پرامپت چیست؟ آموزش پرامپت‌نویسی با ۲۰ مثال‌ واقعی و تست‌شده

پرامپت (Prompt) همان دستور یا درخواستی است که برای دریافت پاسخ به هوش مصنوعی می‌دهیم. هرچقدر پرامپت شفاف‌تر، دقیق‌تر و ساختاریافته‌تر باشد، پاسخ هوش مصنوعی هم دقیق‌تر خواهد بود.

با خواندن این مقاله یاد می‌گیرید که:

• پرامپت با چت معمولی چه تفاوتی دارد؟
• انواع پرامپت‌نویسی (پرامپت مستقیم، پرامپت نقش‌دهی و…) چیست؟ + مثال
• و مهم‌تر از همه، فرمول ۷ مرحله‌ای ساخت یک پرامپت خوب را یاد می‌گیرید.
• فرمولی که برای هر موضوعی (از برنامه‌نویسی تا تولید عکس و محتوا) قابل استفاده است.

پس با ما همراه باشید.

پرامپت چیست؟

پرامپت (Prompt) به متنی گفته می‌شود که به یک مدل هوش مصنوعی می‌دهید تا به شما پاسخ، محتوا یا خروجی مشخصی تولید کند.

معنی پرامپت به زبان ساده، همان دستور یا درخواست شما از هوش مصنوعی است.

تفاوت پرامپت با حرف زدن معمولی چیست؟

 تفاوت پرامپت با حرف زدن معمولی در «میزان دقت و ساختار» است.

در گفت‌وگوی روزمره، مخاطب انسانی با حدس زدن و زمینه‌های مشترک، منظور ما را کامل می‌کند؛ اما مدل هوش مصنوعی فقط بر اساس همان چیزی که می‌نویسیم پاسخ می‌دهد و نمی‌تواند نیت پنهان ما را حدس بزند.

به همین دلیل، هرچه درخواست ما مبهم‌تر باشد، پاسخ مدل هم عمومی‌تر و گاه نامرتبط‌تر خواهد بود.

چرا یک درخواست معمولی همیشه بهترین خروجی را نمی‌دهد؟

زیرا مدل هوش مصنوعی فقط بر اساس متن ارسالی عمل می‌کند و برای پر کردن جای خالی اطلاعات، به میانگین‌ترین و کلی‌ترین پاسخ ممکن می‌رسد.

وقتی می‌گوییم «یک داستان کوتاه بنویس»، مدل نمی‌داند چه سبکی، چه مخاطبی و چه پایانی می‌خواهیم؛ پس ناچار است کلی‌ترین گزینه را انتخاب کند. حذف همین جزئیات است که باعث می‌شود خروجی، عمومی و بی‌رنگ شود.

پرامپت نویسی چیست؟

پرامپت‌نویسی با مهندسی پرامپت (Prompt Engineering) یعنی طراحی و نوشتن دستورهای دقیق و هدفمند برای هوش مصنوعی تا مدل بتواند خروجی بهتر، دقیق‌تر و نزدیک‌تر به خواسته شما تولید کند.

به زبان ساده:

پرامپت = چیزی که از هوش مصنوعی می‌خواهیم
پرامپت‌نویسی = روشی که درخواست خود را طوری می‌نویسیم که بهترین نتیجه را بگیریم.

یک پرامپت خوب چه چیزی را برای مدل روشن می‌کند؟

یک پرامپت خوب مشخص می‌کند که می‌خواهیم «چه کاری» انجام شود، «برای چه کسی»، «با چه شرایطی» و «با چه خروجی».

مثال از یک پرامپت خوب

مثلاً عبارت «یک داستان کوتاه بنویس» هیچ‌کدام از این‌ها را روشن نمی‌کند؛ اما اگر بنویسیم: «یک داستان کوتاه در سبک معمایی بنویس که در یک شهر تاریخی می‌گذرد و در نهایت معمای اصلی حل می‌شود»، حالا مدل می‌داند سبک (معمایی)، مکان (شهر تاریخی) و نتیجه (حل شدن معما) چیست.

به همین دلیل یک پرامپت خوب باید تا حد ممکن واضح، دقیق و دارای ساختار مشخص باشد تا مدل بفهمد دقیقاً چه می‌خواهیم.

متا پرامپت (Meta Prompt) چیست؟

متا پرامپت یعنی از خود هوش مصنوعی برای ساختن، بهینه کردن یا بازنویسی یک پرامپت کمک بگیریم. 

در این روش، به‌جای اینکه خودمان مستقیماً پرامپت نهایی را بنویسیم، از AI می‌خواهیم پرامپت ما را بهتر و دقیق‌تر کند یا بر اساس نیاز و هدفی که داریم، یک پرامپت مناسب برایمان طراحی کند.

مثال: کپشن اینستاگرامی برای معرفی یک محصول جدید

پرامپت: من می‌خواهم برای معرفی یک محصول جدید یک کپشن اینستاگرامی بنویسم. به من بگو برای گرفتن یک خروجی مناسب، چه پرامپتی باید بنویسم. همچنین مشخص کن پرامپت پیشنهادی چه اطلاعاتی درباره محصول، مخاطب، لحن و طول کپشن نیاز دارد.

مگا پرامپت چیست؟

 معمولاً از اصطلاح مگا پرامپت برای اشاره به یک پرامپت جامع و مفصل استفاده می‌شود که اطلاعات، نقش، هدف، مراحل، محدودیت‌ها، قوانین و قالب خروجی را یکجا در اختیار هوش مصنوعی قرار می‌دهد.

مثال: یک مقاله درباره سفر به استانبول بنویس.

 پرامپت: در نقش یک نویسنده محتوای گردشگری عمل کن. برای مسافر ایرانی، یک راهنمای سفر کوتاه به استانبول بنویس. ابتدا ساختار مقاله را مشخص کن، سپس مقدمه، جاذبه‌ها، هزینه‌ها و نکات کاربردی را بگو. لحن متن رسمی و روان باشد. هدینگ هر بخش مشخص شود. هزینه‌ها را داخل جدول بگذار. در پایان جمع‌بندی را اضافه کن.

آموزش پرامپت نویسی هوش مصنوعی (۱۰ روش از مبتدی تا حرفه‌ای)

پرامپت‌نویسی روش‌های مختلفی دارد. هرکدام از این روش‌ها برای موقعیت خاصی کاربرد دارند و به همین دلیل نمی‌توان هیچ‌کدام را بهترین تکنیک پرامپت‌نویسی دانست. در واقع شما باید با توجه به میزان پیچیدگی کار و خروجی مورد انتظار، روش مناسب را انتخاب کنید.

در ادامه با مهم‌ترین انواع پرامپت‌نویسی و کاربرد هرکدام آشنا خواهید شد.

۱. آموزش پرامپت مستقیم یا ساده (Zero-Shot Prompting)

پرامپت مستقیم (Zero-Shot) یعنی بدون ارائه نمونه، مستقیماً از هوش مصنوعی می‌خواهیم کاری را انجام دهد.

برای کارهای ساده و مشخص مثل ترجمه، خلاصه‌سازی، دسته‌بندی و اصلاح متن مناسب است. در کارهای پیچیده، باید دستور را شفاف و دقیق بنویسیم، چون هیچ نمونه‌ای برای راهنمایی مدل وجود ندارد.

مثال پرامپت ساده

جمله زیر را به حالت مجهول تبدیل کن:

نویسنده مقاله را منتشر کرد.

پاسخ هوش مصنوعی: مقاله توسط نویسنده منتشر شد.

۲. آموزش پرامپت یک نمونه‌ای و چند نمونه‌ای (One-Shot و Few-Shot Prompting)

One-Shot و Few-Shot یعنی به‌جای توضیح صرف، یک یا چند نمونه از خروجی مورد نظر را به هوش مصنوعی بدهیم تا الگوی مورد انتظار را یاد بگیرد. در One-Shot یک نمونه و در Few-Shot چند نمونه ارائه می‌شود.

این روش برای کارهایی که قالب، لحن یا ساختار مشخصی دارند، مثل دسته‌بندی یا تولید متن با سبک ثابت، کاربردی است. نمونه‌ها باید دقیق و باکیفیت باشند تا مدل الگوی نامناسب را یاد نگیرد.

مثال پرامپت چند نمونه‌ای

برای مثال، اگر بخواهیم نظرات کاربران را دسته‌بندی کنیم، می‌توانیم چند نمونه از دسته‌بندی موردنظر را به مدل بدهیم:

پرامپت: نظر زیر را بر اساس نمونه‌ها در دسته مثبت، منفی یا خنثی قرار بده:

کیفیت محصول عالی بود ← مثبت

محصول دیر به دستم رسید ← منفی

نظر جدید: محصول نسبتاً خوب است، اما قیمت آن کمی بالاست.

پاسخ هوش مصنوعی: خنثی

۳. آموزش پرامپت سیستمی (System Prompting)

System Prompting یعنی برای هوش مصنوعی یک نقش، لحن، قالب و چارچوب مشخص تعیین کنیم تا پاسخ‌های آن مطابق قواعد تعیین‌شده باشد. این روش برای ساخت ابزارها و سامانه‌هایی که به پاسخ‌های یکدست و قابل پیش‌بینی نیاز دارند، کاربرد زیادی دارد.

مثال پرامپت سیستمی

برای مثال، اگر بخواهیم نظرات کاربران درباره یک فیلم را دسته‌بندی کنیم و قالب پاسخ نیز مشخص باشد، می‌توانیم از System Prompt استفاده کنیم:

پرامپت: نظر زیر را فقط در یکی از سه دسته POSITIVE، NEUTRAL یا NEGATIVE قرار بده. پاسخ باید فقط شامل نام دسته و با حروف انگلیسی بزرگ باشد.

نظر: این فیلم ایده جالبی داشت، اما روند آن چندان رضایت‌بخش نبود.

پاسخ هوش مصنوعی: NEUTRAL

۴. آموزش پرامپت نقش‌محور (Role Prompting)

Role Prompting یعنی برای هوش مصنوعی یک نقش یا تخصص مشخص تعریف کنیم تا پاسخ را از زاویه دید همان نقش ارائه دهد. این روش زمانی کاربرد دارد که بخواهیم پاسخ با دانش، لحن و رویکرد یک فرد متخصص تولید شود.

مثال پرامپت نقش‌محور

برای مثال، اگر بخواهیم هوش مصنوعی مانند یک راهنمای گردشگری پاسخ دهد، کافی است نقش موردنظر را در پرامپت مشخص کنیم:

پرامپت: فرض کن یک راهنمای گردشگری هستی. برای فردی که برای اولین بار به استانبول سفر می‌کند، سه جاذبه گردشگری پیشنهاد بده و درباره هرکدام توضیح کوتاهی ارائه کن.

پاسخ هوش مصنوعی:

۱. مسجد ایاصوفیه: یکی از مشهورترین بناهای تاریخی استانبول با معماری منحصربه‌فرد.
۲. کاخ توپکاپی: کاخ تاریخی سلاطین عثمانی با مجموعه‌ای از آثار و معماری دیدنی.
۳. برج گالاتا: برجی تاریخی با چشم‌اندازی زیبا از شهر و تنگه بسفر.

۵. آموزش پرامپت زمینه‌محور (Contextual Prompting)

Contextual Prompting یعنی قبل از بیان وظیفه، اطلاعاتی درباره موضوع، مخاطب، هدف یا شرایط کار در اختیار هوش مصنوعی قرار دهیم تا پاسخ دقیق‌تر و مرتبط‌تری تولید کند. هرچه این اطلاعات بیشتر باشند، احتمال دریافت پاسخ مناسب‌تر بیشتر می‌شود.

مثال پرامپت زمینه محور

پرامپت: سه موضوع برای مقاله‌ای درباره هوش مصنوعی پیشنهاد بده که مخاطب آن مدیران کسب‌وکار باشند و هدف مقاله، آموزش کاربردهای عملی هوش مصنوعی در بازاریابی باشد.

پاسخ هوش مصنوعی

۱. ۱۰ کاربرد عملی هوش مصنوعی در بازاریابی برای مدیران کسب‌وکار

۲. چگونه با هوش مصنوعی هزینه‌های بازاریابی را کاهش دهیم؟

۳. استفاده از هوش مصنوعی برای شناخت و تحلیل مشتریان

۶. آموزش پرامپت گام به عقب (Step-Back Prompting)

Step-Back Prompting یعنی قبل از رسیدن به پاسخ نهایی، ابتدا موضوع کلی‌تر و اصول مرتبط با مسئله را بررسی کنیم و سپس بر اساس آن، درخواست اصلی را مطرح کنیم. این روش برای مسائل پیچیده، ایده‌پردازی و برنامه‌ریزی که مسیرهای مختلفی برای رسیدن به پاسخ دارند، مفید است.

مثال پرامپت گام به عقب

پرامپت: پنج محیط داستانی معرفی کن که می‌توانند یک مرحله چالش‌برانگیز و جذاب برای یک بازی تیراندازی اول‌شخص داشته باشند.

پاسخ هوش مصنوعی: 

1. پایگاه نظامی متروکه
2. شهر زیرزمینی
3. جنگل مه‌آلود
4. کشتی باری در حال غرق شدن
5. آزمایشگاه مخفی

پرامپت مرحله دوم: بر اساس یکی از محیط‌های پیشنهادی، داستان یک مرحله از بازی را در یک پاراگراف بنویس.

پاسخ هوش مصنوعی:

بازیکن وارد یک پایگاه نظامی متروکه می‌شود و باید پیش از فعال شدن سیستم دفاعی، اطلاعات محرمانه‌ای را پیدا کند. در طول مسیر، با دشمنان و موانع مختلف روبه‌رو می‌شود و در نهایت باید از پایگاه خارج شود.

۷. آموزش پرامپت زنجیره‌ای یا زنجیره فکر (Chain-of-Thought Prompting)

Chain-of-Thought یعنی از هوش مصنوعی بخواهیم یک مسئله را مرحله‌به‌مرحله بررسی و حل کند، به‌جای اینکه مستقیماً به پاسخ نهایی برسد. این روش برای مسائل ریاضی، تحلیل منطقی و کارهای چندمرحله‌ای کاربرد دارد.

مثال پرامپت زنجیره‌ای

برای مثال، اگر بخواهیم مسئله‌ای درباره سن افراد را حل کنیم، می‌توانیم از مدل بخواهیم مراحل محاسبه را مشخص کند:

پرامپت: وقتی من ۳ ساله بودم، برادرم سه برابر سن من را داشت. اکنون من ۲۰ ساله هستم. سن فعلی برادرم را مرحله‌به‌مرحله محاسبه کن و پاسخ نهایی را بنویس.

پاسخ هوش مصنوعی :

وقتی شما ۳ ساله بودی، برادرت ۹ ساله بود؛ بنابراین ۶ سال اختلاف سنی دارید. حالا که شما ۲۰ ساله هستم، سن برادرت ۲۶ سال است.

۸. آموزش پرامپت خودسازگاری (Self-Consistency Prompting)

Self-Consistency Prompting یعنی یک مسئله را از چند مسیر مختلف بررسی کنیم و سپس پاسخ‌های به‌دست‌آمده را با هم مقایسه کنیم. در نهایت، پاسخی که بیشتر تکرار شده به‌عنوان نتیجه نهایی انتخاب می‌شود. این روش به کاهش خطاهای موردی کمک می‌کند.

مثال پرامپت خودسازگاری

برای مثال، اگر بخواهیم یک درخواست را دسته‌بندی کنیم، می‌توانیم پرامپت را چند بار اجرا کنیم و نتایج را مقایسه کنیم:

پرامپت: یک ایمیل فرضی برای تیم پشتیبانی دیجی‌کالا بنویس و مشخص کن که مهم است یا غیرمهم.

۹. آموزش پرامپت درخت افکار (Tree of Thoughts Prompting)

Tree of Thoughts یعنی هوش مصنوعی به‌جای دنبال کردن یک مسیر، چند مسیر یا ایده مختلف را بررسی و ارزیابی کند و در نهایت گزینه مناسب‌تر را انتخاب کند. این روش برای مسائلی که چند راه‌حل یا سناریوی قابل‌قبول دارند، کاربردی است.

مثال پرامپت درخت افکار

برای مثال، اگر بخواهیم یک کمپین تبلیغاتی طراحی کنیم، می‌توانیم از مدل بخواهیم چند استراتژی را بررسی و بهترین گزینه را انتخاب کند:

پرامپت: یک کمپین تبلیغاتی طراحی کن. ۳ استراتژی پیشنهاد بده، مزایا و معایب هرکدام را بررسی کن و در نهایت بهترین گزینه را انتخاب کن.

پاسخ هوش مصنوعی 

• استراتژی ۱: تبلیغات شبکه‌های اجتماعی — مزیت: دسترسی گسترده؛ عیب: رقابت بالا.
• استراتژی ۲: همکاری با اینفلوئنسرها — مزیت: اعتماد مخاطب؛ عیب: هزینه بالا.
• استراتژی ۳: تبلیغات محتوایی — مزیت: ماندگاری محتوا؛ عیب: نتیجه‌گیری زمان‌بر.

بهترین گزینه: تبلیغات شبکه‌های اجتماعی؛ زیرا با هزینه مناسب می‌تواند مخاطبان بیشتری را هدف قرار دهد.

۱۰. آموزش پرامپت ReAct؛ ترکیب استدلال و اقدام

ReAct ترکیبی از استدلال (Reasoning) و اقدام (Acting) است. در این روش، مدل در صورت دسترسی به ابزارها، برای جمع‌آوری اطلاعات یا انجام یک کار اقدام می‌کند و سپس بر اساس نتیجه، پاسخ نهایی را ارائه می‌دهد. این روش برای کارهایی که به اطلاعات به‌روز یا داده‌های خارجی نیاز دارند، کاربردی است.

مثال پرامپت ReAct

برای مثال، اگر بخواهیم اطلاعاتی درباره اعضای یک گروه موسیقی به دست آوریم، مدل می‌تواند ابتدا اطلاعات لازم را جست‌وجو و سپس نتیجه را محاسبه کند:

پرامپت: اعضای گروه Metallica در مجموع چند فرزند دارند؟

پاسخ هوش مصنوعی 

ابتدا اطلاعات مربوط به اعضای گروه را بررسی می‌کنم و تعداد فرزندان هرکدام را مشخص می‌کنم. سپس تعداد آن‌ها را با هم جمع کرده و مجموع فرزندان اعضای Metallica را اعلام می‌کنم.

فرایند کلی: پرسش ← بررسی اطلاعات ← اقدام یا جست‌وجو ← دریافت نتیجه ← پاسخ نهایی

بهترین روش پرامپت‌نویسی چیست؟

بهترین روش نوشتن پرامپت به هدف شما و موضوع پرامپت بستگی دارد. ما در این قسمت انواع پرامپت و موارد کاربرد هر کدام را برای شما نوشته‌ایم.

• Zero-Shot: برای درخواست‌های ساده و مشخص.
• One-Shot / Few-Shot: وقتی می‌خواهید مدل از یک الگو یا قالب مشخص پیروی کند.
• System Prompting: برای تعیین قوانین، قالب و نحوه رفتار مدل.
• Role Prompting: برای دریافت پاسخ از یک زاویه دید یا نقش مشخص.
• Contextual Prompting: برای کاهش ابهام با ارائه اطلاعات زمینه‌ای.
• Step-Back، Chain-of-Thought، Self-Consistency و Tree of Thoughts: برای مسائل پیچیده و چندمرحله‌ای.
• ReAct: زمانی که مدل به ابزارهایی مثل جست‌وجوی وب، API یا اجرای کد دسترسی دارد.

نکته مهم: پرامپت‌نویسی حرفه‌ای یعنی انتخاب ساده‌ترین تکنیک متناسب با نیاز، نه استفاده از پیچیده‌ترین روش ممکن.

اصول و قانون طلایی پرامپت نویسی چیست؟

برای نوشتن یک پرامپت خوب، نیازی به خلاقیت خاصی نیست؛ کافی است هفت اصل پایه را رعایت کنید که در همه حوزه‌ها مشترک‌اند. این فرمول را می‌توانید برای هر کاری از نوشتن ایمیل تا برنامه‌نویسی و تولید تصویر به کار بگیرید:

۱. هدف و Task را مشخص کنید

دقیقاً بنویسید چه چیزی می‌خواهید؛ مثلاً به جای اینکه بگویید «یک ایمیل رسمی برای ارسال به مشتری بنویس»، بهتر است این کار را با معرفی نقش خود در مسئله شروع کنید: از دید یک کارشناس امور مشتریان، یک ایمیل رسمی برای ارسال به مشتری بنویس.

۲. Context و اطلاعات لازم را بدهید

اگر داده یا متن مرجعی وجود دارد، آن‌ها را در اختیار هوش مصنوعی قرار دهید تا پاسخ را بر اساس همان اطلاعات بدهد.

۳. مخاطب، نقش یا شرایط اجرا را مشخص کنید

اگر می‌خواهید هوش مصنوعی خود را جای یک فرد (مثلاً مدیرعامل، معلم یا وکیل) بگذارد، حتماً به این موضوع اشاره کنید. لحن پاسخ‌دهی (رسمی، صمیمی، فنی) را نیز باید به‌صورت شفاف مشخص کنید.

۴. خروجی مورد انتظار را دقیق تعریف کنید

مشخص کنید پاسخ باید در چه قالبی باشد؛ یک پاراگراف یا لیست شماره‌دار؟ به چه زبانی؟ خروجی اکسل باشد یا لینک گوگل‌شیت؟

۵. محدودیت‌ها، معیارها و بایدها و نبایدها را مشخص کنید

شرایط را واضح بیان کنید؛ مثلاً «یک متن با سه پاراگراف چهار خطی»، «حداکثر ۱۲۰ کلمه برای هر پاراگراف» یا «صرفاً از منابع معتبر انگلیسی استفاده کن».

۶. در صورت لزوم مثال یا نمونه خروجی بدهید

اگر نمونه مشابهی دارید، آن را ارسال کنید و بگویید ساختار کلی پاسخ باید مشابه نمونه زیر باشد.

۷. پرامپت را اجرا، بررسی و اصلاح کنید

بعد از دریافت اولین پاسخ، اگر احساس کردید خروجی مطلوب نیست، توضیحات یا جزئیات بیشتری بدهید و دوباره امتحان کنید تا به پاسخ مورد نظر برسید.

چطور برای هر موضوعی، خودمان پرامپت بنویسیم؟ به این ۵ سوال جواب بده

هفت اصل بالا یک چارچوب کلی‌اند؛ اما در عمل، وقتی با یک موضوع تازه روبه‌رو می‌شوید، لازم نیست هر بار این هفت اصل را از حفظ مرور کنید. کافی است در لحظه‌ نوشتن پرامپت، از خودتان این پنج سؤال ساده را بپرسید تا اجزای لازم خودشان جلوی چشمتان بیایند.

۱. از خودت بپرس دقیقاً چه کاری می‌خواهم؟

اولین قدم این است که هدف را برای خودتان هم شفاف کنید، نه فقط برای مدل. «کمکم کن بیشتر بفروشم» یک هدف نیست، یک آرزوست؛ اما «یک کپشن تبلیغاتی برای معرفی محصول جدیدم در اینستاگرام بنویس» یک Task مشخص و قابل اجراست. اگر خودتان نتوانید هدف را در یک جمله‌ روشن بیان کنید، مدل هم نمی‌تواند حدس بزند چه می‌خواهید.

۲. مدل برای انجام آن کار چه اطلاعاتی لازم دارد؟

بعد از تعیین هدف، به این فکر کنید که چه دانشی درباره‌ موضوع دارید که مدل ندارد. اگر می‌خواهید ایمیلی برای مشتری بنویسید، مدل نمی‌داند اسم مشتری چیست، مشکل او چه بوده و چه توافقی قبلاً انجام شده؛ این‌ها را باید در پرامپت بگنجانید. هرچه اطلاعات دقیق‌تری بدهید، مدل کمتر مجبور می‌شود چیزی را از خودش بسازد.

۳. خروجی مطلوب من دقیقاً چه شکلی است؟

این سؤال را از خودتان بپرسید تا فرمت را از قبل مشخص کنید. آیا یک پاراگراف کافی است یا لیست شماره‌دار بهتر جواب می‌دهد؟ پاسخ باید فارسی باشد یا انگلیسی؟ نیاز به جدول دارید یا یک متن ساده؟ تصویر ذهنی روشن از خروجی نهایی، نیمی از راه ساختن پرامپت خوب است.

۴. چه محدودیت یا معیاری باید رعایت شود؟

هر تسک معمولاً چند قید دارد که اگر نگویید، مدل رعایتشان نمی‌کند؛ مثل سقف تعداد کلمات، لحن مشخص یا الزام به استفاده از منابع خاص. این سؤال را از خودتان بپرسید تا این قیدها را به پرامپت اضافه کنید.

۵. آیا برای فهم بهتر، مثال لازم است؟

گاهی توضیح‌دادن یک سبک یا قالب با کلمات سخت است، اما نشان‌دادن یک نمونه در چند ثانیه همان منظور را می‌رساند. اگر حس می‌کنید توضیح شما همچنان ممکن است چند برداشت مختلف داشته باشد، یک نمونه‌ کوتاه ضمیمه‌ی پرامپت کنید تا ابهامات از بین برود.

آموزش پرامپت‌نویسی با مثال در هوشا

 پلتفرم هوش مصنوعی هوشا یک محیط یکپارچه برای استفاده از مدل‌های مختلف هوش مصنوعی، ساخت تصویر، ویدیو، موزیک و… با هوش مصنوعی است.

یکی از قابلیت‌های کاربردی هوشا این است که می‌توانید یک پرامپت را با مدل‌های مختلف مانند چت جی پی تی، جمنای، کلود  و… اجرا کنید و پاسخ‌های آن‌ها را با هم مقایسه کنید. سپس بهترین پاسخ را بر اساس عواملی مانند دقت، کیفیت، لحن، سرعت و نوع نیاز خود از بین مدل‌ها انتخاب کنید.

در این بخش، مثال‌های پرامپت‌نویسی را در محیط هوشا اجرا می‌کنیم تا به درک بهتر شما از مفاهیم گفته شده کمک کنیم.

مثال ۱: آموزش پرامپت‌نویسی برای برنامه‌نویسی در هوشا

ما پرامپت زیر را با مدل ChatGPT 5.5 در هوشا تست و نتیجه را دریافت کردیم.

پرامپت مد نظر:

You are an experienced Python developer. Define a function named factorial(n) that takes a non-negative integer n and returns its factorial. Use an iterative loop, include input validation (if n < 0, return None), and add a concise docstring explaining the function. Only write the function code in your answer.

رعایت ۷ اصل پرامپت‌نویسی در مثال برنامه‌نویسی

در این قسمت مشاهده می‌کنید که همان ۷ اصل را خودمان نیز در پرامپت نویسی رعایت کرده‌ایم:

1. هدف و Task: به‌طور مشخص از مدل خواسته شده یک تابع به نام factorial(n) در Python بنویسد که فاکتوریل یک عدد را محاسبه کند.
2. Context و اطلاعات لازم: مشخص شده که ورودی تابع باید یک عدد صحیح نامنفی باشد و نحوه برخورد با عدد منفی نیز تعیین شده است.
3. مخاطب، نقش یا شرایط اجرا: با عبارت «یک توسعه‌دهنده باتجربه Python» نقش و سطح تخصصی مدل مشخص شده است.
4. خروجی مورد انتظار و فرمت آن: از مدل خواسته شده فقط کد تابع را ارائه دهد و توضیح اضافه ننویسد.
5. محدودیت‌ها و معیارها: استفاده از حلقه تکرار، اعتبارسنجی ورودی و اضافه کردن Docstring به‌عنوان معیارهای خروجی تعیین شده‌اند.
6. مثال یا نمونه خروجی: در این مثال ارائه نمونه ضروری نیست، زیرا وظیفه و معیارهای فنی به‌اندازه کافی مشخص هستند.
7. اجرا، بررسی و اصلاح Prompt: پس از اجرای Prompt، می‌توان کد تولیدشده را از نظر درستی محاسبه فاکتوریل، مدیریت ورودی منفی و رعایت قالب خواسته‌شده بررسی کرد و در صورت نیاز دستور را دقیق‌تر کرد.

مثال ۲: آموزش پرامپت‌نویسی تولید تصویر هوشا

اینبار پرامپت زیر را با مدل Nano Banana تست کردیم.

پرامپت:

Create a high-resolution digital painting of a snowy forest at night under a starry sky. In the foreground, depict a lone wolf standing on a rock, howling toward the sky. Use a realistic style with cool blue tones and gentle moonlight highlighting the snow. The image should convey a quiet, mystical atmosphere.

رعایت۷ اصل پرامپت‌نویسی در مثال تصویرسازی یک گرگ در جنگل

1. هدف و Task: هدف، تولید تصویر یک جنگل برفی در شب با یک گرگ در حال زوزه کشیدن است.
2. Context و اطلاعات لازم: جزئیاتی مانند جنگل برفی، آسمان پرستاره، صخره، برف و نور ماه به مدل داده شده است.
3. مخاطب، نقش یا شرایط اجرا: سبک و شرایط بصری تصویر مشخص شده و از مدل خواسته شده تصویری با ظاهر واقع‌گرایانه تولید کند.
4. خروجی مورد انتظار و فرمت آن: خروجی باید یک تصویر دیجیتال با وضوح بالا و سبک واقع‌گرایانه باشد.
5. محدودیت‌ها و معیارها: استفاده از نور ملایم ماه، رنگ‌های سرد و ایجاد فضایی آرام و اسرارآمیز از معیارهای مشخص‌شده هستند.
6. مثال یا نمونه خروجی: در تولید تصویر، نمونه تصویری می‌تواند در صورت نیاز به مدل کمک کند تا سبک، ترکیب‌بندی یا ظاهر مورد نظر بهتر مشخص شود؛ اما در این پرامپت نمونه‌ای ارائه نشده است.
7. اجرا، بررسی و اصلاح Prompt: پس از تولید تصویر باید نتیجه بررسی شود؛ برای مثال، اگر گرگ بیش‌ازحد کوچک باشد یا فضای تصویر به‌اندازه کافی شبانه و برفی نباشد، می‌توان پرامپت را با جزئیات دقیق‌تر اصلاح کرد.

مثال ۳: آموزش پرامپت‌نویسی تولید محتوا درباره پزشکی در هوشا

پرامپت مورد نظر در ChatGPT 5.5:

You are a science communicator writing for a general audience. In about 4–5 short paragraphs, explain how artificial intelligence is used in medicine. Mention at least two specific applications, such as medical imaging and drug discovery, and use simple language without unnecessary technical jargon. Start with a brief overview, then explain the applications, and end with a short conclusion about the future of AI in healthcare.

رعایت ۷ اصل پرامپت‌نویسی در پروژه کاربرد هوش مصنوعی در پزشکی

• هدف و Task: هدف، توضیح کاربردهای هوش مصنوعی در پزشکی در قالب یک متن کوتاه است.
• Context و اطلاعات لازم: موضوع مقاله و دو کاربرد مشخص، یعنی تصویربرداری پزشکی و کشف دارو، به مدل معرفی شده‌اند.
• مخاطب، نقش یا شرایط اجرا: از مدل خواسته شده مانند یک نویسنده یا ارتباط‌دهنده علمی برای مخاطب عمومی بنویسد.
• خروجی مورد انتظار و فرمت آن: متن باید در حدود ۴ تا ۵ پاراگراف کوتاه نوشته شود و ساختار مشخصی داشته باشد.
• محدودیت‌ها و معیارها: استفاده از زبان ساده و پرهیز از اصطلاحات تخصصی غیرضروری از محدودیت‌های Prompt است.
• مثال یا نمونه خروجی: در این مثال ارائه نمونه خروجی ضروری نیست؛ زیرا موضوع، مخاطب، ساختار و سبک متن به‌اندازه کافی مشخص شده‌اند.
• اجرا، بررسی و اصلاح Prompt: متن تولیدشده باید از نظر دقت علمی، سادگی، تعداد پاراگراف‌ها و پوشش کاربردهای خواسته‌شده بررسی شود و در صورت نیاز Prompt اصلاح شود.ش

مثال ۴: تولید طرح معماری

اجرای پرامپت طراحی معماری در هوشا با مدل Nano Banana2

You are an experienced architect. Design a modern two-story villa with a total area of approximately 250 square meters for a family of four. The villa should include three bedrooms, a spacious living room, an open kitchen, a two-car garage, and a large terrace. Adapt the design to a hot and dry climate by incorporating natural ventilation, effective shading, and appropriate use of natural light. Use a minimalist architectural style with exposed concrete, natural wood, and large glass windows. Show the exterior from a three-quarter perspective during late afternoon, with realistic materials, warm lighting, detailed landscaping, and a professional architectural visualization style

رعایت۷ اصل پرامپت‌نویسی در مثال طراحی معماری

1. هدف و Task: هدف، طراحی یک ویلای مدرن دوطبقه با زیربنای حدود ۲۵۰ مترمربع است.
2. Context و اطلاعات لازم: تعداد اعضای خانواده، تعداد اتاق‌ها، متراژ، کاربری فضاها، اقلیم گرم و خشک و متریال مورد استفاده مشخص شده‌اند.
3. مخاطب، نقش یا شرایط اجرا: با تعیین نقش «معمار باتجربه»، نوع نگاه مورد انتظار از مدل مشخص شده است.
4. خروجی مورد انتظار و فرمت آن: از مدل خواسته شده یک تصویر معماری با نمای سه‌ربع، کیفیت بالا و سبک واقع‌گرایانه تولید کند.
5. محدودیت‌ها و معیارها: سبک مینیمال، استفاده از بتن اکسپوز، چوب و شیشه، توجه به سایه‌اندازی، تهویه طبیعی و نورپردازی مشخص شده است.
6. مثال یا نمونه خروجی: در صورت نیاز می‌توان یک یا چند تصویر مرجع از سبک معماری، متریال یا فرم مورد نظر ارائه کرد تا مدل برداشت دقیق‌تری از نتیجه مطلوب داشته باشد.
7. اجرا، بررسی و اصلاح Prompt: پس از تولید تصویر، می‌توان مواردی مانند تعداد طبقات، فرم ساختمان، متریال، نور، زاویه دوربین و تناسب با اقلیم را بررسی و در صورت نیاز Prompt را اصلاح کرد.

اشتباهات رایج در پرامپت‌نویسی

حتی اگر با ابزارهای هوش مصنوعی زیاد کار کرده باشید، ممکن است به دلایلی که در ادامه اشاره خواهیم کرد، به خروجی دلخواهتان نرسید.

۱. درخواست بیش‌ازحد کلی و مبهم

وقتی فقط اصل درخواست را مطرح می‌کنید و جزئیات مهم را کنار می‌گذارید، مدل مجبور است بخش‌هایی را خودش حدس بزند. همین موضوع باعث می‌شود که نتیجه خیلی کلی یا نامرتبط باشد. به‌طور مثال:

• پرامپت ضعیف: یک غذای سالم پیشنهاد بده.
• پرامپت بهتر: یک غذای سالم و سریع با مرغ و سبزیجات برای دو نفر پیشنهاد بده. آماده‌سازی آن کمتر از ۳۰ دقیقه طول بکشد و نیازی به فر نداشته باشد. مواد لازم و مراحل پخت را هم به‌صورت کوتاه بنویس.

۲. مطرح کردن چند درخواست نامرتبط در یک Prompt

گاهی چند کار مختلف را بدون ساختار در یک پیام ارسال می‌کنیم و انتظار داریم هوش مصنوعی همه آن‌ها را با دقت انجام دهد. چنین پرامپتی ممکن است باعث شود بعضی بخش‌ها نادیده گرفته شوند یا پاسخ انسجام لازم را نداشته باشد. به‌طور مثال:

• پرامپت ضعیف: درباره سفر به استانبول بنویس؛ جاهای دیدنی، هزینه‌ها، رستوران‌ها، هتل‌ها، وسایل لازم و برنامه سفر یک‌هفته‌ای را هم توضیح بده.
• پرامپت بهتر: برای یک سفر خانوادگی یک‌هفته‌ای به استانبول، ابتدا ۵ جاذبه مهم را معرفی کن و برای هرکدام یک توضیح کوتاه بده. سپس یک برنامه پیشنهادی ۷ روزه ارائه کن.

۳. حذ‌‌‌‌‌‌‌ف اطلاعات زمینه‌ای

یک درخواست ممکن است به‌ظاهر روشن باشد، اما اگر به شرایط، مخاطب یا هدف اشاره نکنید، پاسخ نهایی با نیاز واقعی شما فاصله خواهد داشت. به‌طور مثال:

• پرامپت ضعیف: یک ایمیل برای جلسه بنویس.
• پرامپت بهتر: یک ایمیل رسمی برای دعوت اعضای تیم به جلسه برنامه‌ریزی پروژه بنویس. جلسه دوشنبه ساعت ۱۰ صبح در اتاق کنفرانس برگزار می‌شود. متن حدود ۱۰۰ کلمه باشد.

۴. ندادن نمونه وقتی سبک یا قالب اهمیت دارد

گاهی خودمان دقیقاً می‌دانیم چه نوع خروجی می‌خواهیم، اما آن را برای هوش مصنوعی توضیح نمی‌دهیم. در چنین شرایطی، ارائه یک نمونه کوتاه می‌تواند الگوی مورد انتظار را برای مدل روشن‌تر کند. به‌طور مثال:

• پرامپت ضعیف: برای یک کافه متن تبلیغاتی بنویس.
• پرامپت بهتر: برای یک کافه محلی، سه متن تبلیغاتی کوتاه بنویس. لحن باید صمیمی و غیررسمی باشد و هر متن حدود ۵۰ کلمه داشته باشد. سبک متن‌ها شبیه نمونه زیر باشد.

۵. درخواست اطلاعات خارج از زمینه یا دسترسی واقعی مدل

هر مدل یا ابزار هوش مصنوعی به تمام اطلاعات موجود در دنیای واقعی دسترسی ندارد؛ بنابراین اگر بدون توجه به ابزار و قابلیت‌های آن، اطلاعات لحظه‌ای بخواهید، احتمال دریافت پاسخ نادرست یا قدیمی وجود دارد. به‌طور مثال:

• پرامپت نامناسب: قیمت بلیت‌های امروز تهران به استانبول را بگو و ارزان‌ترین پرواز امشب را پیدا کن.
• پرامپت مناسب‌تر: برای پیدا کردن یک پرواز اقتصادی تهران به استانبول، چه معیارهایی را باید در نظر بگیرم.

۶. رها کردن پرامپت بعد از اولین پاسخ

پرامپت‌نویسی معمولاً یک فرایند تک ‌مرحله‌ای نیست. اگر پاسخ اولیه دقیقاً مطابق انتظار شما نبود، می‌توانید با بازخورد صحیح، همان خروجی را اصلاح کنید.

• بازخورد ضعیف: خوب نیست، دوباره بنویس.
• بازخورد بهتر: پاسخ را بازنویسی کن؛ این بار جمله‌ها کوتاه‌تر باشند، سه راهکار عملی برای کاهش مصرف آب در خانه اضافه کن و لحن متن را هم برای مخاطب عمومی حفظ کن.

۷. نداشتن ساختار مشخص در پرامپت

حتی وقتی تمام اطلاعات لازم را در اختیار مدل قرار می‌دهید، باید آن‌ها را ساختاردهی کنید. پرامپتی که هدف، محدودیت‌ها و فرمت خروجی را در یک جمله طولانی و نامرتب مطرح می‌کند، برای انسان هم سخت‌ خوانده می‌شود.

• پرامپت ضعیف: درباره ورزش و فوایدش و انواع ورزش و اینکه از کجا شروع کنیم توضیح بده.
• پرامپت بهتر: درباره شروع ورزش برای افراد مبتدی به شکل زیر توضیح بده:

1. سه فایده اصلی ورزش
2. دو ورزش مناسب برای افراد مبتدی
3. سه نکته مهم برای شروع برنامه ورزشی
4. یک برنامه ساده پیشنهادی برای هفته اول

توجه کن که هر بخش باید کوتاه و کاربردی باشد.

جمع‌بندی

در این مقاله یاد گرفتیم پرامپت‌نویسی به معنای نوشتن دستورهای کلیدی و ساختاریافته برای مدل‌های هوش مصنوعی است؛ اما نکته اصلی این است که پرامپت‌نویسی یک فرمول حفظی نیست؛ بلکه یک روش فکر کردن است.

اگر منطق هفت اصل را درک کرده باشید، می‌توانید برای هر کار جدید — حتی ساخت عکس با هوش مصنوعی — اجزای لازم پرامپت را خودتان تشخیص دهید، آن را بسازید و سپس در محیطی مانند هوشا که چند مدل را کنار هم دارد، تست و اصلاح کنید و در نهایت مناسب‌ترین خروجی را انتخاب کنید.