آشپزهای حرفه‌ای هر بار که پشت اجاق می‌روند، از صفر فکر نمی‌کنند. چند دستور پایه بلدند — مثل طرز درست کردن یک خورش یا یک سس — و بقیهٔ غذاها را روی همان پایه‌ها می‌سازند. پرامپت‌نویسی هم همین‌طور است. در فصل قبل دیدید یک پرامپت خوب از چه تکه‌هایی ساخته می‌شود. در این فصل چند «دستور پخت» آماده یاد می‌گیریم: فرمول‌هایی که این تکه‌ها را برایتان مرتب می‌کنند تا با کمترین فکر، بهترین نتیجه را بگیرید.
نگران اسم‌های انگلیسی فرمول‌ها نباشید. این اسم‌ها فقط برای این است که راحت‌تر یادتان بماند؛ پرامپت‌ها را کاملاً فارسی می‌نویسیم.
چارچوب RTF: ساده‌ترین فرمول همه‌کاره
اگر فقط یک فرمول یاد بگیرید، این باشد. RTF از سه حرف ساخته شده:
| حرف | انگلیسی | معنی فارسی | سؤالی که جواب می‌دهد |
|---|---|---|---|
| R | Role | نقش | هوش مصنوعی در این کار چه کسی باشد؟ |
| T | Task | کار | دقیقاً چه کاری انجام بدهد؟ |
| F | Format | قالب | جواب چه شکلی باشد؟ |
قالب کلی‌اش این است:
تو یک [نقش] هستی. [کار مشخص]. جواب را به شکل [قالب] بده.
مثال ۱: کپشن اینستاگرام
قبل:
برای فروشگاه لباسم کپشن بنویس.
بعد (با RTF):
تو یک کپی‌رایتر باتجربه در حوزهٔ پوشاک هستی. برای معرفی کلکسیون پاییزهٔ مانتوهای فروشگاه آنلاینم یک کپشن اینستاگرام بنویس. جواب را به شکل سه گزینهٔ متفاوت بده، هر کدام حداکثر ۴ خط، و زیر هر کدام ۵ هشتگ فارسی پیشنهاد کن.
مثال ۲: آماده شدن برای مصاحبه
قبل:
سؤال‌های مصاحبهٔ کاری چیه؟
بعد (با RTF):
تو یک مدیر منابع انسانی با سال‌ها تجربهٔ استخدام در شرکت‌های فناوری ایرانی هستی. من هفتهٔ بعد برای موقعیت پشتیبانی مشتری مصاحبه دارم. ۱۰ سؤال پرتکرار این مصاحبه را بنویس و برای هر کدام یک نکتهٔ کوتاه دربارهٔ جواب خوب بده. جواب را به شکل فهرست شماره‌دار بده.
مثال ۳: یک کار خیلی روزمره
بعد (با RTF):
تو یک آشپز خانگی ایرانی هستی که غذاهای ساده و ارزان بلدی. با سیب‌زمینی، تخم‌مرغ، پیاز و کمی پنیر که در یخچال دارم، دو پیشنهاد شام بده. جواب را به شکل دستور پخت کوتاه با مواد لازم و مراحل شماره‌دار بده.
RTF برای بیشتر کارهای روزمره کافی است: نوشتن پیام و ایمیل، کپشن، توضیح یک مفهوم، خلاصه کردن یک متن. وقتی کار پیچیده‌تر می‌شود، به فرمول‌های کامل‌تر نیاز داریم.
چارچوب CREATE: وقتی کار جزئیات زیادی دارد
CREATE یک فرمول شش‌تکه‌ای است که برای کارهای تولید محتوا و پروژه‌های جدی‌تر خیلی خوب جواب می‌دهد. هر حرفش یک تکه است:
| حرف | انگلیسی | معنی فارسی | توضیح ساده |
|---|---|---|---|
| C | Character | شخصیت | هوش مصنوعی در نقش چه کسی باشد |
| R | Request | درخواست | دقیقاً چه می‌خواهید، با زمینهٔ کافی |
| E | Examples | نمونه‌ها | یک یا چند نمونه از چیزی که دوست دارید |
| A | Adjustments | تنظیمات | بایدها و نبایدها، لحن، طول، اصلاحات |
| T | Type of output | نوع خروجی | جواب در چه قالبی باشد |
| E | Extras | موارد اضافه | هر نکتهٔ تکمیلی؛ مثلاً «اگر چیزی مبهم بود، بپرس» |
مثال کامل CREATE: معرفی یک آموزشگاه رانندگی
فرض کنید صاحب یک آموزشگاه رانندگی در کرج هستید و می‌خواهید متن صفحهٔ «دربارهٔ ما» برای سایتتان بنویسید.
شخصیت: تو یک نویسندهٔ محتوای وب هستی که برای کسب‌وکارهای کوچک ایرانی متن می‌نویسد و می‌داند چطور اعتماد مشتری را جلب کند. درخواست: برای آموزشگاه رانندگی من در کرج یک متن «دربارهٔ ما» بنویس. ما ۱۵ سال سابقه داریم، مربی خانم و آقا داریم، کلاس‌های عصر و جمعه هم برگزار می‌کنیم و بیشتر شاگردانمان کسانی هستند که از رانندگی می‌ترسند. نمونه: لحنم را از این جمله بگیر: «ما می‌دانیم اولین بار پشت فرمان نشستن یعنی دست‌های عرق‌کرده و قلبی که تند می‌زند. ما هم روزی همین‌طور بودیم.» تنظیمات: لحن گرم و دلگرم‌کننده باشد. از کلمه‌هایی مثل «بهترین» و «برترین» استفاده نکن. ادعای بی‌پشتوانه ننویس. متن بین ۱۵۰ تا ۲۰۰ کلمه باشد. نوع خروجی: یک تیتر کوتاه، سه پاراگراف، و در آخر یک جملهٔ دعوت به تماس. موارد اضافه: بعد از متن، دو پیشنهاد کوتاه برای عکسی که کنار این متن در سایت بگذارم بده.
ببینید چقدر از حدس‌زدن هوش مصنوعی کم کردیم. او می‌داند برای چه کسی، با چه لحنی، چقدر و در چه قالبی بنویسد، و حتی نمونه‌ای از صدای شما را شنیده است.
چارچوب CO-STAR: وقتی لحن و مخاطب حیاتی است
CO-STAR فرمول دیگری است که در مسابقه‌ها و آموزش‌های پرامپت‌نویسی معروف شده. نقطهٔ قوتش این است که سبک و لحن را از هم جدا می‌کند؛ برای همین وقتی متنتان باید روی مخاطب خاصی اثر بگذارد، عالی است.
| حرف | انگلیسی | معنی فارسی | توضیح ساده |
|---|---|---|---|
| C | Context | زمینه | موقعیت و پیش‌زمینه |
| O | Objective | هدف | دقیقاً چه کاری باید انجام شود |
| S | Style | سبک | به سبک چه نوع نوشته‌ای یا چه کسی |
| T | Tone | لحن | حس متن: رسمی، شوخ، همدلانه، قاطع |
| A | Audience | مخاطب | چه کسی می‌خواند |
| R | Response | قالب پاسخ | شکل و اندازهٔ جواب |
فرق سبک و لحن چیست؟ سبک یعنی متن شبیه چه نوع نوشته‌ای باشد؛ مثلاً «مثل یک مقالهٔ روزنامه» یا «مثل پیام یک دوست». لحن یعنی چه حسی منتقل کند؛ مثلاً «امیدوارکننده» یا «جدی و هشداردهنده». یک متن می‌تواند سبک روزنامه‌ای و لحن شوخ داشته باشد.
مثال کامل CO-STAR: اطلاعیهٔ ساختمان
فرض کنید مدیر ساختمان یک مجتمع ۲۴ واحدی هستید و باید دربارهٔ افزایش شارژ اطلاعیه بنویسید؛ موضوعی که معمولاً دعوا راه می‌اندازد.
زمینه: من مدیر داوطلب یک مجتمع ۲۴ واحدی در اصفهان هستم. هزینهٔ نگهداری آسانسور، نظافت و قبض‌های مشترک بالا رفته و صندوق ساختمان دو ماه است کسری دارد. مجبوریم شارژ ماهانه را افزایش بدهیم. هدف: یک اطلاعیه بنویس که افزایش شارژ را اعلام کند، دلیلش را شفاف توضیح بدهد و ساکنان را به جلسهٔ هفتهٔ بعد دعوت کند. سبک: مثل یک اطلاعیهٔ رسمی ولی ساده که روی برد لابی یا در گروه واتس‌اپ ساختمان گذاشته می‌شود. لحن: محترمانه، شفاف و همدلانه؛ نه طلبکارانه، نه عذرخواهانهٔ بیش از حد. مخاطب: ساکنان ساختمان؛ از جوان‌ها تا افراد مسن، که بعضی‌هایشان از افزایش هزینه‌ها ناراضی‌اند. قالب پاسخ: حداکثر ۱۲۰ کلمه، با یک تیتر کوتاه، یک فهرست سه‌موردی از دلایل افزایش، و تاریخ و ساعت جلسه به شکل جای خالی که خودم پر کنم.
نتیجهٔ چنین پرامپتی معمولاً متنی است که می‌شود با کمی ویرایش منتشر کرد، و احتمال دلخوری همسایه‌ها را هم کمتر می‌کند.
نقش‌دهی: «تو یک … هستی»
در هر سه فرمول دیدید که اولین تکه، تعیین نقش بود. این ترفند به‌تنهایی آن‌قدر مؤثر است که اسم خودش را دارد: نقش‌دهی (Role Prompting).
چرا کار می‌کند؟ چون هوش مصنوعی از حجم عظیمی از متن‌های مختلف یاد گرفته است: نوشته‌های پزشک‌ها، معلم‌ها، وکیل‌ها، آشپزها، طنزنویس‌ها. وقتی می‌گویید «تو یک معلم ریاضی صبور هستی»، در واقع به او می‌گویید از کدام بخش دانش و کدام شیوهٔ حرف زدن استفاده کند.
بدون نقش:
کسر را توضیح بده.
با نقش:
تو یک معلم ریاضی صبور و خوش‌برخورد دبستان هستی که با مثال‌های خوراکی درس می‌دهد. مفهوم کسر را برای یک بچهٔ ۹ ساله توضیح بده.
نقش‌ها لازم نیست فقط شغل باشند. چند نمونهٔ کاربردی:
- منتقد: «تو یک ویراستار سخت‌گیر هستی. این متن را بخوان و ضعف‌هایش را بی‌تعارف بگو.»
- طرف مقابل: «تو یک مشتری ناراضی هستی که سفارشش دیر رسیده. من کارمند پشتیبانی‌ام؛ بیا تمرین کنیم.»
- مشاور: «تو یک مشاور تحصیلی هستی که دانش‌آموزان زیادی را برای انتخاب رشته راهنمایی کرده.»
- مخاطب هدف: «تو یک خانم ۶۰ ساله هستی که با تکنولوژی آشنا نیست. این راهنما را بخوان و بگو کجایش را نفهمیدی.»
نقش آخری یکی از ترفندهای کمتر شناخته‌شده و بسیار مفید است: به‌جای اینکه هوش مصنوعی نویسنده باشد، او را خواننده کنید تا متن شما را از چشم مخاطب واقعی ببیند.
دادن نمونه (Few-shot): یاد دادن با مثال
گاهی توضیح دادن چیزی که می‌خواهید سخت است. مثلاً لحن خاص برند شما، یا شکل مشخصی که دادهٔ خروجی باید داشته باشد. در این مواقع ساده‌ترین راه این است که نشان بدهید، نه اینکه توضیح بدهید.
به این روش Few-shot می‌گویند؛ یعنی «با چند نمونه». شما یک تا سه نمونه می‌دهید و هوش مصنوعی الگو را می‌گیرد.
مثال ۱: یکدست کردن لحن
بدون نمونه:
برای این سه محصول توضیح کوتاه بنویس: چای کوهی، عسل گون، زعفران قائنات.
با نمونه:
برای محصولات فروشگاه محلی‌ام توضیح کوتاه می‌نویسم. این دو نمونه را ببین: محصول: کشک محلی توضیح: کشکی که مادربزرگ‌های روستای ما هنوز با دست می‌سابند. ترش، غلیظ و بی‌نگهدارنده؛ همان طعمی که از بچگی یادتان مانده. محصول: گردوی تویسرکان توضیح: مغز درشت و روشن، چیده‌شده از باغ‌های تویسرکان. نه تلخ است، نه کهنه؛ امسالی است. حالا با همین لحن و همین اندازه برای این سه محصول توضیح بنویس: چای کوهی، عسل گون، زعفران قائنات.
نتیجه این بار با بقیهٔ توضیح‌های فروشگاه شما هماهنگ است؛ کوتاه، محلی و صمیمی.
مثال ۲: دسته‌بندی پیام‌ها
Few-shot برای کارهای تکراری و منظم هم فوق‌العاده است:
پیام‌های مشتری‌ها را دسته‌بندی کن. نمونه‌ها: پیام: «سفارشم سه روزه نرسیده» دسته: ارسال پیام: «می‌شه سایز بزرگ‌ترش رو بفرستید؟» دسته: تعویض پیام: «رنگش با عکس فرق داشت» دسته: کیفیت حالا این پیام‌ها را به همین شکل دسته‌بندی کن: «کد رهگیری کار نمی‌کنه» «پارچه‌اش بعد از یه بار شستن آب رفت» «می‌خوام شمارهٔ ۳۸ رو با ۴۰ عوض کنم»
قدم‌به‌قدم فکر کردن: وقتی جواب دقیق می‌خواهید
یادتان هست معلم ریاضی می‌گفت «راه‌حل را بنویس، فقط جواب آخر نمره ندارد»؟ هوش مصنوعی هم وقتی مجبور شود مراحل را بنویسد، معمولاً جواب دقیق‌تری می‌دهد. وقتی مستقیم سراغ جواب آخر می‌رود، احتمال اشتباه در مسئله‌های چندمرحله‌ای بیشتر است.
به این روش در منابع انگلیسی Chain of Thought (زنجیرهٔ فکر) می‌گویند. استفاده از آن ساده است: کافی است بخواهید قدم‌به‌قدم فکر کند.
قبل:
وام ۱۰۰ میلیونی با سود ۲۳ درصد در ۳۶ ماه، قسطش چقدر می‌شود؟
بعد:
می‌خواهم قسط ماهانهٔ یک وام را حساب کنم: مبلغ ۱۰۰ میلیون تومان، سود سالانهٔ ۲۳ درصد، بازپرداخت ۳۶ ماهه با اقساط مساوی. قدم‌به‌قدم حساب کن، فرمولی را که استفاده می‌کنی توضیح بده و در آخر مبلغ قسط و کل سودی را که می‌پردازم جداگانه بنویس.
وقتی مراحل جلوی چشمتان است، اگر جایی اشتباه شده باشد خودتان هم راحت‌تر پیدایش می‌کنید.
این روش فقط برای ریاضی نیست. هر جا تصمیم یا تحلیل چندمرحله‌ای دارید، به کار می‌آید:
من بین دو پیشنهاد کاری مردد هستم. اول از من بپرس چه چیزهایی برایم مهم است، بعد قدم‌به‌قدم دو پیشنهاد را بر اساس همان معیارها بسنج، و در آخر نتیجه‌گیری کن. پیشنهاد اول: شرکت خصوصی در تهران، حقوق بالاتر، رفت‌وآمد یک ساعت و نیم. پیشنهاد دوم: شرکت کوچک‌تر نزدیک خانه، حقوق ۲۰ درصد کمتر، ساعت کاری منعطف.
ترکیب فرمول‌ها: جعبه‌ابزار، نه قانون
این فرمول‌ها رقیب هم نیستند؛ ابزارهای یک جعبه‌اند. یک پرامپت عالی معمولاً چندتایشان را با هم دارد. مثلاً:
تو یک مشاور مالی خانواده هستی (نقش‌دهی). درآمد ماهانهٔ ما ۴۰ میلیون تومان است و هزینه‌هایمان را در زیر نوشته‌ام. اول قدم‌به‌قدم هزینه‌ها را دسته‌بندی کن، بعد سه جا را پیشنهاد بده که بشود کم کرد (قدم‌به‌قدم). جواب را به شکل یک جدول بده با ستون‌های دسته، مبلغ فعلی و پیشنهاد (قالب). لحنت ساده و بدون سرزنش باشد (لحن). اجاره: ۱۵ میلیون خوراک: ۱۰ میلیون رفت‌وآمد: ۴ میلیون اشتراک‌ها و اینترنت: ۱ میلیون بیرون غذا خوردن: ۵ میلیون متفرقه: ۵ میلیون
مهم این نیست که اسم فرمول‌ها را حفظ باشید. مهم این است که هر بار از خودتان بپرسید: نقش را گفته‌ام؟ کار را دقیق گفته‌ام؟ قالب را مشخص کرده‌ام؟ نمونه لازم دارد؟ باید قدم‌به‌قدم فکر کند؟
کدام فرمول برای کدام موقعیت؟
| موقعیت | فرمول پیشنهادی | چرا |
|---|---|---|
| کارهای روزمرهٔ سریع (پیام، ایمیل کوتاه، توضیح یک مفهوم) | RTF | ساده و سریع؛ برای بیشتر کارها کافی است |
| تولید محتوای جدی (متن سایت، مقاله، کمپین تبلیغاتی) | CREATE | همه‌چیز را پوشش می‌دهد، از نمونه تا جزئیات اضافه |
| متنی که لحن و مخاطبش حساس است (اطلاعیه، نامهٔ رسمی، پیام حساس) | CO-STAR | سبک، لحن و مخاطب را جدا و دقیق مشخص می‌کند |
| می‌خواهید جواب از دید یک متخصص یا یک مخاطب خاص باشد | نقش‌دهی | دانش و شیوهٔ حرف زدن مناسب را فعال می‌کند |
| لحن یا قالب خاصی دارید که توضیحش سخت است | دادن نمونه (Few-shot) | نشان دادن از توضیح دادن مؤثرتر است |
| کارهای تکراری و منظم (دسته‌بندی، استخراج اطلاعات) | دادن نمونه (Few-shot) | خروجی یکدست و قابل‌پیش‌بینی می‌شود |
| حساب‌وکتاب، منطق، تصمیم‌گیری چندمرحله‌ای | قدم‌به‌قدم فکر کردن | خطا کمتر می‌شود و مراحل قابل بررسی‌اند |
جمع‌بندی فصل
- RTF (نقش، کار، قالب) ساده‌ترین فرمول است و برای بیشتر کارهای روزمره کافی است.
- CREATE (شخصیت، درخواست، نمونه‌ها، تنظیمات، نوع خروجی، موارد اضافه) برای تولید محتوای جدی و پرجزئیات مناسب است.
- CO-STAR (زمینه، هدف، سبک، لحن، مخاطب، قالب پاسخ) وقتی به کار می‌آید که لحن و مخاطب نقطهٔ حساس کار باشد.
- نقش‌دهی کیفیت و لحن جواب را بهتر می‌کند، اما تخصص واقعی نمی‌سازد.
- دادن نمونه بهترین راه برای منتقل کردن لحن و قالبی است که توضیحش سخت است.
- قدم‌به‌قدم فکر کردن برای حساب‌وکتاب و تصمیم‌های چندمرحله‌ای، جواب‌ها را دقیق‌تر و قابل بررسی‌تر می‌کند.
حالا که فرمول‌ها را در دست دارید، در فصل هفتم یاد می‌گیریم که بهترین نتیجه‌ها معمولاً از یک پرامپت تنها به دست نمی‌آیند، بلکه از یک گفتگو.
ابزارهای هوش مصنوعی، قیمت‌ها و قوانین استفادهٔ آن‌ها مرتب تغییر می‌کند. مطالب این کتاب جنبهٔ آموزشی دارد؛ پیش از هر تصمیم مالی، حقوقی یا پزشکی با متخصص مشورت کنید و مسئولیت رعایت قوانین هر سرویس با کاربر است.