آموزش پرامپت‌نویسی حرفه‌ای به زبان فارسی؛ از درخواست مبهم تا خروجی دقیق

آموزش پرامپت‌نویسی حرفه‌ای به زبان فارسی؛ از درخواست مبهم تا خروجی دقیق

پرامپت همان دستور یا زمینه‌ای است که به مدل هوش مصنوعی می‌دهید. تفاوت میان یک پاسخ معمولی و یک خروجی حرفه‌ای اغلب از همین نقطه شروع می‌شود. عبارت «یک متن خوب بنویس» فضای زیادی برای حدس‌زدن باقی می‌گذارد؛ اما وقتی هدف، مخاطب، لحن، داده، محدودیت و قالب را مشخص می‌کنید، مدل شانس بیشتری برای ساخت نتیجه مطلوب دارد.

پرامپت‌نویسی حرفه‌ای به معنای نوشتن دستورهای عجیب یا بسیار طولانی نیست. هدف، کاهش ابهام و تعریف روشن موفقیت است. راهنماهای رسمی OpenAI، Anthropic و Google نیز بر شفافیت، مثال، ساختار ثابت، تفکیک زمینه از دستور و تکرار فرایند ارزیابی تأکید می‌کنند.

فرمول هفت‌بخشی یک پرامپت حرفه‌ای

۱. نقش

مشخص کنید مدل از چه زاویه‌ای پاسخ دهد. نقش باید با وظیفه مرتبط باشد، نه نمایشی.

ضعیف:

تو باهوش‌ترین نویسنده دنیا هستی.

بهتر:

به‌عنوان ویراستار محتوای B2B با تمرکز بر نرم‌افزارهای سازمانی عمل کن.

نقش خوب، نوع قضاوت و واژگان را تنظیم می‌کند. اغراق درباره هوش مدل معمولاً ارزش عملی ندارد.

۲. هدف

یک فعل روشن به کار ببرید: تحلیل کن، بازنویسی کن، مقایسه کن، استخراج کن، طبقه‌بندی کن یا طرح بساز.

هدف: متن صفحه خدمات را بازنویسی کن تا برای مدیران منابع انسانی روشن و متقاعدکننده باشد.

۳. زمینه

اطلاعاتی را بدهید که مدل نمی‌تواند حدس بزند: مخاطب، محصول، بازار، داده واقعی، مرحله پروژه و تعریف اصطلاحات داخلی.

زمینه: محصول یک سامانه حضور و غیاب ابری برای شرکت‌های ۲۰ تا ۲۰۰ نفره است. مزیت اصلی، راه‌اندازی سریع و گزارش‌گیری ساده است.

۴. ورودی

متن، جدول، کد یا فایل را از دستور جدا کنید. در پرامپت‌های بلند از عنوان‌های Markdown یا تگ‌هایی مانند <context> استفاده کنید.

۵. محدودیت‌ها

طول، لحن، موارد ممنوع، زبان، نسخه فناوری و مرزهای پاسخ را تعیین کنید.

محدودیت‌ها:
- حداکثر ۲۰۰ کلمه
- لحن حرفه‌ای و بی‌اغراق
- هیچ آمار یا ویژگی جدیدی اختراع نکن
- از کلمات «انقلابی»، «بی‌نظیر» و «تحول‌آفرین» استفاده نکن

۶. قالب خروجی

مدل باید بداند پاسخ را چگونه تحویل دهد: جدول، JSON، فهرست، تیتر و پاراگراف یا کد کامل.

قالب خروجی:
1. تیتر حداکثر ۸ کلمه
2. معرفی دو پاراگرافی
3. سه مزیت کوتاه
4. یک دعوت به اقدام

۷. معیار کیفیت

این بخش پرامپت را از «درخواست» به «مشخصات تحویل» تبدیل می‌کند.

معیار کیفیت: متن باید طبیعی، دقیق، بدون تکرار و قابل‌فهم برای مخاطب غیر فنی باشد. پیش از پاسخ، خروجی را با این چهار معیار کنترل کن.

قالب مادر پرامپت فارسی

# نقش
به‌عنوان [نقش تخصصی مرتبط] عمل کن.

# هدف
[خروجی دقیق موردنظر] را تولید کن.

# زمینه
[اطلاعاتی که برای فهم مسئله لازم است]

# ورودی
[متن، داده، کد یا شرح مسئله]

# محدودیت‌ها
- [محدودیت ۱]
- [محدودیت ۲]
- [موردی که نباید ساخته یا فرض شود]

# قالب خروجی
[ساختار دقیق پاسخ]

# معیار ارزیابی
خروجی باید [معیارهای موفقیت] را رعایت کند. اگر اطلاعات کافی نیست، پیش از پاسخ حداکثر سه سؤال ضروری بپرس.

این قالب را می‌توانید در [کوجی‌چت](https://kujichat.com/chat) ذخیره و برای مدل‌های مختلف تکرار کنید.

مثال اول: تولید مقاله بدون متن کلیشه‌ای

پرامپت ضعیف:

درباره بازاریابی با هوش مصنوعی مقاله بنویس.

پرامپت حرفه‌ای:

# نقش
نویسنده ارشد بازاریابی B2B و ویراستار سئو.

# هدف
یک طرح تفصیلی برای مقاله «کاربرد هوش مصنوعی در بازاریابی کسب‌وکارهای کوچک» بساز.

# مخاطب
صاحب کسب‌وکار ایرانی که دانش فنی محدودی دارد و می‌خواهد در یک هفته اولین فرایند عملی را اجرا کند.

# محدوده محتوا
بر تحقیق مشتری، تقویم محتوا، پاسخ‌گویی، تحلیل کمپین و کنترل کیفیت تمرکز کن.

# محدودیت‌ها
- هیچ آمار بدون منبع نساز.
- وعده درآمد یا نتیجه تضمینی نده.
- از توضیح‌های عمومی که اقدام مشخص ندارند دوری کن.

# خروجی
- عنوان پیشنهادی
- نیت جست‌وجو
- H2 و H3ها
- نکته اصلی هر بخش
- یک مثال واقعی‌نما اما صریحاً فرضی
- ۵ پرسش متداول

تفاوت اصلی این است که مدل اکنون می‌داند برای چه کسی، با چه هدفی و تحت چه محدودیت‌هایی کار می‌کند.

مثال دوم: خلاصه‌سازی فایل یا گزارش

فایل پیوست را فقط بر اساس محتوای خودش تحلیل کن.

خروجی را در پنج بخش بده:
1. خلاصه مدیریتی حداکثر ۱۵۰ کلمه
2. تصمیم‌های ثبت‌شده
3. اقدام‌ها با مسئول و موعد، فقط اگر در سند ذکر شده
4. ریسک‌ها و ابهام‌ها
5. مواردی که در سند پاسخ داده نشده‌اند

برای هر ادعای مهم، شماره صفحه یا عنوان بخش را ذکر کن. اگر موردی در سند وجود ندارد، عبارت «در سند ذکر نشده» بنویس و حدس نزن.

این نوع پرامپت مدل را به پاسخ grounded یا محدود به سند نزدیک می‌کند.

مثال سوم: کدنویسی

~~~text # نقش مهندس ارشد Python با تجربه FastAPI و PostgreSQL.

مسئله تابع زیر در بار بالا اتصال پایگاه داده را آزاد نمی‌کند. علت را پیدا کن و نسخه اصلاح‌شده بده.

محیط Python 3.12، FastAPI، SQLAlchemy 2.x، asyncpg

محدودیت‌ها - API عمومی تابع تغییر نکند. - کتابخانه جدید اضافه نکن. - ابتدا علت را در حداکثر ۵ bullet توضیح بده. - سپس patch کامل و بعد تست واحد ارائه کن. - هر فرضی را صریح بنویس.

کد

...

~~~

ذکر نسخه‌ها در پرامپت فنی اهمیت زیادی دارد؛ زیرا راه‌حل درست ممکن است با نسل کتابخانه تغییر کند.

مثال چهارم: خروجی ساختاریافته

متن نظرات مشتریان را طبقه‌بندی کن.

فقط یک آرایه JSON معتبر برگردان. هر شیء این کلیدها را داشته باشد:
- id
- sentiment: positive | neutral | negative
- topic: delivery | price | quality | support | other
- urgency: low | medium | high
- evidence: یک عبارت کوتاه از متن

اگر مطمئن نیستی، topic را other و urgency را low قرار بده. هیچ توضیحی خارج از JSON ننویس.

برای اتوماسیون، قالب دقیق و تعریف مقادیر مجاز از متن زیبا مهم‌تر است.

نقش مثال‌ها در پرامپت‌نویسی

ارائه چند نمونه درست، یا few-shot prompting، به مدل نشان می‌دهد خروجی مطلوب چه شکلی است. مثال‌ها باید متنوع و از نظر قالب سازگار باشند.

نمونه ۱
ورودی: ارسال خیلی دیر بود ولی کیفیت عالی است.
خروجی: {"sentiment":"neutral","topic":"delivery","urgency":"medium"}

نمونه ۲
ورودی: محصول خراب رسید و پشتیبانی جواب نمی‌دهد.
خروجی: {"sentiment":"negative","topic":"support","urgency":"high"}

اکنون موارد زیر را با همان قالب پردازش کن: ...

یک یا دو مثال خوب اغلب از چند پاراگراف توضیح مبهم مؤثرتر است.

پرامپت زنجیره‌ای برای کارهای پیچیده

برای یک مقاله حرفه‌ای، از مدل نخواهید همه چیز را یک‌باره انجام دهد. کار را به مراحل جدا تقسیم کنید:

1. تعریف مخاطب و نیت جست‌وجو
2. ساخت طرح و پوشش موضوع
3. شناسایی ادعاهای نیازمند منبع
4. نوشتن پیش‌نویس بخش‌ها
5. ویرایش لحن و حذف تکرار
6. کنترل واقعیت و پیوندها
7. ساخت عنوان و متادیتا

خروجی هر مرحله ورودی مرحله بعد می‌شود. این روش کنترل بیشتری می‌دهد و اصلاح را آسان می‌کند.

چرا «گام‌به‌گام فکر کن» همیشه بهترین دستور نیست؟

مدل‌های جدید فرایندهای استدلال داخلی دارند و لزوماً نباید زنجیره فکر طولانی را در پاسخ نمایش دهند. بهتر است به‌جای درخواست نمایش تمام فکرها، خروجی قابل‌بررسی بخواهید:

پاسخ نهایی را همراه با فرض‌ها، محاسبات ضروری، شواهد و روش کنترل نتیجه ارائه کن.

این دستور هم شفافیت عملی می‌دهد و هم پاسخ را از توضیح‌های اضافی دور نگه می‌دارد.

روش حرفه‌ای اصلاح پرامپت

وقتی پاسخ ضعیف است، فقط نگویید «بهترش کن». خطا را دسته‌بندی کنید:

• ابهام هدف: خروجی چیز دیگری است.
• کمبود زمینه: مدل اطلاعاتی را حدس زده است.
• ضعف قالب: پاسخ ساختار موردنیاز را رعایت نکرده است.
• کیفیت لحن: متن طبیعی یا متناسب با برند نیست.
• خطای واقعیت: ادعا نیاز به منبع یا ابزار دارد.
• انتخاب مدل: مسئله شاید با مدل دیگر بهتر حل شود.

سپس فقط همان بخش پرامپت را اصلاح کنید. Anthropic توصیه می‌کند پیش از مهندسی پرامپت، معیار موفقیت و روش ارزیابی مشخص باشد؛ زیرا همه مشکلات با طولانی‌ترکردن دستور حل نمی‌شوند.

چک‌لیست نهایی پرامپت

پیش از ارسال، بررسی کنید:

• آیا هدف فقط یک برداشت دارد؟
• آیا اطلاعات زمینه‌ای ضروری داده شده است؟
• آیا ورودی از دستور جداست؟
• آیا قالب خروجی دقیق است؟
• آیا موارد ممنوع و محدودیت‌ها روشن‌اند؟
• آیا مدل باید سؤال تکمیلی بپرسد؟
• آیا ادعاهای روز یا حساس به منبع نیاز دارند؟
• آیا معیار ارزیابی دارید؟

جمع‌بندی

پرامپت‌نویسی حرفه‌ای یعنی تبدیل خواسته ذهنی به مشخصات قابل‌اجرا. نقش، هدف، زمینه، ورودی، محدودیت، قالب و معیار کیفیت هفت جزء اصلی‌اند. برای کارهای پیچیده، مراحل را زنجیره‌ای کنید و خروجی را با نمونه و ارزیابی واقعی بسنجید.

می‌توانید قالب‌های این مقاله را مستقیماً در [چت کوجی‌چت](https://kujichat.com/chat) آزمایش کنید یا از [دستیارهای تخصصی کوجی](https://kujichat.com/assistants) برای سناریوهای آماده استفاده کنید.

پرسش‌های متداول

پرامپت طولانی همیشه بهتر است؟

خیر. پرامپت باید کامل اما بدون دستورهای متناقض و اطلاعات غیرضروری باشد. شفافیت از طول مهم‌تر است.

آیا باید به هوش مصنوعی نقش بدهیم؟

وقتی نقش به نوع قضاوت، زبان یا تخصص مرتبط است مفید است. نقش‌های اغراق‌آمیز یا نامرتبط معمولاً کمک نمی‌کنند.

چگونه از ساخت اطلاعات جعلی جلوگیری کنیم؟

مدل را به منبع یا سند محدود کنید، حدس‌زدن را منع کنید، درخواست ذکر عدم قطعیت بدهید و ادعاهای مهم را مستقل بررسی کنید.

چرا مدل قالب JSON را خراب می‌کند؟

قالب را دقیق تعریف کنید، مقادیر مجاز بدهید، مثال ارائه کنید و از مدل یا قابلیتی استفاده کنید که خروجی ساختاریافته را پشتیبانی می‌کند.