پرامپت نویسی ChatGPT؛ ۷ تکنیک که کیفیت جواب را عوض می‌کند

دو نفر یک درخواست مشابه به یک دستیار هوشمند می‌دهند و دو خروجی کاملاً متفاوت می‌گیرند. یکی متنی می‌گیرد که تقریباً آماده‌ی استفاده است و دیگری چیزی تحویل می‌گیرد که باید از نو بنویسد. فاصله‌ی میان این دو نتیجه به مدل ربطی ندارد؛ به شکل صورت‌بندی درخواست برمی‌گردد.

پرامپت نویسی ChatGPT مهارتی است که در چند ساعت قابل یادگیری است و بازدهش در ماه‌های بعد چند برابر می‌شود. هفت تکنیک زیر بر پایه‌ی الگوهایی جمع شده‌اند که در کار عملی بیشترین اثر را می‌گذارند. هر تکنیک با یک نمونه‌ی ضعیف، یک نمونه‌ی قوی، توضیح سازوکار و یک قالب آماده ارائه می‌شود تا بتوانید همان‌جا امتحانش کنید.

اگر هنوز مطمئن نیستید کدام ابزار برای کار شما مناسب است، بررسی جعبه‌ابزار هوش مصنوعی نقطه‌ی شروع بهتری از آزمون‌وخطاست.

چرا دو پرامپت شبیه به هم، دو خروجی متفاوت می‌دهند

مدل زبانی نیت شما را نمی‌خواند؛ کلمات شما را می‌خواند. وقتی درخواستی مبهم باشد، مدل ناچار است جاهای خالی را خودش پر کند و برای پرکردن آن‌ها به میانگین چیزی که در داده‌های آموزشی دیده رجوع می‌کند. نتیجه‌اش متنی است که از نظر فنی درست ولی از نظر کاربردی عمومی و بی‌خاصیت است.

یک مثال ساده وضعیت را روشن می‌کند. درخواست «یک متن تبلیغاتی بنویس» ده‌ها جای خالی دارد: برای چه محصولی، برای چه مخاطبی، در چه طولی، با چه لحنی، برای انتشار کجا. مدل همه‌ی این‌ها را حدس می‌زند و حدسش میانگین چیزی است که در متن‌های تبلیغاتی دیده، یعنی همان چیزی که شما نمی‌خواهید.

اساس پرامپت نویسی ChatGPT کاهش همین حدس‌هاست. هر تکنیکی که در ادامه می‌آید یکی از جاهای خالی را پر می‌کند: چه کسی می‌نویسد، برای چه کسی، با چه هدفی، در چه قالبی و با چه محدودیت‌هایی. هرچه تعداد جاهای خالی کمتر باشد، خروجی قابل‌پیش‌بینی‌تر می‌شود.

تکنیک ۱ و ۲: نقش و زمینه، زنجیره‌ی استدلال

تکنیک ۱: نقش، زمینه، وظیفه، قالب

پرکاربردترین الگو و پایه‌ی بقیه. چهار سیگنال روشن به‌جای یک درخواست کلی.

❌ ضعیف: «یک ایمیل پیگیری برای مشتری بنویس.»

✅ قوی:

نقش: مدیر فروش یک شرکت نرم‌افزاری.زمینه: مشتری دو هفته پیش دموی محصول را دیده و پاسخی نداده است.وظیفه: یک ایمیل پیگیری بنویس که فشار نیاورد و یک دلیل تازه برای ادامه‌ی گفت‌وگو بدهد.قالب: حداکثر ۱۲۰ کلمه، لحن حرفه‌ای و دوستانه، بدون تعارف اضافه، با یک پرسش پایانی.

چرا کار می‌کند: تعیین نقش، مدل را به سمت الگوهای زبانی همان تخصص هدایت می‌کند. زمینه، فرض‌های اشتباه را حذف می‌کند؛ بدون آن، مدل ممکن است ایمیلی برای مشتری تازه بنویسد در حالی که شما با کسی سروکار دارید که محصول را دیده است. قالب هم مانع می‌شود خروجی به متنی طولانی‌تر از نیاز شما تبدیل شود.

تکنیک ۲: زنجیره‌ی استدلال

برای پرسش‌هایی که پاسخشان به مقایسه، محاسبه یا تصمیم‌گیری نیاز دارد.

❌ ضعیف: «کدام‌یک از این سه گزینه بهتر است؟»

✅ قوی: «پیش از اعلام نتیجه، ابتدا معیارهای مقایسه را فهرست کن. سپس هر گزینه را جداگانه بر اساس همان معیارها بررسی کن. در پایان جمع‌بندی کن و بگو کدام معیار وزن بیشتری داشته است.»

چرا کار می‌کند: وقتی مدل مجبور شود مراحل استدلال را بنویسد، خطاهای منطقی در همان مسیر قابل مشاهده می‌شوند و شما می‌توانید نقطه‌ی اشتباه را پیدا کنید. پاسخ یک‌خطی این امکان را از شما می‌گیرد و مجبورتان می‌کند نتیجه را یا کامل بپذیرید یا کامل رد کنید.

این دو تکنیک با هم پایه‌ی پرامپت نویسی ChatGPT را می‌سازند و بیشتر مشکلات رایج را پوشش می‌دهند. اگر قرار باشد فقط دو مورد از این فهرست را به کار ببرید، همین دو مورد بیشترین اثر را می‌گذارند.

تکنیک ۳ و ۴: مثال‌محور، محدودیت‌گذاری

تکنیک ۳: دو تا سه مثال به‌جای توضیح

توضیح‌دادن سبک دلخواه سخت است؛ نشان‌دادنش ساده.

❌ ضعیف: «چند عنوان جذاب برای پست بنویس.»

✅ قوی:

این سه عنوان از پست‌های قبلی ما هستند:۱) چرا گزارش هفتگی‌تان را کسی نمی‌خواند۲) پنج عددی که پیش از جلسه باید بدانید۳) وقتی داده دارید ولی تصمیم نداریدپنج عنوان تازه در همین سبک بنویس. موضوع: مدیریت زمان در تیم‌های دورکار.

چرا کار می‌کند: مدل الگو را از نمونه‌ها استخراج می‌کند، از جمله طول جمله، ریتم و نوع قلاب. این کار دقیق‌تر از هر توصیفی است که بخواهید از سبک خودتان بنویسید. دو تا سه نمونه کافی است و افزودن نمونه‌های بیشتر بازده چندانی اضافه نمی‌کند.

تکنیک ۴: محدودیت‌گذاری

درخواست باز، خروجی عمومی تولید می‌کند.

❌ ضعیف: «درباره‌ی بازاریابی محتوا بنویس.»

✅ قوی: «۳۰۰ کلمه درباره‌ی بازاریابی محتوا، برای مدیر مالی که با این حوزه آشنا نیست. بدون اصطلاح تخصصی، بدون مقدمه‌چینی، با یک مثال عددی مشخص، و با تمرکز بر اینکه هزینه‌اش چطور توجیه می‌شود.»

چرا کار می‌کند: محدودیت، فضای انتخاب مدل را تنگ می‌کند و همین باعث می‌شود از پاسخ‌های میانگین فاصله بگیرد. مشخص‌کردن مخاطب هم سطح زبان و نوع مثال‌ها را تعیین می‌کند: همان موضوع برای مدیر مالی و برای کارشناس بازاریابی، دو متن کاملاً جدا لازم دارد.

در پرامپت نویسی ChatGPT، محدودیت طول بیشترین اثر را دارد. بدون آن، مدل تمایل دارد پاسخ را کش بدهد و با مقدمه و جمع‌بندی پر کند. تعیین سقف کلمه، همان بخش‌های اضافه را از ابتدا حذف می‌کند.

تکنیک ۵ و ۶: بازنویسی مرحله‌ای، پرامپت منفی

تکنیک ۵: اولین خروجی را نپذیرید

رایج‌ترین اشتباه، پذیرفتن خروجی اول یا شروع دوباره از صفر است. راه سوم بهتر جواب می‌دهد.

❌ ضعیف: نوشتن دوباره‌ی کل پرامپت با چند کلمه تغییر.

✅ قوی: «بخش اول و سوم خوب است و دست نخورد. بخش دوم کلی و بی‌مثال مانده؛ فقط همان را با یک نمونه‌ی واقعی بازنویسی کن و طولش را دو برابر نکن.»

چرا کار می‌کند: با اصلاح موضعی، بخش‌های خوب حفظ می‌شوند و مدل روی همان نقطه‌ی ضعیف تمرکز می‌کند. شروع دوباره یعنی از دست دادن چیزی که قبلاً درست بوده، و در عمل خروجی دوم اغلب از خروجی اول بدتر درمی‌آید چون مدل زمینه‌ی گفت‌وگوی قبلی را ندارد.

تکنیک ۶: گفتن آنچه نمی‌خواهید

گاهی حذف‌کردن مؤثرتر از افزودن است.

✅ قوی:

این‌ها را در متن نیاور:۱) جمله‌های شعاری و صفت‌های مبالغه‌آمیز۲) شروع با عبارت‌های کلیشه‌ای۳) جمع‌بندی تکراری در پایان که مطالب بالا را دوباره می‌گوید۴) فهرست‌های سه‌تایی پشت سر هم

چرا کار می‌کند: مدل به الگوهای پرتکرار داده‌های آموزشی گرایش دارد و همان الگوها هستند که متن را ماشینی جلوه می‌دهند. نام‌بردن صریح آن الگوها، مؤثرترین راه دورکردن خروجی از حالت پیش‌فرض است. این تکنیک به‌ویژه وقتی ارزش دارد که متن قرار است با نام خودتان منتشر شود.

اشتباه رایج: ریختن هر هفت تکنیک در یک پرامپت غول‌پیکر. نتیجه‌اش متنی است که مدل بخشی از دستورهایش را نادیده می‌گیرد. دو یا سه تکنیک هم‌زمان، سقف عملی است.

تکنیک ۷: از مدل بخواهید پرامپت را بهتر کند

وقتی نمی‌دانید چطور درخواستتان را صورت‌بندی کنید، همین را به مدل بسپارید.

✅ قوی: «می‌خواهم یک برنامه‌ی محتوایی سه‌ماهه برای یک فروشگاه اینترنتی بسازم. پیش از پاسخ‌دادن، سه پرسش از من بپرس که جوابشان کمک می‌کند خروجی دقیق‌تری بدهی.»

چرا کار می‌کند: مدل بهتر از شما می‌داند برای انجام یک کار به چه اطلاعاتی نیاز دارد. این تکنیک کار تشخیص جاهای خالی را به خودش واگذار می‌کند و یک رفت‌وبرگشت اضافه، چند دور بازنویسی را حذف می‌کند. در پرامپت نویسی ChatGPT این روش برای کارهای پیچیده و چندمرحله‌ای بیشترین بازده را دارد.

پرامپت نویسی ChatGPT در عمل: ترکیب تکنیک‌ها

این تکنیک‌ها یک چک‌لیست نیستند؛ یک سیستم‌اند. نمونه‌ی زیر سه تکنیک را هم‌زمان به کار می‌گیرد:

نقش: تحلیلگر داده در یک فروشگاه اینترنتی.            [تکنیک ۱]زمینه: فروش سه ماه گذشته ۱۸ درصد افت داشته و علتش مشخص نیست.وظیفه: پیش از پیشنهاد راه‌حل، فهرستی از فرضیه‌های محتمل بساز،       برای هر فرضیه بگو با چه داده‌ای رد یا تأیید می‌شود،       و در پایان اولویت بررسی را مشخص کن.            [تکنیک ۲]قالب: جدول، حداکثر هشت ردیف.نیاور: توصیه‌های عمومی بازاریابی، راه‌حل بدون داده.    [تکنیک ۶]

خروجی چنین پرامپتی به‌جای فهرستی از توصیه‌های کلی، یک برنامه‌ی بررسی قابل اجراست. ساختار مشابه روی دستیارهای دیگر هم کار می‌کند؛ تکنیک‌ها به یک سرویس خاص وابسته نیستند و اگر با اشتراک Claude یا هر دستیار عمومی دیگری کار می‌کنید، همین الگوها قابل استفاده‌اند.

سه اشتباهی که خروجی را خراب می‌کند

اشتباه اول: پرسیدن چند کار در یک پیام. درخواستی مثل «این متن را خلاصه کن، ترجمه کن، و برایش پنج عنوان بنویس» به خروجی‌ای می‌رسد که هر سه کار را در سطح متوسط انجام داده است. مدل توجهش را میان وظایف تقسیم می‌کند و هیچ‌کدام سهم کامل نمی‌گیرند. تقسیم درخواست به سه پیام پشت سر هم، سه خروجی بهتر می‌دهد و زمان بیشتری هم نمی‌گیرد.

اشتباه دوم: ندادن نمونه‌ی خروجی مطلوب. بسیاری از کاربران می‌دانند چه می‌خواهند ولی آن را توصیف می‌کنند به‌جای اینکه نشانش دهند. توصیف «لحن رسمی ولی صمیمی» برای ده نفر ده معنای جدا دارد. یک پاراگراف نمونه از متنی که قبلاً پسندیده‌اید، این ابهام را کامل حذف می‌کند.

اشتباه سوم: تکرار همان پرامپت پس از خروجی بد. وقتی نتیجه‌ی اول رضایت‌بخش نیست، فرستادن دوباره‌ی همان درخواست خروجی مشابهی تولید می‌کند. مسئله در شانس نیست؛ در صورت‌بندی است. پیش از تلاش دوم، مشخص کنید کدام بخش خروجی اشکال داشت و همان را در پرامپت بعدی صریح بگویید. این عادت بیشترین تأثیر را در پرامپت نویسی ChatGPT دارد و در عین حال کمترین تمرین را می‌خواهد.

از تمرین تا استفاده‌ی روزمره

مهارت پرامپت نویسی ChatGPT وقتی به عادت تبدیل می‌شود که روی کار واقعی و به‌شکل مستمر استفاده شود. پیشنهاد عملی آن است که یک هفته فقط تکنیک اول را روی هر درخواستی اجرا کنید، هفته‌ی بعد تکنیک دوم را اضافه کنید و به همین ترتیب جلو بروید. یادگیری هم‌زمان هر هفت مورد به رهاکردن همه‌شان ختم می‌شود.

همین‌جاست که محدودیت‌های نسخه‌ی رایگان خودشان را نشان می‌دهند: سقف تعداد پیام و نبود دسترسی به مدل استدلالی، دقیقاً همان چیزهایی هستند که تکنیک دوم و هفتم به آن‌ها نیاز دارند. برای استفاده‌ی جدی، خرید اکانت ChatGPT در سطح Plus کافی است و سطوح بالاتر وقتی معنا پیدا می‌کنند که به سقف ظرفیت بخورید. کادینر، فروشگاه اشتراک سرویس‌های هوش مصنوعی و دیجیتال، این اشتراک را به‌شکل اکانت اختصاصی و قانونی با ضمانت روی حساب شخصی خودتان فعال می‌کند تا تاریخچه‌ی گفت‌وگوها و تنظیماتتان دست‌نخورده بماند.

فهرست کامل اشتراک‌های دیجیتال کادینر شامل دستیارهای عمومی، ابزارهای طراحی، ویرایش ویدیو و سرویس‌های بهره‌وری است و برای آشنایی با مراحل سفارش و فعال‌سازی هم راهنمای خرید از کادینر در دسترس است.

فاصله‌ی میان کسی که از این ابزارها نتیجه می‌گیرد و کسی که نمی‌گیرد، در دانش فنی نیست. در این است که یکی درخواستش را دقیق صورت‌بندی می‌کند و دیگری منتظر است مدل حدس بزند. هر هفت تکنیک بالا در نهایت یک کار می‌کنند: کاهش چیزی که مدل باید حدس بزند.