چرا تغییر کلمات در پرامپت بی‌فایده است و هویت مدل همه چیز است؟

اگر شما هم ساعت‌ها وقت صرف تغییر کلمات پرامپت می‌کنید تا یک جواب «جادویی» بگیرید، در حال اتلاف وقت هستید. حقیقت این است که شما از یک همه‌کاره می‌خواهید مشاور ارشد باشد، بدون اینکه به او بگویید دقیقاً چه کسی است.

به نقل از راهنمایی که در ۸ ژوئن ۲۰۲۶ در وب‌سایت dev.to منتشر شد، مؤثرترین راه برای ارتقای کیفیت خروجی، تغییر کلمات نیست؛ بلکه تعریف دقیق هویت مدل است. مدل زبانی بزرگ (LLM) — مثل کتابخانه‌داری که میلیاردها صفحه را خوانده و حالا با همان لحن کتاب‌ها جواب می‌دهد — به‌طور پیش‌فرض، میانگین آماری کل داده‌های اینترنت را برمی‌گرداند. این پاسخ‌ها برای یک متخصص کافی نیستند.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بهینه‌سازی خروجی‌های هوش مصنوعی اشاره کردیم، بسیاری از کاربران در تله‌ی مهندسی پرامپت (Prompt Engineering) — هنر سؤال درست پرسیدن، شبیه کسی که می‌داند چطور از یک مشاور باتجربه بهترین جواب را بگیرد — می‌افتند وHours زمان را صرف بازنویسی تکه‌های متن می‌کنند. این رویکرد ساختاریافته، مشابه استراتژی‌های تخصصی دیگری است که در حوزه‌های مختلف کاربرد دارند؛ برای مثال، بهره‌گیری از چارچوب‌های جزئیات‌محور در صنعت املاک نشان می‌دهد که چگونه تعریف دقیق متدولوژی می‌تواند بازدهی عملیاتی را به شدت افزایش دهد.

برای خروج از این تله، چارچوب PRO معرفی شده است که هویت مدل را در سه لایه تعریف می‌کند:

• تخصص (Practice): حوزه‌ی دقیق مدل (مثلاً: «معمار امنیت متخصص در مدیریت دسترسی ابری»)
• رتبه (Rank): سطح تخصص و ارشدیت (مثلاً: «مهندس ارشد» در برابر «کارآموز سال اول»)
• رویکرد (Orientation): سبک تصمیم‌گیری (مثلاً: «ترجیح فناوری‌های خسته‌کننده اما اثبات‌شده»)

فرض کنید می‌خواهید یک ساختار پایگاه داده را بازبینی کنید. یک پرامپت معمولی، فهرستی فراموش‌شدنی از ایندکس‌ها می‌دهد. اما با مدل PRO، هوش مصنوعی تبدیل به یک معمار داده ارشد می‌شود که یکپارچگی داده را به راحتی اولویت می‌دهد. طبق این گزارش، ترکیب «هدف، نقش و زمینه» حدود ۸۰ درصد از کیفیت نهایی خروجی را تعیین می‌کند.

این روش در واقع فضای احتمالات ریاضی مدل را قبل از تولید اولین توکن (Token) — تکه‌های کوچکی از متن، مثل برش‌های یک کیک طولانی که مدل تکه‌تکه می‌خورد — محدود می‌کند تا مدل از حالت کلیت خارج شود.

گام بعدی شما

• پرامپت‌های تکراری هفته‌ی خود را بررسی کنید و هر کدام که خروجی متوسطی داشتند را شناسایی کنید.
• برای این پرامپت‌ها، یک هویت دقیق با فرمول «تخصص + رتبه + رویکرد» بنویسید.
• تفاوت پاسخ مدل را در بررسی‌های فنی پیچیده بسنجید.

اما این تنها بخشی از مسیر است؛ برای تبدیل این متخصصان مجازی به نیروهای اجرایی، باید سراغ عامل‌های هوشمند برویم که در گزارش‌های بعدی به آن‌ها می‌پردازیم.