مهندسی پرامپت

«نسخه کامل و جامع این مقاله به همراه بررسی الگوهای عملی، در مقاله مهندسی پرامپت در سایت ImaniNova منتشر شده است. در ادامه بخشی از این مقاله را مطالعه می کنید:»

مهندسی پرامپت (Prompt Engineering) یکی از مهارت های جدید در دنیای هوش مصنوعی است که به فرآیند طراحی، بهینه سازی و آزمایش دستورهایی گفته می شود که به مدل های هوش مصنوعی ارسال می کنیم.

در ظاهر، کار با هوش مصنوعی بسیار ساده به نظر می رسد. فقط کافی است یک سوال بنویسیم و منتظر پاسخ بمانیم. اما در عمل، مدل های هوش مصنوعی مانند یک موتور جستجوی معمولی عمل نمی کنند. آن ها بر اساس الگوریتم های پیچیده، حجم بسیار زیادی از اطلاعات و الگوهای زبانی آموزش دیده اند و نحوه بیان درخواست ما می تواند تاثیر زیادی روی نتیجه نهایی داشته باشد.

برای مثال، فرض کنید می خواهیم یک مقاله درباره امنیت سایبری تولید کنیم.

یک پرامپت ساده:

«درباره امنیت سایبری مقاله بنویس.»

احتمالا یک متن عمومی دریافت می کنیم که برای همه کاربران مناسب است.

اما یک پرامپت مهندسی شده:

«به عنوان یک متخصص امنیت سایبری، یک مقاله ۳۰۰۰ کلمه ای درباره امنیت سایبری برای مدیران سایت های اینترنتی بنویس. مقاله باید شامل تعریف امنیت سایبری، رایج ترین حملات، روش های جلوگیری، مثال های واقعی و بخش سوالات متداول باشد. لحن مقاله آموزشی و قابل فهم باشد.»

درخواست دوم اطلاعات بیشتری به هوش مصنوعی می دهد و باعث می شود خروجی دقیق تر، کاربردی تر و نزدیک تر به هدف ما باشد.

بنابراین مهندسی پرامپت یعنی یاد بگیریم چگونه مسئله را برای هوش مصنوعی تعریف کنیم، نه اینکه فقط یک سوال ساده بپرسیم.

_{چرا مهندسی پرامپت به وجود آمد؟}

قبل از ظهور مدل های هوش مصنوعی جدید، ارتباط انسان با کامپیوتر بیشتر بر اساس دستورات دقیق و قوانین از پیش تعریف شده بود.

برای مثال، در برنامه نویسی یک دستور باید با ساختار مشخصی نوشته می شد. اگر حتی یک بخش از کد اشتباه بود، برنامه نمی توانست آن را اجرا کند.

اما مدل های هوش مصنوعی مانند ChatGPT، Claude و Gemini با زبان طبیعی کار می کنند. یعنی کاربران می توانند مانند صحبت کردن با یک انسان، درخواست خود را بیان کنند.

با این حال، زبان طبیعی انسان همیشه دقیق نیست.

گاهی یک جمله می تواند چندین برداشت مختلف داشته باشد. هوش مصنوعی نیز ممکن است بر اساس برداشت خودش پاسخ دهد.

به همین دلیل نیاز به مهارتی ایجاد شد که بتواند ارتباط بین انسان و مدل هوش مصنوعی را بهتر کند.

این مهارت همان مهندسی پرامپت است.

تفاوت پرامپت ساده و پرامپت حرفه ای

یکی از مهم ترین مفاهیم در مهندسی پرامپت، تفاوت بین درخواست معمولی و درخواست حرفه ای است.

پرامپت ساده

پرامپت ساده معمولا کوتاه است و اطلاعات کمی ارائه می دهد.

مثال:

«یک برنامه با پایتون بنویس.»

مشکل این درخواست این است که مشخص نیست:

• برنامه چه کاری باید انجام دهد؟
• سطح پیچیدگی چقدر باشد؟
• از چه کتابخانه هایی استفاده شود؟
• خروجی چگونه باشد؟

هوش مصنوعی مجبور است بسیاری از این موارد را خودش حدس بزند.

پرامپت حرفه ای

در یک پرامپت حرفه ای، کاربر شرایط را مشخص می کند.

مثال:

«یک برنامه پایتون برای مدیریت لیست وظایف روزانه طراحی کن. برنامه باید امکان اضافه کردن، حذف کردن و جستجوی وظایف را داشته باشد. کدها را با توضیح خط به خط ارائه بده و از ساختار شی گرا استفاده کن.»

در این حالت، هوش مصنوعی دقیقا می داند چه چیزی باید تولید کند.

_{نقش مهندسی پرامپت در افزایش کیفیت خروجی هوش مصنوعی}

مدل های هوش مصنوعی بسیار قدرتمند هستند، اما آن ها ذهن انسان را نمی خوانند.

اگر درخواست ما مبهم باشد، خروجی نیز ممکن است عمومی یا ناقص باشد.

مهندسی پرامپت کمک می کند:

۱. پاسخ های دقیق تر دریافت کنیم

با مشخص کردن هدف، مخاطب و محدودیت ها، مدل بهتر متوجه نیاز ما می شود.

۲. زمان انجام کارها کاهش پیدا کند

به جای اینکه چندین بار درخواست خود را اصلاح کنیم، با یک پرامپت مناسب می توانیم نتیجه مطلوب تری بگیریم.

۳. خطاهای هوش مصنوعی کمتر شود

یکی از مشکلات مدل های زبانی، تولید اطلاعات اشتباه یا اصطلاحا «توهم هوش مصنوعی» (AI Hallucination) است.

پرامپت های دقیق می توانند احتمال این خطاها را کاهش دهند.

۴. خروجی شخصی سازی شود

با تعیین سبک، لحن و قالب خروجی، می توانیم پاسخ را متناسب با نیاز خود دریافت کنیم.

مهندسی پرامپت چگونه کار می کند؟

برای درک بهتر مهندسی پرامپت، باید بدانیم که یک مدل هوش مصنوعی چگونه درخواست ما را پردازش می کند.

وقتی یک پرامپت ارسال می کنیم، مدل هوش مصنوعی ابتدا متن را تحلیل می کند و تلاش می کند:

• هدف اصلی کاربر را تشخیص دهد
• ارتباط بین کلمات را بررسی کند
• اطلاعات مرتبط را از دانش آموزشی خود استخراج کند
• پاسخی مطابق با درخواست تولید کند

اما مدل تنها چیزی را می بیند که ما به آن ارائه داده ایم.

اگر اطلاعات کافی وجود نداشته باشد، مدل مجبور می شود برخی قسمت ها را حدس بزند.

برای همین یک مهندس پرامپت خوب تلاش می کند تمام اطلاعات ضروری را در اختیار مدل قرار دهد.

_{ساختار یک پرامپت حرفه ای}

یک پرامپت قدرتمند معمولا از چند بخش اصلی تشکیل می شود:

۱. تعیین نقش (Role)

یکی از روش های محبوب در مهندسی پرامپت، مشخص کردن نقش برای هوش مصنوعی است.

مثلا:

«تو یک متخصص سئو با ۱۰ سال تجربه هستی.»

یا:

«به عنوان یک برنامه نویس ارشد ASP.NET Core پاسخ بده.»

این کار باعث می شود مدل پاسخ را از زاویه تخصصی مشخصی تولید کند.

البته تعیین نقش به این معنی نیست که هوش مصنوعی واقعا آن فرد است؛ بلکه فقط یک چارچوب رفتاری برای تولید پاسخ ایجاد می کند.

۲. مشخص کردن هدف (Goal)

هدف باید واضح و دقیق باشد.

مثال ضعیف:

«درباره دیجیتال مارکتینگ توضیح بده.»

مثال بهتر:

«یک راهنمای کامل درباره دیجیتال مارکتینگ برای صاحبان کسب وکارهای کوچک بنویس که شامل روش های جذب مشتری، تبلیغات آنلاین و تحلیل نتایج باشد.»

هرچه هدف مشخص تر باشد، پاسخ نهایی کاربردی تر خواهد بود.

ادامه مقاله در

https://imaninova.ir/ArticleView/prompt-engineering-chist-va-cheri-mohem-shode