنم؟ برای کارهای کم‌ریسک، خیر. اما برای محتوای منتشر شده، گزارش‌های ذی‌نفعان یا مراجع تیمی، بله. هرچه هزینه بازبینی بیشتر باشد، بریف ارزشمندتر است.
- آیا AI می‌تواند در تصمیم‌گیری درباره مخاطب کمک کند؟ بله، اما به عنوان یک مرحله جداگانه برای طوفان فکری (brainstorming). طوفان فکری و پیش‌نویس را در یک پرامپت смешай نکنید، وگرنه مدل ممکن است یک مخاطب خیالی بسازد و بر اساس آن بنویسد قبل از اینکه شما متوجه شوید.
در نهایت، قانون این است: از AI نخواهید که در حین نوشتن نثر، «نکته اصلی» را پیدا کند. ابتدا نکته را پیدا کنید، سپس اجازه دهید AI در مورد نثر کمک کند. با نگاه به مدل به عنوان یک سیستم پیش‌نویس با یک قرارداد شفاف، کار انسانی به مراحل ابتدایی منتقل شده و خروجی راحت‌تر قابل قضاوت می‌شود.
گام بعدی شما
- برای دو پروژه بعدی خود، به‌جای نوشتن پرامپت‌های طولانی، ابتدا قالب ۵ خطی بریف (Audience, Takeaway, Material, First point, Scope) را پر کنید.
- در مرحله بازبینی، از چک‌لیست ۵ سوالی برای رد یا پذیرش پیش‌نویس AI استفاده کنید تا «انحراف تحریریه» را متوقف کنید.
- سعی کنید «نقطه آغازین» را بر اساس وضعیت روانی مخاطب (عجله، تردید یا نیاز به یادگیری) تغییر دهید.
اما این تنها بخشی از معادله است؛ نحوه مدیریت حافظه مدل برای حفظ این استاندارها در مقالات بلند، نیازمند استراتژی‌های متفاوتی است که در تحلیل‌های آینده بررسی خواهیم کرد.
گفتگو