لحنِ ثابت و دستورِ سیستمی

در این فصل چه یاد می‌گیری#

در فصل ۲ یاد گرفتی که به مدل نقش و مخاطب و قالب بدهی — ولی مجبور بودی این کار را در هر پیام تکرار کنی، و وسطِ یک گفت‌وگوی بلند مدل کم‌کم فراموش می‌کرد. این فصل ابزاری را معرفی می‌کند که این دردسر را حل می‌کند: system prompt. یک دستورِ پایدار که بالای کلِ گفت‌وگو می‌نشیند و بدونِ اینکه دوباره تایپش کنی، روی هر جوابِ مدل اثر می‌گذارد. آخر این فصل می‌فهمی system prompt چیست، چطور یک نقشِ ثابت به مدل می‌دهد، و چه فرقی با یک پیامِ معمولی دارد.

آخر این فصل می‌توانی:

• بگویی system prompt چیست و کجا از پیامِ معمولی جدا می‌شود
• یک نقشِ پایدار برای مدل تعیین کنی که در کلِ گفت‌وگو بماند
• با عوض‌کردنِ system prompt رفتارِ مدل را به‌طورِ محسوس تغییر بدهی
• بفهمی چرا system prompt لحن را عوض می‌کند ولی درستیِ جواب را تضمین نمی‌کند

قبل از شروع#

• از فصل ۲ همین ترم: می‌توانی به مدل نقش، مخاطب و قالبِ خروجی بدهی تا جوابِ مناسب‌تری بگیری.
• از فصل ۳ همین ترم: با تکرار، جواب را پله‌پله بهتر می‌کنی.

فقط یک مرورگر و دستیارِ هوش مصنوعی‌ات (با کلیدِ رایگانِ خودت) لازم داری.

۱. مشکل: در هر پیام باید نقش را تکرار کنی#

فرض کن داری با مدل روی یک متنِ درسی کار می‌کنی و می‌خواهی همه‌چیز را ساده و برای یک نوجوان توضیح بدهد. یاد گرفته‌ای که در پرامپت این را بگویی. ولی گفت‌وگو که کمی طولانی می‌شود، دو مشکل پیدا می‌شود: اول اینکه باید در هر پیام دوباره بنویسی «ساده توضیح بده»، و دوم اینکه اگر یک بار یادت برود، مدل برمی‌گردد به لحنِ پیش‌فرضِ خودش — رسمی و پیچیده.

این تکرار هم خسته‌کننده است و هم شکننده. کاش می‌شد یک بار برای همیشه به مدل بگویی «تو در کلِ این گفت‌وگو این‌طوری رفتار کن» و بعد فقط سؤال‌هایت را بپرسی. دقیقاً همین کار را system prompt می‌کند.

۲. system prompt چیست#

هر گفت‌وگو با مدل، در پشتِ پرده، دو نوع پیام دارد. یکی همان پیام‌های معمولیِ توست که در هر نوبت می‌فرستی. دیگری یک دستورِ پایدار که پیش از شروعِ گفت‌وگو تنظیم می‌شود و تا آخر سرِ جایش می‌ماند: به این می‌گویند system prompt.

system prompt مثلِ شرحِ شغلی است که روزِ اول به یک همکارِ تازه می‌دهی: «تو ویراستارِ این تیمی، لحنت رسمی است، و هر متنی را کوتاه و بی‌غلط تحویل می‌دهی.» بعد از آن دیگر لازم نیست سرِ هر کار این را تکرار کنی؛ همکار می‌داند در هر کاری چطور رفتار کند. پیامِ معمولی «این پاراگراف را ویرایش کن» است — یک کارِ مشخص. system prompt آن قاعدهٔ کلی است که پشتِ همهٔ کارها می‌نشیند.

در آزمایشگاه (و در تنظیماتِ بیشترِ ابزارها) یک جعبهٔ جدا برای system prompt هست، بالای جعبهٔ پیامِ معمولی. هرچه آنجا بنویسی روی کلِ گفت‌وگو اثر می‌گذارد.

قبل از ادامه، جواب بده: فرقِ «شرحِ شغلیِ یک همکار» با «درخواستِ یک کارِ مشخص از او» چیست؟ کدام‌یک system prompt است؟

۳. تفاوتش با پیامِ معمولی — با چشمِ خودت ببین#

بهترین راهِ فهمیدنِ این فرق، دیدنش است. یک پیامِ کاربرِ ثابت را با دو system promptِ متفاوت امتحان کن. اول این system prompt را تنظیم کن:

system prompt:
تو یک معلمِ صبورِ علوم برای بچه‌ها هستی. همه‌چیز را ساده و با یک مثالِ روزمره توضیح بده.

حالا این پیامِ معمولی را بفرست:

رنگین‌کمان چطور ساخته می‌شود؟

جوابی طولانی، ساده و با مثال می‌گیری — چیزی شبیهِ «نور مثلِ وقتی است که از یک منشور رد می‌شود…». حالا فقط system prompt را عوض کن و همان سؤال را دوباره بفرست:

system prompt:
تو یک ویراستارِ کوتاه‌گو هستی. فقط جوابِ نهایی را در یک جمله بده، بدونِ هیچ توضیحِ اضافه.

این‌بار جواب چیزی می‌شود مثلِ «نورِ خورشید هنگامِ عبور از قطره‌های باران می‌شکند و به رنگ‌هایش تجزیه می‌شود.» — یک جملهٔ خشک و کوتاه. پیامِ کاربر عوض نشد؛ فقط system prompt عوض شد، و رفتارِ کلِ مدل با آن عوض شد. همین است تفاوتِ یک دستورِ پایدار با یک پیامِ یک‌باره.

۴. یک نقشِ پایدارِ خوب بنویس#

یک system promptِ خوب معمولاً چهار چیز را روشن می‌کند: مدل کیست، با چه لحنی حرف بزند، خروجی در چه قالبی باشد، و وقتی چیزی را نمی‌داند چه کند. این آخری از همه مهم‌تر است و مستقیم به عادتِ وارسیِ فصلِ قبل وصل می‌شود. یک نمونهٔ قابلِ‌استفادهٔ مجدد:

system prompt:
تو دستیارِ مطالعهٔ منی. توضیح‌ها را ساده و کوتاه بده و هر جا شد یک مثال بیاور.
اگر چیزی را مطمئن نیستی، صریح بگو «مطمئن نیستم» و حدس را به‌جای واقعیت جا نزن.

آن جملهٔ آخر به مدل اجازه می‌دهد به‌جای بافتنِ یک جوابِ ساختگی، تردیدش را نشان بدهد. این تضمین نیست و انتظارت را واقع‌بینانه نگه دار: اگر همین نقش را بدهی و بعد خلاصهٔ یک کتابِ ساختگی بخواهی، خیلی وقت‌ها باز هم خلاصه‌ای مطمئن می‌بافد و «مطمئن نیستم» نمی‌گوید. یک جملهٔ اجازه، رفتارِ ریشه‌ایِ مدل را عوض نمی‌کند؛ فقط شانسِ یک «نمی‌دانم»ِ صادقانه را کمی بالا می‌برد. خودت امتحانش کن — همین نقش را بگذار، بعد سراغِ یکی از پرامپت‌های ساختگیِ ترم ۱ برو و ببین واقعاً عقب می‌کشد یا نه. هر نتیجه‌ای گرفتی یادداشتش کن؛ این یکی از آن جاهایی است که باید به چشمِ خودت اعتماد کنی، نه به قولِ نقش.

💡 نکته: system prompt را هم مثلِ پرامپتِ معمولی می‌شود تکرار و بهتر کرد. اگر دیدی مدل هنوز آن‌طور که می‌خواهی رفتار نمی‌کند، نقش را دقیق‌تر بنویس و دوباره امتحان کن — همان حلقهٔ تکرارِ فصل ۳.

۵. system prompt لحن را عوض می‌کند، نه درستی را#

اینجا یک تلهٔ مهم است. system prompt قدرتمند است، ولی فقط رفتار و لحن را شکل می‌دهد؛ درستیِ واقعیت را عوض نمی‌کند. بدتر از آن، یک نقشِ نادرست می‌تواند توهم را بیشتر کند. امتحانش کن:

system prompt:
تو یک متخصصِ قاطع هستی که همیشه جوابِ دقیق و مطمئن می‌دهد و هرگز نمی‌گوید نمی‌دانم.

حالا یک سؤالِ کمیاب و جزئی بپرس — مثلاً جزئیاتِ دقیقِ یک رویدادِ خیلی محلی یا آمارِ یک موضوعِ کم‌شناخته. چون به مدل گفته‌ای «هرگز نگو نمی‌دانم»، به‌جای اعترافِ صادقانه، با اطمینانِ کامل یک جوابِ ساختگی می‌سازد. لحنش الان قاطع‌تر است، ولی درستی‌اش نه‌تنها بهتر نشده، بلکه بدتر شده — چون راهِ فرارِ صادقانه را از آن گرفته‌ای.

✅ وارسی: هر ادعای واقعی را که از مدل می‌گیری — با هر system promptی که تنظیم کرده باشی — با یک منبعِ مستقلِ اصلی تطبیق بده. یک نقشِ «متخصصِ قاطع» فقط لحن را قاطع‌تر می‌کند، نه واقعیت را درست‌تر. سه قانونِ ثابت سرِ جایشان‌اند: «اول خودت فکر کن» — «وارسی کن، خط به خط» — «مدل مطمئن است؛ دلیل نمی‌شود درست باشد».

⚠️ مواظب باش: system prompt هم مثلِ هر پیامِ دیگری به سرورِ مدل فرستاده می‌شود. اگر در آن نقش، اطلاعاتِ حساس یا خصوصی گذاشتی (مثلاً جزئیاتِ کاریِ محرمانه)، همان خطرِ حریم خصوصیِ همیشگی سرِ جایش است — به‌خصوص در ردهٔ رایگان.

واژه‌های تازهٔ این فصل#

در فصل بعد#

حالا می‌توانی یک لحن و نقشِ ثابت به مدل بدهی. فصلِ بعد سراغِ چند دکمهٔ کنترلیِ دیگر می‌رویم که خروجی را عمیق‌تر تنظیم می‌کنند: temperature که تعیین می‌کند مدل چقدر خلاق یا چقدر دقیق باشد، کنترلِ طول و قالبِ جواب، و reasoning model — اینکه کِی بگذاری مدل قبل از جواب‌دادن بیشتر فکر کند. با آن سه ابزار، دیگر می‌توانی خروجی را دقیقاً به اندازهٔ کارَت کوک کنی.