اگر هنوز ساعت‌ها وقت خود را در جست‌وجوی «بهترین پرامپت» در لیست‌های آنلاین می‌گذرانید، احتمالاً متوجه شده‌اید که نتایج نهایی اغلب کلی و فراموش‌شدنی هستند. مشکل اصلی نه در محدودیت مدل‌ها، بلکه در فقدان یک ساختار مهندسی‌شده برای درخواست‌هاست.
طبق اعلام ساد احمد (Saad Ahmed)، مدرس هوش مصنوعی، در ۲۱ ژوئیه ۲۰۲۶، یک چرخش سیستماتیک از «لیست‌های پرامپت غول‌آسا» به سمت یک ساختار تکرارپذیر چهاربخشی پیشنهاد شد. او استدلال می‌کند که مهندسی داخلی مهارت‌ها بسیار کارآمدتر از تکیه به کتابخانه‌های ایستا است.
بسیاری از صاحب‌کاران و کارآفرینان در حال حاضر از مجموعه‌هایی با بیش از ۱۵۰ پرامپت استفاده می‌کنند. اما بر اساس گزارش dev.to، هدف باید تغییر مسیر از «جست‌وجوی پرامپت درست» به «تولید پرامپت متناسب» برای هر مورد خاص باشد. همان‌طور که در تحلیل قبلی ما درباره‌ی امنیت مدل‌های بازمتن اشاره کردیم، کنترل دقیق بر ورودی‌ها، تنها راه رسیدن به خروجی‌های قابل‌پیش‌بینی است. این رویکرد ساختاریافته در سایر حوزه‌ها نیز اثرگذار بوده است؛ برای نمونه، سنتز داده‌ها با ساختاری مشخص توانست تضادهای منطقی در تولید پرتره‌های هوش مصنوعی را به طور کامل برطرف کند.
مهندسی پرامپت (Prompt Engineering) — مثل هنر سؤال درست پرسیدن از یک مشاور باتجربه برای گرفتن بهترین جواب — در این چارچوب بر چهار رکن الزامی استوار است:
- نقش (Role): تعیین شخصیت مدل (مثلاً: «تو یک ویراستار خبره هستی»).
- وظیفه (Task): تعریف دقیق اقدام مورد نظر (مثلاً: «کمک به بازنویسی این ایمیل»).
- زمینه (Context): ارائه پیش‌زمینه و محدودیت‌های لازم.
- قالب (Format): مشخص کردن ساختار دقیق خروجی (مثلاً: «به صورت یک لیست گلوله‌ای»).
برای ارتقای کیفیت، احمد سه عادت عملی را توصیه می‌کند: اول، روش «اول از من بپرس» که در آن هوش مصنوعی زاینده (Generative AI) پیش از پاسخ، اطلاعات ناقص را شناسایی می‌کند. دوم، ارائه یک نمونه «استاندارد طلایی» از خروجی مطلوب و سوم، تکرار و اصلاح با استفاده از اصلاح‌گرهایی مانند «کوتاه‌تر کن» یا «داده اضافه کن». چنین دقت در طراحی تعاملات، در ابزارهای تخصصی نیز دیده می‌شود؛ مانند شبیه‌سازهای متن‌باز مصاحبه که با تعریف دقیق نقش‌ها، تجربه‌ای واقع‌گرایانه و آفلاین را فراهم می‌کنند.
این رویکرد بار ذهنی تعامل با مدل را کاهش می‌دهد و ثبات خروجی‌ها در مدل‌های مختلف و بودجه‌های متفاوت تضمین می‌کند. به جای گشتن در کتابخانه‌ها، شما می‌توانید در چند ثانیه یک «ویراستار سخت‌گیر» یا «بازبین متخصص» بسازید.
گام بعدی شما
- همین امروز یکی از وظایف پیچیده خود را با ساختار [نقش-وظیفه-زمینه-قالب] بنویسید.
- از مدل بخواهید پیش از پاسخ، سوالاتی که برای درک بهتر زمینه نیاز دارد را از شما بپرسد.
- یک نمونه ایده‌آل از پاسخ مورد نظرتان را به عنوان مرجع به مدل بدهید.
اما تاثیر این تغییر رویکرد بر کاهش هزینه‌های استنتاج در مقیاس سازمانی حتی چشمگیرتر است — به تحلیل ما درباره‌ی بهینه‌سازی توکن‌ها مراجعه کنید.
گفتگو