چرا «چطور پرسیدن» از خودِ ابزار مهم‌تر است
یک مدلِ هوش مصنوعی، با دو پرامپتِ متفاوت، دو جوابِ کاملاً متفاوت می‌دهد — یکی سطحی و کلی، یکی دقیق و قابل‌استفاده. تفاوت در ابزار نیست، در نحوهٔ پرسیدن است. خبرِ خوب این است که این مهارت رایگان است و روی هر ابزاری — چت‌جی‌پی‌تی، کلود، جمنای — یکسان کار می‌کند. پرامپت‌نویسیِ خوب، ارزان‌ترین و پرسودترین مهارتی است که برای کار با هوش مصنوعی لازم داری؛ نه به اشتراکِ گران‌تری نیاز دارد و نه به دانشِ فنی، فقط به کمی دقت و تمرین. در ادامه، یک الگوی ساده، شش اصل، چند مثالِ واقعی و اشتباه‌های رایج را مرور می‌کنیم.
یک الگوی ساده که همیشه جواب می‌دهد
اگر فقط یک چیز را به خاطر بسپاری، این الگوی چهارتکه‌ای را به‌کار ببر: نقش + کار + زمینه + قالب. یعنی به مدل بگو در نقشِ چه کسی پاسخ دهد، دقیقاً چه کاری انجام دهد، چه زمینه و محدودیتی در کار هست، و خروجی در چه قالبی باشد. لازم نیست هر چهار تکه همیشه حاضر باشند، اما هر تکه‌ای که اضافه کنی، جواب را یک پله دقیق‌تر می‌کند. یک تکهٔ پنجمِ اختیاری هم هست که خیلی‌ها از آن غافل‌اند: بگو چه چیزی را نمی‌خواهی — مثلاً «بدونِ اصطلاحاتِ فنی»، «بدونِ مقدمهٔ طولانی» یا «از کلیشه استفاده نکن». گاهی گفتنِ آنچه نباید باشد، به‌اندازهٔ گفتنِ آنچه باید باشد جواب را بهتر می‌کند. بیشترِ پرامپت‌های ضعیف فقط «کار» را دارند و بقیهٔ تکه‌ها را جا می‌اندازند؛ برای همین جوابِ کلی و بی‌روح می‌گیرند.
شش اصلِ یک پرامپتِ خوب
این شش اصل، همان الگوی بالا را در عمل باز می‌کنند — سه تای اول همان تکه‌های نقش و زمینه و قالب‌اند، و سه تای بعد چیزِ تازه‌ای به آن اضافه می‌کنند:
- دقیق باش و زمینه بده. نگو «یک ایمیل بنویس»؛ بگو برای که، با چه لحنی و با چه هدفی. مدل ذهن‌خوانی نمی‌کند و هر چیزی را که نگویی، خودش حدس می‌زند — و حدسش معمولاً متوسط است.
- نقش بده. «مثلِ یک ویراستارِ حرفه‌ای این متن را اصلاح کن» یا «مثلِ یک معلمِ ریاضیِ پایهٔ هفتم توضیح بده» جواب را تیزتر و متناسب‌تر می‌کند، چون مدل لحن و سطحِ مناسب را برمی‌دارد.
- مثال نشان بده. یک نمونهٔ خوب از خروجیِ دلخواه، بهتر از یک پاراگراف توضیح است. اگر جواب را در قالبِ خاصی می‌خواهی، یک نمونه بده تا مدل از رویش الگو بگیرد.
- قالب بخواه. فهرست، جدول، طولِ مشخص، لحنِ رسمی یا خودمانی — همان‌طور که می‌خواهی. «در پنج بندِ کوتاه» یا «در قالبِ جدولِ دوستونه» جوابِ به‌مراتب منظم‌تری می‌دهد.
- کارِ بزرگ را بشکن. به‌جای یک درخواستِ غول‌پیکر، قدم‌به‌قدم پیش برو؛ اول طرحِ کلی را بخواه، بعد هر بخش را جداگانه کامل کن. مدل روی کارهای کوچک‌تر دقیق‌تر است.
- گفت‌وگو کن. جوابِ اول را نهایی نگیر؛ بگو کجا را عوض کند: «کوتاه‌ترش کن»، «رسمی‌ترش کن»، «این قسمت را با مثال باز کن». این یک گفت‌وگوست، نه یک جست‌وجو، و بهترین جواب‌ها معمولاً در دور دوم و سوم به‌دست می‌آیند.
دو مثالِ ملموس
مثالِ اول — ایمیل. پرامپتِ ضعیف: «یک ایمیل بنویس.» پرامپتِ قوی: «یک ایمیلِ کوتاه و مودبانه به مدیرم بنویس و برای هفتهٔ آینده سه روز مرخصی بخواه؛ لحن رسمی، حداکثر پنج جمله، و دلیلش را مختصر و حرفه‌ای بیاور.» همان مدل، در همان لحظه — اما جوابِ دوم تقریباً آمادهٔ ارسال است. تنها تفاوت، دقتِ پرامپت است.
مثالِ دوم — خلاصه‌کردن. پرامپتِ ضعیف: «این متن را خلاصه کن.» پرامپتِ قوی: «این متن را برای یک مدیرِ پرمشغله در سه بندِ کوتاه خلاصه کن؛ فقط نکاتِ تصمیم‌ساز، بدونِ جزئیاتِ فنی، و در پایان یک پیشنهادِ مشخص بده.» تفاوت در طولِ پرامپت نیست؛ در این است که دومی می‌گوید خلاصه برای که، با چه تمرکزی و با چه خروجی‌ای.
فارسی بپرسم یا انگلیسی؟
این مدل‌ها بیشتر با متنِ انگلیسی آموزش دیده‌اند، پس برای موضوع‌های فنیِ سخت، کدنویسی یا استدلالِ پیچیده، گاهی پرامپتِ انگلیسی جوابِ دقیق‌تری می‌گیرد — می‌توانی انگلیسی بپرسی و در آخر بنویسی «به فارسی پاسخ بده». اما برای کارهای فارسیِ روزمره (نوشتنِ نامه، ویرایشِ متنِ فارسی، لحنِ محاوره‌ای، بافتِ فرهنگی) پرامپتِ فارسی کاملاً خوب و اغلب بهتر است، چون خروجی باید فارسیِ طبیعی باشد. ترفندِ ساده: اگر جوابِ فارسی روی موضوعی فنی ضعیف بود، همان سؤال را یک‌بار انگلیسی هم بپرس و دو جواب را کنارِ هم بگذار.
اشتباه‌های رایج
چند خطا بیش از همه جواب را خراب می‌کنند: مبهم‌بودن (پرسشی که ده جوابِ درست دارد)، پرسیدنِ همه‌چیز در یک پیام به‌جای قدم‌به‌قدم، ندادنِ زمینه (مدل نمی‌داند برای چه کسی و کجا می‌نویسی)، و قبولِ جوابِ اول بدونِ اصلاح. یک خطای پنهان هم هست: وقتی جواب بد می‌شود، زود ناامید می‌شویم و ابزار را مقصر می‌دانیم، در حالی که معمولاً مشکل از مدل نیست، از صورتِ سؤال است. قبل از تسلیم‌شدن، یک‌بار پرامپت را دقیق‌تر بنویس.
کاری که حتی پرامپتِ خوب هم نمی‌کند
پرامپت‌نویسی جادو نیست. یک پرامپتِ عالی، چیزی را که مدل نمی‌داند به او نمی‌آموزد و جلوی «توهم» (ساختنِ اطلاعاتِ نادرست با لحنِ مطمئن) را به‌طور کامل نمی‌گیرد؛ فقط ابهام را کم و خروجی را منظم‌تر می‌کند. پس روی فکت‌ها — آمار، تاریخ، نقلِ‌قول، آدرس، ارجاعِ علمی — همیشه راستی‌آزمایی کن. پرامپتِ خوب کیفیت را بالا می‌برد، اما مسئولیتِ بررسی همچنان با توست.
جمع‌بندی
پرامپت‌نویسی منتقل‌پذیرترین مهارتِ هوش مصنوعی است: روی هر ابزاری کار می‌کند و با کمی تمرین سریع بهتر می‌شود. الگوی چهارتکه‌ای (نقش، کار، زمینه، قالب) را به خاطر بسپار، و دو عادت را نگه دار — دقیق و باقالب بپرس، و جوابِ اول را پایانِ کار نگیر. با همین چند عادت، از همان ابزاری که همه دارند، جوابی می‌گیری که کمتر کسی می‌گیرد.
گفتگو