پرامپتنویسی: چطور با هوش مصنوعی درست حرف بزنیم؟
همه دنبالِ «پرامپتِ جادویی»اند؛ آن چند خطِ طلایی که انگار قفلِ هوش مصنوعی را باز میکند. اینترنت پر است از فهرستِ «۵۰ پرامپتی که باید حفظ کنی» و «ترفندِ مخفیِ فلان مدل». ولی حقیقتِ سادهتر و پایدارتر این است: پرامپتنویسیِ خوب یک فرمول نیست، یک مهارتِ گفتوگوست. در این نوشته یاد میگیری آن مهارت چیست، چرا از هر قالبِ آمادهای بادوامتر است، و کدام «ترفند»های معروف در سالِ ۲۰۲۶ دیگر کهنه شدهاند.
پرامپت چیست و چرا مهم است؟
prompt همان چیزی است که تو به مدل مینویسی، و response چیزی که مدل پس میدهد. نکته اینجاست که این چند خط تنها پلی است که بین ذهنِ تو و مدل وجود دارد. مدل صورتت را نمیبیند، از موقعیتت خبر ندارد، نمیداند در سرت چه میگذرد. هرچه در پرامپت ننوشته باشی، برای مدل اصلاً وجود ندارد. برای همین کیفیتِ جواب، بیش از هر چیز، به کیفیتِ همان چند خط بستگی دارد.
نیت، نه دستور پخت
خیلی از راهنماها یک مشت قالبِ آماده به تو میدهند: «برای ایمیل این را بنویس، برای خلاصه آن را». مشکل این است که قالبها میمیرند. چرا؟ چون مدلها ثابت نمیمانند. یک پدیدهٔ مستند بهاسمِ prompt drift میگوید با هر بهروزرسانیِ مدل، همان پرامپتِ ثابت ممکن است جوابِ متفاوتی بدهد. پس هر «فرمولِ» دقیقی که امروز حفظ کنی، فردا لق میشود.
ولی یک چیز نمیمیرد: اینکه روشن بگویی چه میخواهی و برای چه. به این میگویند انتقالِ «نیت». نیت به نسلِ مدل گره نخورده؛ هر مدلی، امروز و پنج سالِ دیگر، وقتی نیتِ روشنتری بگیرد جوابِ بهتری میدهد. برای همین بهجای حفظکردنِ قالب، یاد بگیر نیتت را روشن کنی.
مدل ذهنخوان نیست: هدف و زمینه بده
نیتت را با دو چیز روشن میکنی. هدف یعنی دقیقاً چه خروجیای میخواهی مدل بسازد. زمینه یعنی موقعیتِ تو: برای چه کسی، در چه شرایطی، با چه قیدهایی. یک مثالِ ساده تفاوت را نشان میدهد. اگر بنویسی «یک ایمیل بنویس»، یک قالبِ توخالیِ پر از جای خالی میگیری — مدل نمیدانست ایمیل برای کیست، دربارهٔ چیست و با چه لحنی، پس مجبور شد همهچیز را حدس بزند.
حالا همان را با هدف و زمینه بخواه: «یک ایمیلِ کوتاه و مؤدب به استادم بنویس؛ میخواهم بپرسم آیا میتوانم تحویلِ تمرین را سه روز عقب بیندازم، چون هفتهٔ گذشته مریض بودم. لحن محترمانه و نه طولانی.» همان مدل، همان لحظه، ولی چون نیت روشن بود، جواب دقیق و آمادهٔ استفاده میشود. هیچ ترفندِ جادوییای بهکار نرفت؛ فقط گفتیم چه میخواهیم و چرا. یک آزمونِ ساده قبل از فرستادنِ هر پرامپت: «اگر این چند خط را به یک غریبه بدهم که هیچ از من نمیداند، دقیقاً میفهمد چه باید بسازد؟» اگر جواب نه است، هنوز جای هدف یا زمینه خالی است.
زمینه را دقیق بده: نقش، مخاطب، قالب
وقتی خواستی حرفهایتر شوی، زمینه سه اهرمِ دقیق دارد:
- نقش — به مدل بگو از چه زاویهای بنویسد: «مثلِ یک ویراستار»، «مثلِ یک معلمِ ریاضیِ صبور».
- مخاطب — بگو جواب برای کیست: «برای یک نوجوانِ ۱۳ ساله»، «برای یک مدیرِ عجول».
- قالب — شکلِ خروجی را تعیین کن: «در سه بند»، «بهصورتِ فهرست»، «حداکثر صد کلمه».
و یک ابزارِ قوی: بهجای توضیحِ طولانی، یک مثال جلوی مدل بگذار. یک نمونه از خروجیِ دلخواهت نشان بده تا مدل دقیقاً بفهمد چه شکلی از جواب میخواهی (به این کار بهشکلِ فنی few-shot میگویند). یک مثالِ خوب، اغلب از یک پاراگراف توضیح گویاتر است.
ولی زمینهدادن یک مرزِ مهم دارد: زمینه محلِّ ریختنِ اطلاعاتِ حساس نیست. یادت باشد مدل روی سرورِ یک شرکتِ دیگر اجرا میشود، و در ردهٔ رایگان ممکن است پیامت برای بهترکردنِ مدل استفاده شود. پس برای گرفتنِ کمک، لازم نیست شمارهٔ ملی، رمز، آدرسِ دقیق یا جزئیاتِ پزشکی و مالیِ خودت را داخلِ پرامپت بگذاری. زمینهٔ لازم را بده، ولی دادهای که نباید جایی برود را با یک نمونهٔ ساختگی جایگزین کن.
خلاق یا دقیق؟ گذاشتنِ مدل روی حالتِ درست
یک اهرمِ کمترشناختهشده اما مهم این است که به مدل بگویی چه نوع جوابی میخواهی. برای کارِ خلاق — طوفانِ فکری، اسمِ برند، شعر — از مدل بخواه چند گزینهٔ متنوع بدهد و آزادتر باشد. برای کارِ دقیق — استخراجِ یک عدد، خلاصهٔ وفادار به متن، پاسخِ فنی — از او بخواه فقط به همان چیزی که در متن هست بچسبد و چیزی از خودش اضافه نکند. بعضی ابزارها این را با تنظیمی بهاسمِ temperature (پایین = دقیق، بالا = خلاق) در اختیارت میگذارند؛ ولی حتی بدونِ آن تنظیم، فقط با جملهای مثلِ «فقط بر اساسِ متنِ بالا جواب بده و حدس نزن» میتوانی همان جهت را به مدل بدهی. و برای مسئلههای چندمرحلهای، مدلهای استدلالیِ امروز خودشان بیشتر «فکر» میکنند — پس بهجای ترفند، فقط مسئله را روشن بیان کن.
حلقهٔ تکرار و وارسی
مهمترین تغییرِ ذهنیت این است: اولین جواب یک پیشنویس است، نه محصولِ نهایی. بهجای اینکه ساعتها روی یک پرامپتِ بینقصِ غولپیکر کار کنی، یک پرامپتِ ساده بفرست، جواب را ببین، و بعد دقیقاً بگو چه چیزی را عوض کند: «کوتاهترش کن»، «رسمیتر بنویس»، «آن بخشِ دوم را حذف کن»، «یک مثال اضافه کن». گفتوگو با هوش مصنوعی یک مسابقهٔ تکضربهای نیست؛ یک حلقهٔ رفتوبرگشت است، و دقیقاً همانجاست که بهترین کارها ساخته میشوند.
و در کنارِ تکرار، وارسی. هر ادعای واقعیِ مدل — عدد، تاریخ، منبع، اسم — را خودت بسنج، چون مدل میتواند با اطمینانِ کامل اشتباه کند. سه قانونِ ثابتِ کارِ درست همیشه سرِ جایشاناند: «اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمیشود درست باشد». چرا اینقدر رویش تأکید داریم، در نوشتهٔ توهم در هوش مصنوعی باز شده.
افسانههای در حالِ کهنهشدن (۲۰۲۶)
حالا بخشِ صادقانهای که کمتر جایی میخوانی: خیلی از «ترفند»های معروفِ پرامپتنویسی یا دیگر کار نمیکنند یا اصلاً هیچوقت پایدار نبودند.
- «زنجیرهٔ فکر» بهعنوانِ ترفندِ اجباری. سالها میگفتند به مدل بگو «قدمبهقدم فکر کن» (
chain-of-thought). ولی مدلهای استدلالیِ امروز (reasoning model) این کار را خودشان، درونی انجام میدهند. پس این جمله روی آنها عمدتاً زائد است — داری چیزی سفارش میدهی که همینالان دارد انجام میشود. (روی مدلهای سادهتر هنوز کمی کمک میکند، ولی دیگر یک قانونِ همیشگی نیست.) - پرامپتِ احساسی. «تو بهترین دستیارِ دنیایی»، «این برایم مرگوزندگی است»، «اگر خوب جواب ندهی جریمه میشوی». اینها فولکلورِ نسلهای قدیمیاند. مدل احساس ندارد — نه از تهدید میترسد، نه از تعریف ذوق میکند. این جملهها فقط
tokenهای اضافهاند که کنارِ خواستهٔ اصلی مینشینند. - «هرچه بلندتر، بهتر». برعکس. یک پرامپتِ پر از مقدمه و حاشیه، سیگنالِ اصلی را زیرِ نویز دفن میکند و مدل خواستهٔ واقعی را گم میکند. زمینهٔ لازم خوب است، ولی زمینهٔ بیربط فقط گمراهکننده است. روشنیِ خواسته فضیلت است، نه طولِ پرامپت.
پس چه چیزی واقعاً میماند؟
اگر ترفندها میآیند و میروند، چه چیزی را نگه داریم؟ سه چیز که به نسلِ مدل گره نخوردهاند:
- نیت — روشن بگو چه میخواهی و برای چه کسی.
- تکرار — اولین جواب پیشنویس است؛ پلهپله بهترش کن.
- وارسی — درستی را خودت بسنج؛ به اطمینانِ مدل تکیه نکن.
هر وقت به یک «ترفندِ جادویی» برخوردی، اول از خودت بپرس: این به کدامیک از این سه کمک میکند؟ اگر به هیچکدام، احتمالاً یک افسانهٔ در حالِ کهنهشدن است.
جمعبندی
پرامپتنویسیِ خوب یعنی با مدل مثلِ یک همکارِ باهوش حرف بزنی که هیچ از تو و کارت نمیداند و فقط همین چند خط را میخواند: نیتت را روشن بگو، در چند دور بهترش کن، و جوابش را وارسی کن. این مهارت با هیچ بهروزرسانیِ مدلی کهنه نمیشود، چون دربارهٔ روشنیِ فکرِ خودت است، نه یک ترفندِ وابسته به یک محصول.
در خودآموزِ همهوش یک ترمِ کامل به همین اختصاص دارد — نیت، زمینه، تکرار و وارسی — با آزمایشهایی که تفاوتِ هر تکه را با چشمِ خودت نشانت میدهند. برای اینکه بدانی چرا مدل گاهی با اطمینان اشتباه میکند و چرا وارسی اینقدر مهم است، توهم در هوش مصنوعی را ببین؛ و اگر میخواهی بفهمی این جوابها اصلاً از کجا میآیند، مدلهای زبانی چطور کار میکنند؟ را بخوان.
