راهنما · ۷ دقیقه مطالعه
راهنمای نوشتن پرامپت فارسی برای پاسخ دقیقتر
یک روش عملی برای تبدیل درخواست مبهم به پرامپت فارسی روشن، قابل سنجش و مناسب گفتگوی PiGPT.
پرامپت فارسی خوب جملهای جادویی نیست. یک صورتمسئلهٔ روشن است که به مدل میگوید چه نتیجهای میخواهید، چه اطلاعاتی برای تصمیم لازم است، چه محدودیتهایی وجود دارد و پاسخ را در چه قالبی تحویل دهد. هرچه معیار موفقیت برای خودتان روشنتر باشد، احتمال دریافت پاسخ دقیقتر بیشتر میشود.
در گفتگوی PiGPT میتوانید درخواست را به فارسی بنویسید، پاسخ را ادامه دهید و متن اولیه را اصلاح کنید. لازم نیست همهچیز را در یک پیام بسیار بلند جا بدهید؛ اما پیام اول باید بهاندازهای زمینه داشته باشد که مدل مجبور نشود دربارهٔ هدف اصلی حدس بزند.
چرا درخواستهای فارسی گاهی پاسخ مبهم میگیرند؟
درخواست «دربارهٔ بازاریابی توضیح بده» از نظر دستوری کامل است، اما هدف ندارد. آیا خواننده دانشآموز است یا مدیر فروش؟ پاسخ برای یادگیری است یا تصمیم خرید؟ طول و قالب چیست؟ مدل معمولاً یک پاسخ عمومی میسازد چون هیچ معیار دیگری ندارد.
مشکل دوم، ضمیر و مرجع نامشخص است. در فارسی زیاد مینویسیم «این را بهتر کن» یا «مثل قبلی بنویس»، در حالی که متن مورد نظر یا ویژگی «بهتر» در پیام حاضر نیست. بهتر است نام شیء را تکرار کنید: «این توضیح محصول را برای صفحهٔ فروش کوتاهتر کن و ادعاهای عددی را تغییر نده.»
مشکل سوم، ترکیب چند کار نامرتبط در یک پیام است. ترجمه، نقد، بازنویسی و ساخت جدول هرکدام معیار متفاوت دارند. اگر همه لازماند، ترتیب کار و خروجی هر مرحله را مشخص کنید. در غیر این صورت پاسخ ممکن است بخشی از درخواست را نادیده بگیرد.
چهار جزء اصلی یک پرامپت فارسی
جزء اول «هدف» است. با یک فعل روشن شروع کنید: خلاصه کن، مقایسه کن، بازنویسی کن، خطا را پیدا کن یا برنامه بساز. «کمک کن» هدف قابل سنجشی نیست. «سه دلیل افت نرخ تبدیل را از دادههای زیر استخراج کن» روشنتر است.
جزء دوم «زمینه» است. فقط اطلاعاتی را بدهید که بر پاسخ اثر دارد: مخاطب، موقعیت، دادهٔ ورودی، تعریف اصطلاحهای داخلی و تصمیمی که قرار است با پاسخ بگیرید. زمینه نباید تاریخچهٔ کامل پروژه باشد. اگر یک واقعیت مهم را نمیدانید، آن را حدس نزنید؛ بنویسید «اگر اطلاعات کافی نیست، سؤال بپرس».
جزء سوم «محدودیت» است. طول، لحن، زبان، موارد ممنوع، حفظ اعداد یا نیاز به ذکر عدم قطعیت نمونههای محدودیتاند. محدودیتهای متناقض نسازید. «کامل و جامع در دو جمله» معمولاً شدنی نیست؛ باید میان پوشش و اختصار اولویت تعیین کنید.
جزء چهارم «قالب خروجی» است. پاراگراف، فهرست، جدول متنی، JSON، ایمیل یا چکلیست را مشخص کنید. قالب تنها ظاهر نیست؛ به مدل نشان میدهد اطلاعات چگونه دستهبندی شوند. اگر قالب ماشینخوان میخواهید، کلیدها و یک نمونهٔ کوتاه بدهید.
یک الگوی قابل استفاده
این الگو برای بسیاری از درخواستها کافی است:
«هدف: [کار مشخص]. زمینه: [مخاطب و اطلاعات ضروری]. ورودی: [متن یا داده]. محدودیتها: [طول، لحن، موارد ممنوع]. قالب خروجی: [ساختار دقیق]. اگر اطلاعات کافی نیست، قبل از پاسخ [تعداد] سؤال کوتاه بپرس.»
مثلاً بهجای «این متن را خوب کن» بنویسید: «متن زیر را برای صفحهٔ راهنمای کاربر بازنویسی کن. مخاطب با اصطلاح فنی آشنا نیست. معنی و عددها تغییر نکنند، لحن مستقیم باشد و خروجی حداکثر ۱۲۰ کلمه در سه پاراگراف باشد. اگر اصطلاح مبهمی دیدی، آن را در پایان فهرست کن.»
این قالب را کورکورانه در هر پیام تکرار نکنید. برای سؤال ساده، یک جملهٔ دقیق کافی است. ساختار کامل زمانی ارزش دارد که خروجی مهم، چندشرطی یا قابل تحویل به شخص دیگری باشد.
مثال: از پرامپت ضعیف تا پرامپت دقیق
درخواست ضعیف: «برای محصول ما متن بنویس.» این جمله نه محصول را معرفی میکند، نه مخاطب و نه محل انتشار را.
نسخهٔ بهتر: «برای صفحهٔ معرفی یک نرمافزار حسابداری ابری، یک تیتر و توضیح ۶۰ کلمهای بنویس. مخاطب صاحب فروشگاه کوچک است. روی ثبت هزینه و دیدن گزارش ماهانه تمرکز کن. دربارهٔ قیمت یا درصد صرفهجویی ادعایی نساز. لحن ساده و حرفهای باشد.»
حالا معیار ارزیابی داریم: نوع خروجی، مخاطب، طول، دو مزیت مجاز و یک ممنوعیت. اگر پاسخ دربارهٔ قابلیت دیگری حرف بزند یا عدد بسازد، میتوانیم دقیقاً بگوییم کدام شرط رعایت نشده است.
برای اصلاح پاسخ نیز بهجای «بهترش کن» بگویید: «تیتر را کوتاهتر کن، جملهٔ دوم را از حالت تبلیغاتی خارج کن و اشاره به گزارش ماهانه را نگه دار.» بازخورد مشخص، دور دوم را بسیار مفیدتر میکند.
منبع و عدم قطعیت را چگونه مدیریت کنیم؟
مدل میتواند متن روانی بسازد که واقعیت آن تأیید نشده است. اگر پاسخ به واقعیت روز، عدد، قانون، قیمت یا مشخصات محصول وابسته است، منبع معتبر بدهید یا درخواست کنید موارد نامطمئن جدا شوند. جملهٔ مفید این است: «فقط از اطلاعات ورودی استفاده کن؛ اگر دادهای موجود نیست، بنویس نامشخص است.»
برای موضوعهای تحلیلی، از مدل بخواهید «واقعیت»، «برداشت» و «پیشنهاد» را جدا کند. این تفکیک مانع قطعیت کاذب میشود. اگر از متن خودتان سؤال میپرسید، مشخص کنید پاسخ نباید دانش بیرونی را با متن مخلوط کند.
در کارهای حساس، پاسخ هوش مصنوعی جای بازبینی متخصص را نمیگیرد. پرامپت بهتر کیفیت ساختار و شفافیت را بالا میبرد، اما تضمین صحت پزشکی، حقوقی، مالی یا امنیتی نیست. معیار بررسی انسانی را از ابتدا جزئی از فرایند قرار دهید.
ادامهٔ گفتگو بهتر است یا پرامپت تازه؟
اگر موضوع و دادهٔ اصلی همان است، ادامهٔ همان گفتگو زمینه را حفظ میکند. میتوانید از پاسخ بخواهید یک بخش را کوتاه کند، مثال اضافه کند یا قالب را عوض کند. باز کردن گفتگوی تازه زمانی بهتر است که موضوع عوض شده، زمینهٔ قبلی مزاحم است یا میخواهید نتیجه را بدون اثر دستورهای قبلی بسنجید.
در هر دور فقط مهمترین ایرادها را اصلاح کنید. فرستادن ده دستور تازه ممکن است برخی شرطهای قبلی را عقب براند. در پیام اصلاحی، شرطهای حیاتی را دوباره کوتاه یادآوری کنید: «عددها ثابت بمانند؛ فقط لحن و طول را تغییر بده.»
اگر کار از یک قالب شناختهشده پیروی میکند، شروع سریع یا یکی از استودیوها میتواند مناسبتر از جعبهٔ خالی باشد. این مسیرها ورودیها را ساختاریافته میگیرند و احتمال جا افتادن اطلاعات پایه را کاهش میدهند.
دستورالعملهای سفارشی در PiGPT
در تنظیمات PiGPT بخش «شخصیسازی» وجود دارد. میتوانید شخصیسازی را فعال کنید، سبک پایه و ویژگیهای پاسخ را انتخاب کنید و دو زمینهٔ «دربارهٔ شما» و «چگونه پاسخ دهد» را بنویسید. این دستورالعملها در گفتگوها اعمال میشوند و برای ترجیحهای پایدار مناسباند.
اطلاعاتی مثل «پاسخها فارسی معیار باشند»، «برای مخاطب غیرفنی بنویس» یا «پیش از نتیجه، فرضها را بگو» میتواند دستورالعمل پایدار باشد. جزئیات موقت پروژه، رمز، دادهٔ حساس یا متن طولانی هر کار را آنجا نگذارید؛ آنها باید در گفتگوی مربوط به همان کار بیایند.
شخصیسازی جای پرامپت روشن را نمیگیرد. اگر در تنظیمات نوشتهاید پاسخ کوتاه باشد اما در یک کار گزارش مفصل میخواهید، در همان پیام استثنا را مشخص کنید. دستور نزدیکتر و صریحتر برای کار جاری، ابهام را کمتر میکند.
چکلیست پیش از ارسال
- فعل اصلی درخواست روشن است؟
- مخاطب یا کاربرد خروجی مشخص است؟
- دادهٔ لازم را کامل گذاشتهاید و موارد نامعلوم را علامت زدهاید؟
- محدودیتها با هم تعارض ندارند؟
- قالب و طول خروجی معلوم است؟
- از مدل نخواستهاید واقعیت یا منبعی را حدس بزند؟
- میتوانید با دو یا سه معیار بگویید پاسخ موفق بوده است؟
اگر پاسخ منطبق نبود، نخست بررسی کنید کدام جزء در پرامپت مبهم بوده است. گاهی مشکل از مدل نیست؛ خود درخواست دو تفسیر معتبر دارد. آن تفسیرها را جدا کنید و اولویت بدهید.
جمعبندی
پرامپت فارسی دقیق از هدف، زمینه، محدودیت و قالب ساخته میشود. با درخواست کوچک شروع کنید، نتیجه را بر اساس معیارهای روشن بسنجید و بازخورد مشخص بدهید. برای تمرین، گفتگوی PiGPT را باز کنید و یکی از درخواستهای مبهم روزمرهٔ خود را با الگوی این مقاله بازنویسی کنید. اگر تازه وارد محصول شدهاید، راهنمای شروع کار مسیر محیط گفتگو را توضیح میدهد.
