آموزش پرامپت نویسی از صفر؛ اصول مهندسی پرامپت با مثال

آموزش پرامپت نویسی اولین قدم برای گرفتن پاسخ دقیق از هوش مصنوعی است. بیشتر ما کار با ChatGPT یا مدل‌های مشابه را با یک سؤال ساده شروع می‌کنیم. گاهی جواب عالی است و گاهی کاملاً بی‌ربط. تفاوت این دو حالت معمولاً به مدل برنمی‌گردد؛ به متنی برمی‌گردد که برایش نوشته‌ایم.

در این مقاله یاد می‌گیرید مدل زبانی پرامپت را چطور می‌خواند و یک پرامپت از چه بخش‌هایی ساخته می‌شود. سپس می‌بینید چطور با مثال، نشانه و قالب، خروجی قابل‌پیش‌بینی بگیرید. این متن قسمت اول از مجموعه‌ی بیست‌قسمتی «از پرامپت تا دستیار هوش مصنوعی» است. در پایان هر بخش هم یک تمرین کوچک برای پروژه‌ی مشترک مجموعه داریم.

مهندسی پرامپت چیست و چرا اهمیت دارد؟

هوش مصنوعی مولد می‌تواند متن، تصویر، صدا و کد تازه بسازد. این کار را با مدل‌های زبانی بزرگ (LLM) انجام می‌دهد. شما یک متن ورودی می‌فرستید که به آن «پرامپت» می‌گویند و مدل یک پاسخ برمی‌گرداند. بعد می‌توانید در چند نوبت گفت‌وگو، درخواست را اصلاح کنید تا پاسخ به خواسته‌تان نزدیک شود.

به همین دلیل پرامپت عملاً «رابط برنامه‌نویسی» هوش مصنوعی مولد شده است.

پرامپت را مثل سفارش دادن به آشپز یک رستوران در نظر بگیرید. اگر فقط بگویید «یک غذای خوب»، هر چیزی ممکن است برسد. اما اگر غذا، تندی و اندازه را بگویید، بشقاب به خواسته‌تان نزدیک می‌شود. البته آشپز هنوز ممکن است اشتباه کند؛ پرامپت خوب احتمال خطا را کم می‌کند، نه صفر.

بنابراین مهندسی پرامپت یعنی طراحی و بهینه‌سازی همین ورودی‌ها تا در مقیاس بالا هم پاسخ ثابت و باکیفیت بگیریم. این کار دو مرحله دارد. اول پرامپت اولیه را برای یک هدف مشخص طراحی می‌کنید. سپس آن را مرحله‌به‌مرحله اصلاح می‌کنید تا کیفیت پاسخ بهتر شود.

نقشه‌ی تصویری زیر کل مسیر این درس را نشان می‌دهد. مسیر از مفاهیم پایه و چالش‌ها شروع می‌شود و به ساختار پرامپت و بهترین روش‌ها می‌رسد.

مدل زبانی پرامپت را چطور می‌بیند؟

برای اینکه بفهمیم چرا نوع نوشتن پرامپت این‌قدر مهم است، باید سه مفهوم پایه را بشناسیم. این سه مفهوم نشان می‌دهند مدل متن را چطور می‌بیند و پردازش می‌کند. همچنین روشن می‌کنند مدل چطور «دستور» را از «سؤال» تشخیص می‌دهد.

توکن‌سازی؛ اولین قدم در آموزش پرامپت نویسی

مدل زبانی متن شما را مستقیم نمی‌خواند. اول آن را به قطعه‌های کوچکی به نام «توکن» (Token، واحد پایه‌ی متن برای مدل) تقسیم می‌کند.

این کار شبیه هجی کردن کلمه‌ها برای کودکی است که تازه خواندن یاد می‌گیرد. البته مرز توکن‌ها لزوماً با هجاها یکی نیست. مدل این مرزها را از روی آمار متن‌ها یاد گرفته است. یک توکن می‌تواند یک کلمه، بخشی از کلمه یا حتی یک علامت نگارشی باشد. مدل روی توکن‌ها آموزش دیده است، نه روی متن خام.

نکته‌ی مهم اینجاست که مدل‌های مختلف یک جمله را به شکل‌های متفاوتی توکن می‌کنند. فاصله‌ها، علامت‌ها و حتی زبان متن روی تعداد توکن‌ها اثر دارد. متن فارسی معمولاً توکن‌های بیشتری از معادل انگلیسی‌اش مصرف می‌کند. این موضوع هم روی هزینه اثر می‌گذارد و هم روی طول متنی که مدل همزمان می‌تواند ببیند.

برای دیدن این فرایند می‌توانید متن خود را در ابزار Tokenizer شرکت OpenAI بچسبانید. تصویر زیر نشان می‌دهد یک جمله چطور به توکن‌های رنگی تقسیم می‌شود.

مدل پایه فقط ادامه‌ی متن را حدس می‌زند

بعد از توکن‌سازی، مدل پایه (Base Model، مدلی که فقط روی متن خام آموزش دیده) یک کار اصلی دارد: پیش‌بینی توکن بعدی.

این رفتار شبیه پیشنهاد کلمه‌ی بعدی در صفحه‌کلید گوشی است. تفاوت در مقیاس است؛ مدل به‌جای چند کلمه‌ی قبلی، هزاران توکن قبلی را در نظر می‌گیرد. این مدل روی حجم عظیمی از متن آموزش دیده و رابطه‌ی آماری میان توکن‌ها را می‌شناسد. بنابراین می‌تواند با اطمینان نسبی حدس بزند چه کلمه‌ای باید بیاید.

اما مدل پایه معنای جمله را به شکل انسانی «نمی‌فهمد». فقط الگویی می‌بیند و آن را کامل می‌کند. اگر ابتدای یک شعر معروف را بنویسید، احتمالاً ادامه‌ی شعر را تحویل می‌گیرید، نه تحلیل آن را. این رفتار برای کارهای دقیق کافی نیست.

مدل‌های دستورپذیر چه فرقی دارند؟

مدل دستورپذیر (Instruction-Tuned) همان مدل پایه است که دوباره با نمونه‌های «دستور و پاسخ» آموزش دیده است. در این مرحله از روش‌هایی مثل یادگیری تقویتی با بازخورد انسانی (RLHF) استفاده می‌شود. نتیجه مدلی است که دستور را دنبال می‌کند و از بازخورد یاد می‌گیرد.

مدل پایه را کسی تصور کنید که فقط کتاب زیاد خوانده است. در مقابل، مدل دستورپذیر همان فرد است که دوره‌ی کارآموزی دیده و یاد گرفته به درخواست مشتری دقیق جواب بدهد.

برای مثال، فرض کنید یک متن علمی درباره‌ی سیاره‌ی مشتری دارید. اگر در پیام سیستمی (System Message، دستور ثابتی که رفتار کلی دستیار را تعیین می‌کند) بنویسید «این متن را برای دانش‌آموز کلاس دوم در یک پاراگراف و سه تا پنج بولت خلاصه کن»، خروجی دقیقاً با همین قالب برمی‌گردد. معلم می‌تواند همان پاسخ را مستقیم در اسلاید کلاس بگذارد.

سه چالش که پرامپت خوب را ضروری می‌کند

مدل‌های امروزی قدرتمندند، اما سه ویژگی دارند که گرفتن پاسخ ثابت را سخت می‌کند. مهندسی پرامپت دقیقاً برای مدیریت همین ویژگی‌ها به وجود آمده است:

• پاسخ‌ها تصادفی‌اند: یک پرامپت یکسان در مدل‌های مختلف، و حتی در یک مدل در زمان‌های مختلف، جواب متفاوت می‌دهد. دستور دقیق این تفاوت را محدود می‌کند.
• مدل ممکن است جواب بسازد: مدل با داده‌های محدود آموزش دیده است. وقتی جواب را نمی‌داند، ممکن است متنی قانع‌کننده اما نادرست تولید کند. به این رفتار «ساختن پاسخ» یا توهم می‌گویند.
• توانایی مدل‌ها یکسان نیست: مدل‌های جدیدتر قوی‌ترند، اما هزینه و رفتار خاص خودشان را دارند. پرامپت خوب کمک می‌کند روش کارتان به یک مدل خاص وابسته نماند.

برای آزمایش مورد دوم، درسنامه‌ی مایکروسافت از مدل‌ها خواسته بود برای «جنگ مریخ در سال ۲۰۷۶» طرح درس بنویسند. چنین رویدادی وجود ندارد، اما هر سه پاسخ آزمایش‌شده (از سه سرویس مختلف) طرح درسی کاملاً باورپذیر بودند. پس اگر به منبع و راه خروج فکر نکنید، مدل با اطمینان کامل اشتباه می‌کند.

بیشتر بخوانید: پرامپت خوب چه ویژگی‌هایی دارد؟ ۷ اصل نوشتن پرامپت با مثال

ساختار پرامپت؛ از ساده تا پیچیده

حالا که می‌دانیم مدل پرامپت را چطور پردازش می‌کند، سراغ ساختن آن می‌رویم. پرامپت‌ها از یک جمله‌ی ساده شروع می‌شوند و تا یک گفت‌وگوی چندپیامی با قالب خروجی مشخص پیش می‌روند.

پرامپت ساده

پرامپت ساده فقط یک متن است، بدون هیچ زمینه یا دستوری. مثلاً چند کلمه‌ی اول یک سرود معروف را می‌فرستید و مدل بلافاصله ادامه‌اش را می‌نویسد. این همان رفتار «پیش‌بینی ادامه» است که بالاتر دیدیم.

این نوع پرامپت برای پرسش‌های عمومی بد نیست. اما کنترل کمی به شما می‌دهد. مدل خودش تصمیم می‌گیرد چه بخشی از دانسته‌هایش مرتبط است و خروجی را در چه قالب و طولی بنویسد.

پرامپت چندپیامی با پیام سیستمی

در رابط‌های گفت‌وگومحور، پرامپت مجموعه‌ای از پیام‌هاست. پیام سیستمی شخصیت و رفتار دستیار را تعیین می‌کند. پیام‌های کاربر و پاسخ‌های قبلی دستیار هم زمینه‌ی گفت‌وگو را می‌سازند. به این ترتیب مدل سؤال بعدی را در بستر همان گفت‌وگو می‌فهمد.

این ساختار شبیه پرونده‌ی بیمار در یک مطب است؛ پزشک با دیدن پرونده می‌فهمد «همان مشکل قبلی» یعنی چه. در کد زیر هم سؤال آخر («کجا برگزار شد؟») بدون پیام‌های قبلی معنایی ندارد. با این حال مدل با دیدن تاریخچه می‌فهمد منظور کدام مسابقه است. برای اجرای کد، کتابخانه‌ی openai را نصب کنید و کلید API را در متغیر محیطی OPENAI_API_KEY بگذارید:

from openai import OpenAI

client = OpenAI()  # کلید را از OPENAI_API_KEY می‌خواند

response = client.responses.create(
    model="gpt-5-mini",
    input=[
        {"role": "system", "content": "You are a helpful assistant."},
        {"role": "user", "content": "Who won the world series in 2020?"},
        {"role": "assistant", "content": "The Los Angeles Dodgers won the World Series in 2020."},
        {"role": "user", "content": "Where was it played?"}
    ]
)
print(response.output_text)

تغییر پیام سیستمی گاهی به اندازه‌ی خود سؤال کاربر روی کیفیت پاسخ اثر دارد. برای همین در پروژه‌های واقعی، پیام سیستمی را با دقت می‌نویسند و نسخه‌بندی می‌کنند.

پرامپت دستوری

در پرامپت دستوری، کار را با جزئیات کامل مشخص می‌کنید. هرچه دستور دقیق‌تر باشد، خروجی قابل‌پیش‌بینی‌تر می‌شود. جدول زیر سه سطح از یک درخواست درباره‌ی جنگ داخلی آمریکا را مقایسه می‌کند.

سطح سوم حتی قالب JSON را هم تعیین کرده است. چنین خروجی‌ای را می‌توان مستقیم در یک برنامه استفاده کرد.

محتوای اصلی؛ مثال، نشانه و قالب

در الگوی «محتوای اصلی»، پرامپت دو بخش دارد: یک دستور و محتوایی که دستور روی آن اجرا می‌شود. مثلاً یک متن درباره‌ی مشتری می‌آورید و در پایانش می‌نویسید «این را در دو جمله خلاصه کن». از همین محتوا به سه شکل می‌توان برای هدایت بهتر مدل استفاده کرد.

یادگیری با مثال (zero-shot و few-shot)

به‌جای اینکه فقط بگویید چه کاری انجام شود، چند نمونه از خروجی دلخواه را نشان می‌دهید. مدل الگو را از روی نمونه‌ها تشخیص می‌دهد. اگر هیچ نمونه‌ای ندهید zero-shot است، با یک نمونه one-shot و با چند نمونه few-shot.

مثال درسنامه جالب است. چند جمله‌ی ورزشی می‌آید و جلوی هر کدام نام ورزش: «بازیکن دور پایگاه‌ها دوید» می‌شود بیسبال و «بازیکن شش امتیاز گرفت» می‌شود کریکت. در انتها فقط یک جمله‌ی تازه بدون جواب می‌آید: «بازیکن توپ را محکم در سبد کوبید». در نتیجه مدل بدون هیچ دستور صریحی می‌فهمد باید نام ورزش را بنویسد و پاسخ می‌دهد بسکتبال.

این روش شبیه آموزش کارمند تازه‌وارد یک مغازه است؛ به‌جای توضیح طولانی، دو فاکتور نمونه نشانش می‌دهید و او بقیه را به همان شکل می‌نویسد. در عمل، کار را با zero-shot شروع کنید. اگر خروجی قالب یا لحن درستی نداشت، دو یا سه نمونه اضافه کنید. همین کار ساده اغلب بیشتر از بازنویسی چندباره‌ی دستور اثر دارد.

نشانه (cue) برای شروع پاسخ

روش دوم دادن «نشانه» است. به‌جای نمونه، ابتدای پاسخ را خودتان می‌نویسید و مدل همان مسیر را ادامه می‌دهد. مثلاً بعد از متن و دستور «خلاصه کن»، می‌نویسید «سه نکته‌ی مهمی که یاد گرفتیم:» و مدل پاسخ را به شکل فهرست سه‌تایی کامل می‌کند.

نشانه مثل نوشتن «جناب آقای…» در اول یک نامه است؛ هر کس ادامه‌اش را بنویسد، لحن رسمی را حفظ می‌کند. نشانه به‌خصوص وقتی مفید است که قالب ثابتی می‌خواهید، اما نمی‌خواهید پرامپت با نمونه‌های طولانی سنگین شود. نتیجه‌ی همین روش در تصویر زیر دیده می‌شود؛ پیام سیستمی و نشانه، خلاصه را به فهرست کوتاه و ساده تبدیل کرده‌اند.

قالب پرامپت برای استفاده‌ی دوباره

قالب پرامپت یک «دستور پخت» آماده است که جای خالی دارد. مثلاً «برای [مخاطب] درباره‌ی [موضوع] یک طرح درس [تعداد] جلسه‌ای بنویس». هر بار فقط متغیرها را عوض می‌کنید و بقیه‌ی ساختار ثابت می‌ماند.

ارزش واقعی قالب‌ها در ساختن «کتابخانه‌ی پرامپت» برای یک حوزه‌ی مشخص است. مخزن Prompts for Edu مایکروسافت نمونه‌ی خوبی است که پرامپت‌های آموزشی مثل طراحی درس و تدریس خصوصی را یکجا جمع کرده است. علاوه بر این، ابزارهایی مثل LangChain (کتابخانه‌ای برای ساخت برنامه‌های مبتنی بر مدل زبانی) امکان پرکردن خودکار این جای خالی‌ها را از داده‌های مختلف فراهم می‌کنند.

محتوای پشتیبان؛ زمینه‌ای که خروجی را جهت می‌دهد

اگر دستور را «کار» و محتوای اصلی را «هدف» بدانیم، محتوای پشتیبان زمینه‌ای است که شکل خروجی را تنظیم می‌کند. این زمینه می‌تواند دسته‌بندی موضوعی، قواعد قالب‌بندی یا فهرست اولویت‌ها باشد.

فرض کنید فهرست کامل دوره‌های یک آموزشگاه را دارید. دستور می‌دهید «فهرست دوره‌های پاییز را خلاصه کن». با محتوای اصلی چند نمونه خلاصه نشان می‌دهید. با محتوای پشتیبان هم پنج برچسب مهم را مشخص می‌کنید. حالا مدل خلاصه را در قالب نمونه‌ها می‌نویسد و هنگام انتخاب، آن پنج برچسب را در اولویت قرار می‌دهد.

بهترین روش‌های پرامپت نویسی

پرامپت نویسی بیشتر به تجربه و آزمون‌وخطا شبیه است تا یک فرمول ثابت. با این حال، هشت روش زیر در بیشتر پروژه‌ها جواب داده‌اند:

• مدل‌های جدید را ارزیابی کنید: نسل‌های تازه معمولاً کیفیت بهتری دارند، اما هزینه‌شان هم ممکن است بیشتر باشد. قبل از مهاجرت، اثرشان را بسنجید.
• دستور و زمینه را جدا کنید: با جداکننده‌هایی مثل سه خط تیره یا تگ، مرز دستور و محتوا را مشخص کنید تا مدل وزن هر بخش را درست تشخیص دهد.
• دقیق و روشن بنویسید: زمینه، نتیجه‌ی مورد انتظار، طول، قالب و لحن را بگویید.
• مثال بزنید: اول zero-shot را امتحان کنید و اگر لازم شد چند نمونه اضافه کنید.
• با نشانه شروع کنید: چند کلمه‌ی اول پاسخ را بنویسید تا مدل مسیر را پیدا کند.
• تأکید را تکرار کنید: گاهی لازم است دستور را قبل و بعد از محتوا تکرار کنید.
• به ترتیب اطلاعات دقت کنید: جای قرارگرفتن اطلاعات در پرامپت روی خروجی اثر دارد؛ ترتیب‌های مختلف را امتحان کنید.
• یک راه خروج بدهید: بگویید اگر جواب را نمی‌داند چه بنویسد. این کار احتمال پاسخ ساختگی را کم می‌کند.

این روش‌ها نقطه‌ی شروع‌اند، نه قانون قطعی. نتیجه به مدل، نوع کار و حوزه‌ی شما بستگی دارد. پس هر روش را روی داده‌ی واقعی خودتان آزمایش کنید و نتیجه‌ها را یادداشت کنید تا کم‌کم کتابخانه‌ی پرامپت خودتان را بسازید.

برای دیدن این اصول در عمل، پرامپت‌های آماده‌ی سایت را امتحان کنید؛ هر پرامپت ورودی قابل تغییر و معیار ارزیابی دارد.

بیشتر بخوانید: ۱۰ پرامپت تولید محتوا برای نوشتن مقاله و آموزش فارسی

تمرین عملی آموزش پرامپت نویسی؛ دستیار پاسخ‌گوی دوره‌ها

پروژه‌ی مشترک این مجموعه دستیاری است که به کاربران در انتخاب دوره و پیدا کردن محتوای آموزشی کمک می‌کند. در این قسمت فقط پرامپت پایه‌ی آن را می‌سازیم:

1. یک درخواست مبهم بنویسید؛ مثلاً «یک دوره‌ی خوب پیشنهاد بده».
2. مخاطب، اطلاعات مرجع (فهرست چند دوره) و قالب پاسخ را به آن اضافه کنید.
3. هر دو نسخه را روی پنج سؤال یکسان اجرا کنید و پاسخ‌ها را کنار هم بگذارید.

برای نمونه، نسخه‌ی کامل‌شده‌ی پرامپت مرحله‌ی دوم می‌تواند این شکل باشد (نام دوره‌ها نمونه فرضی است):

تو مشاور آموزشی یک آموزشگاه آنلاین هستی و به مبتدی‌ها کمک می‌کنی.
فقط از فهرست دوره‌های زیر پیشنهاد بده.
---
۱. مبانی پایتون (۲۰ ساعت، مبتدی)
۲. تحلیل داده با Google Sheets (۱۲ ساعت، مبتدی)
۳. یادگیری ماشین کاربردی (۴۰ ساعت، متوسط)
---
پاسخ را در سه بولت بده: نام دوره، دلیل پیشنهاد، پیش‌نیاز.
اگر هیچ دوره‌ای مناسب نبود، بنویس «دوره‌ی مناسبی در فهرست نیست».
سؤال کاربر: من حسابدارم و می‌خواهم گزارش‌هایم را سریع‌تر بسازم.

این پرامپت هر چهار جزء درس را دارد: نقش و مخاطب، محتوای مرجع جداشده با خط تیره، قالب خروجی و راه خروج. خروجی این تمرین یک قالب پرامپت قابل‌استفاده‌ی دوباره است، همراه با پنج نمونه پاسخ. در قسمت‌های بعدی همین قالب را کامل‌تر می‌کنیم و در نهایت آن را به یک دستیار واقعی تبدیل می‌کنیم.

سخن پایانی

آموزش پرامپت نویسی با یک نکته‌ی ساده شروع می‌شود: مدل ذهن شما را نمی‌خواند، فقط متن شما را می‌خواند. وقتی بدانید مدل متن را توکن می‌کند، ادامه را پیش‌بینی می‌کند و به دستور واکنش نشان می‌دهد، راحت‌تر می‌فهمید چرا یک پرامپت کار می‌کند و دیگری نه.

از امروز هر درخواست را با چهار سؤال بسنجید: کار چیست، زمینه کدام است، خروجی چه شکلی دارد و اگر مدل جواب را نداند چه کند؟ در قسمت دوم این مجموعه سراغ تکنیک‌های پیشرفته‌تر می‌رویم؛ از زنجیره‌ی فکر تا بازبینی پاسخ به دست خود مدل.

این آموزش بر پایه‌ی درس Prompt Engineering Fundamentals از مجموعه‌ی آزاد Generative AI for Beginners مایکروسافت (مجوز MIT) به فارسی بازنویسی و تکمیل شده است. تصاویر متعلق به همان منبع‌اند.

برای مطالعه بیشتر

برای دنبال کردن عمیق‌تر این بحث، منابع زیر را به ترتیب از ساده به تخصصی بخوانید.

• پرامپت خوب چه ویژگی‌هایی دارد؟ ۷ اصل نوشتن پرامپت با مثال: مرور سریع اصول همین درس با مثال‌های فارسی؛ برای مبتدی.
• Prompt Engineering Fundamentals (انگلیسی): درس اصلی مایکروسافت که این مقاله بر پایه‌ی آن است، با تمرین و نوت‌بوک؛ برای مبتدی.
• Prompts For Edu (انگلیسی): کتابخانه‌ی پرامپت‌های آموزشی مایکروسافت برای دیدن قالب‌های واقعی؛ برای مبتدی تا متوسط.
• Prompt engineering در مستندات OpenAI (انگلیسی): راهنمای رسمی نوشتن دستور، نقش پیام‌ها و قالب خروجی؛ برای متوسط.
• Prompt engineering overview در مستندات Anthropic (انگلیسی): تکنیک‌ها به ترتیب اثرگذاری، از دستور روشن تا مثال و نقش؛ برای متوسط.