مهندسی پرامپت چیست؟ اموزش پرامپت نویسی حرفه ای

در دنیای امروز، مدل‌های زبانی بزرگ مانند GPT-4 توانسته‌اند نحوه تعامل ما با فناوری را متحول کنند. اما برای بهره‌برداری کامل از این مدل‌ها، لازم است بدانیم چگونه به درستی با آن‌ها ارتباط برقرار کنیم. پرامپت‌نویسی هنر طراحی ورودی‌هایی است که به مدل کمک می‌کند تا پاسخ‌های دقیق‌تر و مرتبط‌تری ارائه دهد. در این مقاله ، کاسب یار با ارائه راهکارهای عملی، به شما کمک می‌کند مهارت‌های پرامپت‌نویسی خود را بهبود بخشید.

مهندسی پرامپت چیست؟

مهندسی پرامپت هنر و علمی است که به طراحی ورودی‌های دقیق و مؤثر برای مدل‌های زبانی می‌پردازد. این فرآیند شامل تهیه دستورالعمل‌ها و پرسش‌هایی است که مدل را به سمت تولید پاسخ‌های مرتبط، دقیق و مورد نیاز هدایت می‌کند. با استفاده از مهندسی پرامپت، می‌توانیم توانایی‌های مدل‌های زبانی را به حداکثر برسانیم و از آن‌ها در حل مسائل پیچیده، تولید محتوای با کیفیت و بهبود تعاملات انسانی و ماشینی بهره ببریم. این مهارت به کاربران امکان می‌دهد تا با ارائه زمینه و دستورالعمل‌های مناسب، نتایج مطلوب‌تری کسب کنند و کارایی مدل‌ها را افزایش دهند.

ساختار کلی یک پرامپت:

به طور کلی برای نوشتن یک پرامپت ساده از ساختار زیر استفاده می کنیم :

شخصیت (Persona):

مشخص کنید که مدل باید چه نقشی ایفا کند. آیا مدل باید مانند یک معلم، متخصص، یا نویسنده حرفه‌ای پاسخ دهد؟ این به تنظیم لحن و عمق پاسخ کمک می‌کند.

زمینه (Context):

اطلاعات یا زمینه‌ای که مدل برای ارائه پاسخ بهتر نیاز دارد. اگر موضوعی خاص یا شرایطی وجود دارد، آن را به‌طور واضح ذکر کنید.

قالب (Format):

فرمت و ساختاری که خروجی باید داشته باشد را مشخص کنید؛ مانند لیست، مقاله، جدول، یا پاراگراف.

لحن (Tone):

لحن و سبک نوشتار مورد نظر را بیان کنید؛ رسمی، غیررسمی، دوستانه، یا طنزآمیز.

دستور (Instruction):

به مدل بگویید که دقیقاً چه کاری انجام دهد. آیا باید توضیح دهد، خلاصه‌سازی کند، یا مثالی بیاورد؟

تکنیک های پرامپت نویسی حرفه ای:

با توجه به ساختار کلی یک پرامپت، تکنیک‌هایی وجود دارند که با به‌کارگیری آن‌ها می‌توانید به خروجی‌های دقیق‌تر و باکیفیت‌تری دست پیدا کنید. در ادامه به چهار جنبه کلیدی در پرامپت‌نویسی می‌پردازیم.که اجرای هر کدام از این جنبه‌ها نیازمند تکنیک‌های خاص هستند که در بخش‌های بعدی به تفصیل آن‌ها را بررسی خواهیم کرد.

نوشتن دستورالعمل‌های واضح

مدل‌های زبانی نمی‌توانند ذهن شما را بخوانند. اگر دستورالعمل‌های شما مبهم یا کلی باشد، مدل ممکن است به نتایج اشتباه یا نامرتبط دست یابد. برای دریافت پاسخ‌های دقیق و مرتبط، باید درخواست‌های خود را به‌طور واضح و شفاف مطرح کنید. این شفافیت به مدل کمک می‌کند تا متوجه نیازهای شما شود و پاسخ‌های دقیق‌تری ارائه دهد.

1. گنجاندن جزئیات در پرسش

برای اینکه پاسخ دقیق‌تر و مرتبط‌تری دریافت کنید، باید در پرسش‌های خود تا حد ممکن جزئیات مرتبط را بیان کنید. این کار به مدل کمک می‌کند تا نیاز شما را بهتر درک کند.

• مثال نامناسب:

“چطور اعداد را در اکسل جمع کنم؟”

• مثال مناسب:

“چگونه می‌توانم در اکسل مجموع یک سطر از مبالغ دلاری را محاسبه کنم و نتیجه را به‌صورت خودکار برای هر سطر در ستون ‘جمع کل’ نمایش دهم؟”

2. از مدل بخواهید یک شخصیت خاص را بپذیرد

در برخی مواقع، می‌توانید از مدل بخواهید که در قالب یک شخصیت خاص یا با یک لحن مشخص پاسخ دهد. این کار به شما کمک می‌کند تا پاسخ‌هایی متناسب با نیاز خود دریافت کنید.

• مثال نامناسب:

“یک یادداشت تشکر بنویس.”

• مثال مناسب:

“به عنوان یک مدیر حرفه‌ای، یک یادداشت تشکر رسمی به مشتری‌ام بنویس.”

3. استفاده از علامت‌های جداکننده برای مشخص کردن بخش‌های مختلف ورودی

گاهی اوقات ورودی‌هایی که به مدل ارائه می‌دهید ممکن است شامل چندین بخش مختلف باشند که هر یک نیاز به پردازش جداگانه دارند. در این موارد، استفاده از علامت‌های جداکننده مانند triple quotes، تگ‌های XML، یا سایر علائم استاندارد می‌تواند به مدل کمک کند تا هر بخش را به‌طور دقیق تفکیک و تحلیل کند. این کار به وضوح دستورالعمل‌ها و درک بهتر مدل از آنچه انتظار دارید، کمک می‌کند.

انواع علامت‌های جداکننده:

1. Triple Quotes (“””)

چرا باید از علامت‌های جداکننده استفاده کنیم؟

استفاده از این علامت‌ها به مدل کمک می‌کند تا هر بخش از ورودی را به‌طور جداگانه پردازش کند. این روش در مواردی که چندین بخش مختلف از داده یا دستورالعمل‌ها به مدل داده می‌شود، اهمیت ویژه‌ای دارد.

مثال‌های کاربردی:

• مثال نامناسب:

“متن زیر را خلاصه کن.”

• مثال مناسب با Triple Quotes:

“””
یک گزارش  که نشان‌دهنده پیشرفت‌های علمی در زمینه تغییرات اقلیمی است.
“””

دستورالعمل به مدل: “متن بالا را خلاصه کن.”

2. تگ‌های XML
   
   تگ‌های XML مانند <tag> و </tag> برای مشخص کردن و تفکیک بخش‌های مختلف ورودی مفید هستند. می‌توان از این تگ‌ها برای تعریف بخش‌های خاصی از ورودی، مانند پاراگراف‌ها، عنوان‌ها، یا بخش‌های محتوا استفاده کرد.

مثال:
xml

<summary>

  این بخش مربوط به خلاصه مطلب است.

</summary>

مثال با تگ XML برای مقایسه دو مقاله:

<article1>

  این مقاله در مورد تغییرات اقلیمی و اثرات آن بر حیات وحش است.

</article1>

<article2>

  این مقاله بررسی می‌کند که چگونه فناوری‌های نوین می‌توانند تغییرات اقلیمی را کاهش دهند.

</article2>

دستورالعمل به مدل: “هر دو مقاله را خلاصه کن و بگو کدامیک دلایل بهتری ارائه می‌دهد.”

مثال مناسب با تگ XML:

<text>

  این گزارش نشان‌دهنده پیشرفت‌های علمی در زمینه تغییرات اقلیمی است.

</text>

دستورالعمل به مدل: “متن داخل تگ <text> را خلاصه کن.”

3. تگ‌های HTML
   
   تگ‌های HTML نیز برای ساختاربندی ورودی‌ها کاربرد دارند. می‌توانید از تگ‌های HTML مانند <h1>, <p>, <ul> برای تعیین ساختار ورودی استفاده کنید.

مثال:

<h1>عنوان اصلی</h1>

<p>این پاراگراف توضیحات را در بر دارد.</p>

4. مراحل لازم برای انجام یک وظیفه را مشخص کنید

اگر یک وظیفه شامل چندین مرحله است، بهتر است این مراحل را به‌طور واضح بیان کنید یا ابتدا از خود هوش مصنوعی بخواهید مراحل رو بنویسه و بعد شروع کنید به هر مرحله جدا بپردازید. تا مدل بتواند آن‌ها را به ترتیب انجام دهد. این کار باعث می‌شود مدل بهتر بتواند وظایف پیچیده را مدیریت کند.

• مثال نامناسب:

“یک گزارش بنویس.”

• مثال مناسب:

“ابتدا مقدمه‌ای درباره تأثیرات تغییرات اقلیمی بنویس. سپس بخش دوم را به توضیح راه‌حل‌های مختلف اختصاص بده و در نهایت نتیجه‌گیری را ارائه کن.”

5. به هوش مصنوعی نمونه مثال نشان دهید

ارائه مثال‌های مشخص به مدل می‌تواند به درک بهتر نیازهای شما کمک کند. این تکنیک به‌ویژه زمانی مفید است که شما نیاز به یک پاسخ خاص دارید یا انتظار دارید مدل از سبک خاصی پیروی کند.

• مثال نامناسب:

“لطفاً در مورد موفقیت توضیح بده.”

• مثال مناسب:

“در مورد موفقیت توضیح بده و از این سبک مثل: ‘موفقیت همانند یک سفر طولانی است که هر قدم آن با چالش‌ها و دستاوردهای کوچک همراه است، نه یک مقصد نهایی که یک‌شبه به آن می‌رسی.'”استفاده کن

6. طول مورد نظر خروجی را مشخص کنید

مشخص کردن تعداد کلمات، جملات یا پاراگراف‌هایی که انتظار دارید مدل تولید کند، می‌تواند به شما کمک کند تا پاسخ‌های دقیق‌تری دریافت کنید. این کار مخصوصاً در مواردی که شما محدودیت‌های خاصی دارید، مفید است.

• مثال نامناسب:

“این متن را خلاصه کن.”

• مثال مناسب:

“این متن را در دو پاراگراف خلاصه کن.”

2. ارائه متن مرجع

توضیح: مدل‌های زبانی گاهی ممکن است اطلاعات نادرست یا جعلی ارائه دهند، به‌ویژه در مواردی که موضوع پیچیده یا خاص باشد. یکی از راه‌های جلوگیری از این مشکل، ارائه یک متن مرجع است. این کار باعث می‌شود که مدل بتواند به اطلاعات دقیق و معتبر دسترسی داشته باشد و بر اساس آن‌ها پاسخ دهد.

1. از مدل بخواهید با استفاده از متن مرجع پاسخ دهد

با ارائه یک متن مرجع، می‌توانید از مدل بخواهید که تنها از این متن برای پاسخ‌دهی استفاده کند. این کار باعث کاهش خطر پاسخ‌های نادرست می‌شود و مدل را به منابع معتبر هدایت می‌کند.

• مثال:

متن مرجعی که شما می دهید:
“””مقاله ای طولانی گرفته شده از یک منبع در مورد فواید قهوه.”””

دستور به مدل:
“باتوجه به متن مرجع، خلاصه‌ای از فواید قهوه ارائه بده.”

پاسخ مدل:
“قهوه می‌تواند باعث بهبود هوشیاری و تمرکز شود و همچنین خطر ابتلا به دیابت نوع 2 و بیماری‌های قلبی را کاهش دهد. علاوه بر این، قهوه دارای آنتی‌اکسیدان‌های مفیدی است.”

3. تقسیم وظایف پیچیده به زیروظایف ساده‌تر

توضیح: وظایف پیچیده معمولاً باعث ایجاد خطا و اشتباهات بیشتری در مدل‌های زبانی می‌شوند. یکی از بهترین روش‌ها برای بهبود نتایج این است که وظایف پیچیده را به بخش‌های ساده‌تر و قابل مدیریت تقسیم کنید. این کار نه تنها به مدل کمک می‌کند که بهتر به وظایف پاسخ دهد، بلکه دقت و کارایی نتایج را نیز بهبود می‌بخشد.

1. شناسایی هدف اصلی و تفکیک دستورالعمل‌ها

وقتی کاربر درخواست پیچیده‌ای ارائه می‌دهد که با اینکه هوش مصنوعی نیازی به دادن توضیحات زیادی ندارد ولی شامل چندین هدف یا بخش است، مدل زبانی ممکن است به‌درستی متوجه نشود که کدام بخش مهم‌تر است یا از کجا شروع کند. برای بهبود عملکرد، ابتدا باید هدف یا بخش اصلی درخواست را شناسایی کرده و سپس دستورالعمل‌های لازم برای پاسخ‌دهی به هر بخش را تفکیک کنید.

مثال:

• مثال نامناسب:

“اینترنت من کار نمی‌کند و همچنین می‌خواهم درباره نحوه تغییر پلن اشتراکم بدانم.”

• مثال مناسب:

دستور اول به مدل: “ابتدا مشکل کاربر در زمینه اتصال به اینترنت را بررسی کن. 

دستور دوم به مدل:اگر مشکل رفع شد، سپس درباره تغییر پلن اشتراک راهنمایی کن.”

2. تقسیم کردن نوشتن اسناد طولانی

مدل‌های زبانی ظرفیت محدودی برای نوشتن متن‌های بلند دارند و توانایی نوشتن متون طولانی را ندارند. برای حل این مشکل، می‌توانید دستوراتی که در ان از هوش مصنوعی متون طولانی می خواهید را به چند  دستور  تقسیم کنید که در ان هوش مصنوعی نیار به نوشتن متون طولانی ندارد و هر بخش را به‌طور جداگانه نوشته شود. سپس بخش ها را با هم ترکیب کنید تا یک متنی جامع به دست آید.

• مثال:

نوشتن یک مقاله:

دستور اول به مدل: “ابتدا یک مقدمه برای موضوع ‘تأثیر تغییرات اقلیمی’ بنویس

دستور دوم مدل : سپس پاراگراف دوم را به توضیح مشکلات ناشی از آن اختصاص بده

دستور سوم به مدل: و در نهایت، نتیجه‌گیری را در مورد راه‌حل‌های ممکن بنویس.”

بیشتر بخوانید: راهنمای گام‌به‌گام نوشتن انواع مقاله با هوش مصنوعی (ChatGPT)

4. دادن زمان به مدل برای “فکر کردن”

توضیح: مدل‌های زبانی مانند انسان‌ها وقتی زمان بیشتری برای فکر کردن دارند، می‌توانند پاسخ‌های دقیق‌تر و درست‌تری ارائه دهند. اگر به مدل اجازه دهید که ابتدا راه‌حل را به‌طور کامل بررسی کند و سپس پاسخ دهد، نتایج بهتری خواهید گرفت. گاهی می‌توانید از مدل بخواهید که پیش از ارائه نتیجه، ابتدا مراحل حل مسئله را بیان کند تا فرآیند فکری خود را روشن‌تر کند.

1. از مدل بخواهید راه‌حل خود را قبل از نتیجه‌گیری بررسی کند

اگر از مدل بخواهید که پیش از ارائه پاسخ نهایی، به‌طور کامل راه‌حل مسئله را بررسی کند، می‌توانید از اشتباهات ناشی از عجله در پاسخ جلوگیری کنید. این کار به مدل کمک می‌کند تا به نتیجه‌ای دقیق‌تر دست یابد.

• مثال:

دستورالعمل به مدل: “ابتدا مراحل حل مسئله را برای خودت توضیح بده، سپس نتیجه‌گیری کن.”

پرسش: “من یک پروژه نصب پنل‌های خورشیدی دارم و باید هزینه‌ها را محاسبه کنم. هزینه زمین 100 دلار در هر فوت مربع است. پنل‌ها 250 دلار در هر فوت مربع قیمت دارند و هزینه نگهداری سالانه 100 هزار دلار به‌علاوه 10 دلار در هر فوت مربع است. هزینه کل برای سال اول چقدر است؟”

پاسخ مدل:
“ابتدا هزینه زمین را حساب می‌کنیم: 100x
سپس هزینه پنل‌ها: 250x
سپس هزینه نگهداری: 100,000 + 10x
در نتیجه هزینه کل برای سال اول: 360x + 100,000″

2. استفاده از مونولوگ داخلی برای پنهان کردن فرآیند تفکر مدل

در برخی از موارد ممکن است نیازی نباشد که مدل فرآیند فکری خود را به کاربر نشان دهد. در این مواقع، می‌توان از مدل خواست که فرآیند تفکر خود را به‌صورت مونولوگ داخلی ثبت کند و تنها پاسخ نهایی را به کاربر ارائه دهد.

• مثال:

دستورالعمل به مدل: “فرآیند حل مسئله را برای خودت در triple quotes بنویس و سپس نتیجه نهایی را به کاربر ارائه کن.”

پرسش: “مسئله مالی پروژه نصب پنل‌های خورشیدی را حل کن.”

پاسخ مدل:
“””
ابتدا هزینه زمین را محاسبه می‌کنیم: 100x
سپس هزینه پنل‌ها: 250x
در نهایت هزینه نگهداری: 100,000 + 10x
“”” “هزینه کل برای سال اول: 360x + 100,000”

3. از مدل بخواهید بررسی کند که آیا نکته‌ای را از دست داده است

اگر مدل در مراحل قبلی از بررسی دقیق جزئیات غفلت کرد، می‌توانید از آن بخواهید دوباره بررسی کند تا مطمئن شود هیچ نکته‌ای از قلم نیفتاده است. این کار به مدل فرصت می‌دهد تا اشتباهات احتمالی خود را اصلاح کند.

4. در مقاله های طولانی از مدل درخواست کنید خلاصه ی انچه که گذشت را برای شما بنویسد

زمانی که گفت گوی شما با هوش مصنوعی زیاد می شود گاهی اوقات هوش مصنوعی نکات مهم رو فراموش میکند بو با این کار هوش مصنوعی مجدد نکات مهم گفت و گوی شما را به یاد می ارد و بازدهی بهتری به شما می دهد.

نتیجه‌گیری:

پرامپت‌نویسی یکی از مهارت‌های کلیدی در تعامل با مدل‌های زبانی مانند GPT است که می‌تواند به‌طور مستقیم بر کیفیت و دقت پاسخ‌ها تأثیر بگذارد. با استفاده از استراتژی‌ها و تکنیک‌هایی که در این مقاله مورد بحث قرار گرفتند—از جمله نوشتن دستورالعمل‌های دقیق، استفاده از متن مرجع، و تقسیم وظایف پیچیده به بخش‌های کوچک‌تر—می‌توان به‌طور قابل‌توجهی خروجی‌های بهتر و مرتبط‌تری از مدل‌ها دریافت کرد.

مدل‌های زبانی نمی‌توانند ذهن شما را بخوانند؛ بنابراین هرچه جزئیات بیشتری در پرامپت‌های خود ارائه دهید و اهداف و نیازهای خود را واضح‌تر بیان کنید، مدل بهتر خواهد توانست شما را در دستیابی به نتایج دلخواه یاری کند. همچنین با آزمایش منظم تغییرات و مقایسه نتایج با پاسخ‌های استاندارد، می‌توانید به بهبود مستمر سیستم خود کمک کنید.

پرامپت‌نویسی به همان اندازه که علم است، هنر نیز هست. هرچه بیشتر با این تکنیک‌ها کار کنید و آزمایش کنید، بهتر خواهید توانست از پتانسیل کامل مدل‌های زبانی بهره‌برداری کنید. با پیروی از این راهکارها، شما نه تنها به درک عمیق‌تری از توانایی‌های مدل دست خواهید یافت، بلکه تجربه کاربری خود را نیز بهبود خواهید بخشید.

منبع: openai.com