در گذشته پیش از گسترش مفهوم prompt engineering در زمینه هوش مصنوعی واژه prompt کاربردهای متنوعی داشت. در دنیای کامپیوتر، پرامپت به معنای نشانه‌ای برای ورود دستور جدید در خط فرمان بود مثلا در سیستم‌های خط فرمان مثل Command Prompt در ویندوز یا Terminal در لینوکس، یک prompt به کاربر نشان می‌داد که سیستم آماده دریافت دستور جدید است.
با ظهور مدل‌های زبانی مانند GPT مفهوم prompt به معنای ورودی متنی برای هدایت مدل تغییر کرد و توسعه یافت.
مهندسی پرامپت (Prompt Engineering) یکی از مهارت‌های کلیدی در دنیای امروز هوش مصنوعی و مدل‌های زبانی بزرگ LLM مانند ChatGPT است.
پرامپت‌نویسی مهارتی مهمی است چون به ما کمک می‌کند بهتر با هوش مصنوعی ارتباط برقرار کنیم.
وقتی مدل‌های زبانی مثل ChatGPT یا ابزارهای مولد تصویر مثل DALL·E یا Midjourney را استفاده می‌کنیم، نتیجه‌ی نهایی کاملا به کیفیت و نوع پرامپتی که وارد می‌کنیم بستگی دارد. هر چقدر دقیق‌تر، شفاف‌تر و هدفمندتر پرامپت بنویسیم، خروجی بهتر و نزدیک‌تری به خواسته و هدف خود دریافت می‌کنیم.
مفهوم مهندسی پرامپت (Prompt Engineering)
مهندسی پرامپت به معنای طراحی دقیق ورودی‌های متنی است که به مدل‌های زبانی ارائه می‌شود تا خروجی‌های هدفمند و دقیق‌تری ایجاد کنند. این کار نیازمند توانایی درک ساختار پرامپت، شناخت محدودیت‌های مدل و استفاده بهینه از داده‌ها است.
مهندسی پرامپت به‌طور خاص شامل طراحی و بهینه‌سازی ورودی‌هایی است که به مدل‌های زبان بزرگ مثل GPT-3 و GPT-4 داده می‌شود تا بهترین و مرتبط ترین خروجی تولید شود.
این مهارت برای به دست آوردن نتایج دقیق و مورد نظر از مدل‌های هوش مصنوعی ضروری است. در این فرایند پرامپت‌نویس باید به عواملی چون ساختار پرسش، زمینه (context)، طول ورودی، استفاده از مثال‌ها و جملات راهنما توجه کند.
هدف اصلی مهندسی پرامپت، کنترل رفتار مدل و ارتقا کیفیت نتایج از طریق دستورات دقیق و هدفمند است. این تکنیک در پروژه‌هایی مانند تحلیل داده، تولید محتوا، کدنویسی و حتی تعاملات پیچیده با مدل‌های هوش مصنوعی بسیار اهمیت دارد.
اصول اولیه مهندسی پرامپت
در ادامه به اصول و معبارهایی که هر پرامپ باید داشته باشد می پردازیم :
دقیق و واضح بودن: پرامپت باید به‌صورت دقیق هدف را بیان کند. ابهام می‌تواند مدل را به سمت خروجی‌های غیرمرتبط هدایت کند.
هرچه پرامپت واضح‌تر و مشخص‌تر باشد، مدل هوش مصنوعی بهتر می‌تواند درخواست را فهمیده و خروجی مناسبی تولید کند. استفاده از کلمات مبهم یا کلی می‌تواند منجر به دریافت نتایج نامناسب یا بی‌ربط شود.
بنابراین، برای دستیابی به بهترین نتایج، باید دقیقا مشخص کنیم که چه چیزی می‌خواهیم و آن را به خوبی و به روشنی بیان کنیم، به‌طوری که مدل هیچ ابهامی در انجام دستور نداشته باشد.
استفاده از زمینه (Context):
افزودن زمینه (context) به پرامپت، یکی از مهم‌ترین اصول مهندسی پرامپت است که به مدل هوش مصنوعی کمک می‌کند تا درک عمیق‌تری از هدف و شرایط درخواست داشته باشد.
زمینه می‌تواند شامل اطلاعات قبلی، نقش‌ها، موقعیت مکانی، لحن موردنظر یا حتی نمونه‌هایی از خروجی مورد انتظار ما باشد. بدون ارائه زمینه، مدل ممکن است پاسخ‌هایی کلی یا نامرتبط تولید کند که هیچ ارتباط و فایده ای برای ما نداشته باشد.
اما وقتی زمینه به‌درستی مشخص شود، مدل قادر است تصمیم‌گیری دقیق‌تری انجام دهد و خروجی‌هایی ارائه دهد که متناسب با نیاز واقعی ما باشد.
در پرامپت‌های پیچیده، استفاده از context قوی، تفاوت بین خروجی سطحی و حرفه‌ای را رقم می‌زند.
تعیین نقش مدل:
یکی دیگر از اصول مهم در مهندسی پرامپت، مشخص کردن نقش یا شخصیت مدل role assignment است. با مشخص کردن نقش مدل مانند مشاور فنی یا متخصص زبان خروجی دقیق‌تری خواهید داشت.
وقتی به مدل می‌گوییم تو یک برنامه‌نویس باتجربه هستی یا فرض کن یک استاد دانشگاهی ، به هوش مصنوعی کمک می‌کنیم تا لحن، سبک نوشتار و محتوای پاسخ مورد انتظار را بر اساس آن نقش تنظیم کند.
این تکنیک باعث می‌شود خروجی مدل هدفمندتر، دقیق‌تر و متناسب با نیاز ما باشد. تعیین نقش، به‌ویژه در سناریوهای تخصصی مانند تحلیل حقوقی، مشاوره پزشکی یا تولید محتوای فنی نقش تعیین‌کننده‌ای در کیفیت پاسخ دارد و مدل را از حالت عمومی به حالتی تخصصی و متمرکز هدایت می‌کند.
ارائه مثال‌ها:
استفاده از نمونه‌های مشابه در پرامپت باعث می‌شود مدل الگوی مورد نظر شما را بهتر درک کند.
دادن مثال‌های واضح و دقیق در پرامپت به مدل هوش مصنوعی کمک می کند تا ساختار، لحن، سبک یا نوع خروجی مورد انتظار را بهتر درک کند.
این روش که به آن few-shot prompting نیز گفته می‌شود به‌ویژه زمانی موثر است که مدل باید الگوی خاصی را دنبال کند یا خروجی را در قالبی مشخص تولید کند.
برای مثال اگر بخواهیم مدلی یک ایمیل رسمی بنویسد، می‌توانیم ابتدا یک یا دو نمونه مشابه ایمیل برای هوش مصنوعی ارسال کنیم تا مدل بر اساس آن‌ها تولید محتوا کند. این کار نه‌تنها دقت پاسخ را افزایش می‌دهد، بلکه درک مدل را از انتظارات ما به‌صورت ضمنی تقویت می‌کند.
تکنیک‌های پیشرفته در مهندسی پرامپت
1- تکنیک Role Assignment
تکنیک Role Assignment در مهندسی پرامپت به فرآیند اختصاص دادن یک نقش مشخص به مدل هوش مصنوعی اشاره دارد.
یعنی کاربر در آغاز پرامپت، مدل را در قالب یک شخصیت یا نقش حرفه‌ای قرار می‌دهد مثلا به عنوان برنامه نویس ارشد … یا در نقش یک طراح وب مسلط به سئو ….
این تکنیک باعث می‌شود هوش مصنوعی پاسخ‌هایی متناسب با آن نقش تولید کند و اطلاعات را از دیدگاه مورد نظر که برای آن تعریف شده است تولید نماید.
استفاده از این روش نه‌تنها باعث افزایش تخصص‌گرایی خروجی می‌شود، بلکه به مدل جهت فکری می‌دهد و آن را از تولید پاسخ‌های عمومی یا سطحی دور می‌کند.
این تکنیک یکی از موثرترین ابزارها برای کنترل لحن، زاویه دید و میزان تخصص پاسخ‌ها در کاربردهای حرفه‌ای است.
2- تکنیک Few-Shot Learning
در مهندسی پرامپت، Few-Shot Learning به روشی گفته می‌شود که در آن پیش از طرح پرامپت اصلی، چند نمونه پرامپت مثلا ۲ یا ۳ مثال برای هوش مصنوعی ارائه می‌دهیم تا یاد بگیرد چگونه باید پاسخ دهد.
این تکنیک به مدل کمک می‌کند تا الگوی پاسخ، فرمت، لحن، یا حتی منطق مورد انتظار را بهتر درک کند. برخلاف Zero-Shot Learning که مدل بدون هیچ مثالی باید نتیجه‌گیری کند، در Few-Shot ما با مثال‌سازی صریح، مسیر ذهنی مدل را هدایت می‌کنیم. این روش در تولید متن‌های ساختارمند، ترجمه، طبقه‌بندی داده‌ها و استخراج اطلاعات بسیار مؤثر است و خروجی‌ها را قابل‌پیش‌بینی‌تر و حرفه‌ای‌تر می‌کند
3- تکنیک Chain of Thought
تکنیک Chain of Thought (CoT) به فرآیند هدایت مدل به سمت فکر کردن گام به گام و ارائه توضیحات مرحله به مرحله پیش از رسیدن به پاسخ نهایی گفته می‌شود.
این روش به‌ویژه در مسائل پیچیده مثل محاسبات ریاضی، منطق، کدنویسی یا تحلیل‌های چندلایه بسیار موثر است.
در این تکنیک، به جای درخواست مستقیم برای پاسخ با پرامپت‌هایی مثل بیا مرحله مرحله پیش برویم یا اینکه برای قدم اول ما می خواهیم … مدل را تشویق می‌کنیم که استدلال خود را باز کند و مرحله‌به‌مرحله جلو برود.
این کار باعث افزایش دقت، کاهش خطا و شفاف‌تر شدن فرایند پاسخ‌گویی مدل می‌شود، چون به جای حدس سریع، مدل به صورت تحلیلی عمل می‌کند.
4- تکنیک Context Injection
تکنیک Context Injection به وارد کردن اطلاعات زمینه‌ای (contextual data) به پرامپت اشاره دارد تا مدل بتواند پاسخ‌هایی دقیق‌تر، مرتبط‌تر و هوشمندانه‌تر تولید کند.
این زمینه می‌تواند شامل داده‌های قبلی مکالمه، مشخصات پروژه، شرایط خاص کاربر، نمونه متون، اهداف خاص یا هر نوع اطلاعات کمکی دیگر باشد که درک مدل از درخواست ما را ارتقا می‌دهد. Context Injection به‌خصوص در سناریوهای چند مرحله‌ای، گفت‌وگوهای پویا یا زمانی که مدل باید از اطلاعات گذشته استفاده کند کاربرد دارد.
استفاده درست از این تکنیک باعث می‌شود مدل نه‌تنها “چه چیزی” را تولید کند، بلکه “چرا و چگونه” آن را بهتر بفهمد و نتیجه‌ای متناسب با فضای کلی تولید نماید.
5-تکنیک Iterative Prompting
تکنیک Iterative Prompting به فرآیند اصلاح و بهبود تدریجی پرامپت از طریق تکرار و آزمون اشاره دارد.
در این روش، ابتدا یک پرامپت اولیه نوشته می‌شود و سپس بر اساس خروجی مدل، پرامپت به‌صورت مرحله‌به‌مرحله بازنویسی یا تنظیم می‌شود تا به پاسخ دقیق‌تر و بهینه‌تری برسیم.
این تکنیک زمانی بسیار موثر است که نتیجه مورد نظر از ابتدا واضح نباشد یا مدل به دلایل مختلف مانند ابهام، کمبود اطلاعات یا پیچیدگی درخواست پاسخ دقیقی ندهد.
Iterative Prompting در واقع ترکیبی از آزمون و خطا به همراه تحلیل خروجی است و کمک می‌کند تا از طریق یادگیری تدریجی، به بهترین ساختار پرامپت برسیم. این رویکرد برای پروژه‌های پیچیده، تولید محتوای دقیق و کارهای تخصصی با مدل‌های زبانی بسیار کاربردی است.
6-تکنیک Prompt Chaining
تکنیک Prompt Chaining به فرایند طراحی چند پرامپت متوالی و پشت سر هم اشاره دارد که خروجی یک پرامپت به عنوان ورودی برای پرامپت بعدی استفاده می‌شود.
این روش زمانی کاربرد دارد که یک وظیفه پیچیده را نمی‌توان تنها با یک پرامپت به‌طور کامل اجرا کرد و به‌جای ایجاد یک پرامپت طولانی و پیچیده، زنجیره‌ای از پرامپت‌های ساده‌تر طراحی می‌کنیم که هر کدام بخشی از کار را انجام می‌دهند.
برای مثال، ابتدا یک پرامپت برای استخراج اطلاعات خام، سپس یک پرامپت برای تحلیل آن اطلاعات و در نهایت یک پرامپت برای تولید محتوای نهایی برای هوش مصنوعی ایجاد می کنیم.
Prompt Chaining باعث می‌شود کنترل بیشتری روی فرآیند داشته باشیم، خطای مدل کاهش یابد و خروجی‌ها ساختارمندتر و دقیق‌تر به‌ویژه در فرآیندهای چند مرحله‌ای مانند تولید گزارش، کدنویسی خودکار یا پردازش متون پیچیده تولید شود.
ارزیابی کیفیت پرامپت
برای ارزیابی خروجی پرامپتف باید به این موارد توجه داشته باشیم:
1. دقت (Accuracy) : آیا پاسخ‌ها با هدف اصلی پرامپت همخوانی دارند؟
2. سازگاری (Consistency) : آیا مدل در پاسخ‌های مختلف به پرامپت‌های مشابه، نتایج یکسانی ارائه می‌دهد؟
3. صحت اطلاعات (Validity): آیا پاسخ‌ها بر اساس داده‌های علمی و معتبر هستند؟
4. کارآمدی (Efficiency) : آیا مدل توانسته است با کمترین تعداد پرامپت، پاسخ دقیق ارائه دهد؟
چرا برای یک دولوپر آشنایی و تسلط بر پرامپت نویسی مهم است؟
- سرعت توسعه : با پرامپت مهندسی، مستندات، تست و boilerplate در چند ثانیه تولید می‌شود.
- مزیت رقابتی : کارفرمایان بین‌المللی به devهایی نیاز دارند که ai‑first فکر کنند.
- مقیاس‌پذیری دانش :می‌توانید پایگاه دانشی شرکت را با rag درون‌سازمانی تقویت کنید.
- ارتباط بین‌فرهنگی:پرامپت‌های چندزبانه شما را به بازارهای مختلف وصل می‌کند.
معرفی کتاب در زمینه آموزش و فراگیری پرامپت نویسی
در این زمینه چند کتاب معتبر وجود دارد که کمک می‌کنند مهارت پرامپت‌نویسی را به‌طور حرفه‌ای آموخته شود. در اینجا به معرفی سه کتاب مفید برای یادگیری مهندسی پرامپت و کار با مدل‌های زبانی می پردازیم:
1. The Art of Prompt Engineering | Richard S. Lee
این کتاب به‌طور خاص بر روی مهندسی پرامپت و نحوه‌ی طراحی ورودی‌های موثر برای مدل‌های زبان بزرگ LLMs تمرکز دارد. نویسنده کتاب تکنیک‌های مختلفی را برای بهبود کیفیت خروجی مدل‌ها و بهینه‌سازی تعامل با هوش مصنوعی در این کتاب توضیح می‌دهد.
2. Mastering the Art of Prompt Engineering for GPT-3 نوشته Peter Hamilton
این کتاب به طور خاص به کار با GPT-3 و دیگر مدل‌های مشابه می‌پردازد. از مباحث پایه‌ای شروع کرده و به تکنیک‌های پیشرفته‌تر مانند پرامپت‌های پیچیده، استفاده از APIها و مدیریت نتایج مدل‌های مولد پرداخته می‌شود.
3. Prompt Engineering: How to Get the Most Out of GPT-3, GPT-4 and Other AI Tools | David Millard
این کتاب به بررسی اصول پرامپت‌نویسی برای ابزارهای هوش مصنوعی مختلف شامل GPT-3 و GPT-4، پرداخته و درک بهتری از نحوه تنظیم پرامپت‌ها برای دستیابی به بهترین نتایج می‌دهد. این کتاب برای کسانی که به دنبال یادگیری سریع و موثر مهندسی پرامپت هستند، مناسب است.
در این پست از پارس وب سرور سعی کردیم اصول و چند تکنیک مربوط به پرامپت (توضیحات مهندسی پرامپت در ویکی پدیا) را با هم مرور کنیم.
اگر شما هم تجربه ای در این زمینه دارید در بخش نظرات مطرح کنید.
از اینکه با ما همراه بودید از شما سپاسگزاریم.