پرامپت‌های کاربردی

فهرست

• مقدمه و آشنایی اولیه با مهندسی پرامپت
• منابع آموزش و آشنایی با مفاهیم پایه‌ای مهندسی پرامپت
• پرامپت‌نویسی دو مرحله‌ای
• ترجمه انگلیسی به فارسی
• تجمیع دو متن
• خلاصه سازی یک متن
• تبدیل متن فارسی به پرامپت انگلیسی بهینه برای سرویس‌های تولید تصویر
• تبدیل متن فارسی به پرامپت انگلیسی بهینه برای تولید ویدیو با Veo 2
• ویراستاری
• خلاصه سازی کتاب‌ها

مقدمه و آشنایی اولیه با مهندسی پرامپت

مهندسی پرامپت¹ یا پرامپت‌نویسی، هنر و علم طراحی دستورالعمل‌های دقیق و مؤثر برای هدایت مدل‌های هوش مصنوعی (AI) به سمت تولید خروجی‌های مطلوب است. به زبان ساده، پرامپت همانند یک فرمان، سوال یا ورودی متنی است که شما به یک سیستم هوش مصنوعی، مانند یک چت‌بات یا یک مولد تصویر، ارائه می‌دهید تا پاسخ یا نتیجه خاصی دریافت کنید. برای مثال، به جای اینکه به یک مدل هوش مصنوعی بگویید "درباره گربه‌ها بنویس"، یک پرامپت مهندسی‌شده می‌تواند اینگونه باشد: "یک پاراگراف کوتاه در مورد تاریخچه اهلی شدن گربه‌ها در مصر باستان بنویس و به نقش آن‌ها در اساطیر اشاره کن." در دنیای امروز که هوش مصنوعی به سرعت در حال پیشرفت است، پرامپت‌ها نقشی حیاتی ایفا می‌کنند؛ آن‌ها کلید ارتباط مؤثر ما با این فناوری‌های پیچیده هستند و به ما امکان می‌دهند تا از پتانسیل عظیم آن‌ها در حوزه‌های مختلف، از تولید محتوا و تحلیل داده گرفته تا حل مسائل پیچیده، به بهترین شکل بهره‌مند شویم.

این سند با هدف اصلی سرعت بخشیدن به فرآیند استفاده از ابزارهای هوش مصنوعی و همچنین بهره‌گیری از تجربیات جمعی در استفاده از پرامپت‌های کارآمد و بهینه تهیه شده است. در این مجموعه، ما پرامپت‌های پرکاربرد و آزمایش‌شده خود را ذخیره، دسته‌بندی و به‌روزرسانی می‌کنیم تا در هنگام نیاز، به سرعت و با اطمینان از کیفیت، به آن‌ها دسترسی داشته باشیم و بتوانیم وظایف خود را با کارایی بیشتری انجام دهیم. برای عزیزانی که علاقه‌مند به آشنایی عمیق‌تر و یادگیری مبانی و تکنیک‌های پیشرفته‌تر مهندسی پرامپت هستند، جدولی حاوی منابع آموزشی منتخب و معتبر در این حوزه ارائه شده است که برای مطالعه و تعمق بیشتر در دسترس خواهد بود.

نکات کلی و کاربردی برای نوشتن پرامپت‌های بهتر و موثرتر

متا پرامپتینگ² و پرامپت‌نویسی دو مرحله‌ای

در فرآیند نوشتن دستور (پرامپت) برای هوش مصنوعی، گاهی بهترین راه برای رسیدن به نتیجه مطلوب، دادن یک دستور مستقیم نیست. در عوض، می‌توانیم از یک رویکرد پیشرفته‌تر و هوشمندانه‌تر استفاده کنیم که به آن «پرامپت‌نویسی دو مرحله‌ای» یا در ادبیات تخصصی «متا پرامپتینگ» (Meta-Prompting) می‌گویند. در این روش، شما به جای اینکه مستقیماً از هوش مصنوعی بخواهید کاری را انجام دهد، ابتدا از او به عنوان یک "متخصص پرامپت‌نویسی" استفاده می‌کنید. یعنی از خودِ هوش مصنوعی می‌خواهید که بهترین دستور ممکن را برای انجام وظیفه نهایی شما طراحی کند.

پیاده‌سازی این تکنیک بسیار ساده است. کافی است در دستور اولیه خود، یک طرح کلی و حرفه‌ای برای هوش مصنوعی ترسیم کنید. این طرح معمولاً با تعریف یک نقش تخصصی برای آن (مثلاً «تو یک استراتژیست بازاریابی هستی»)، مشخص کردن وظیفه اصلی او (که همان «نوشتن یک پرامپت عالی» است) و ارائه چند دستورالعمل کلیدی مانند لحن، سبک و مخاطب هدف انجام می‌شود. با این کار، شما به هوش مصنوعی یک چارچوب فکری می‌دهید تا دستوری دقیق و ساختاریافته تولید کند.

پرامپتی که هوش مصنوعی در پاسخ به این درخواست جامع تولید می‌کند، یک دستورالعمل حرفه‌ای خواهد بود که با استفاده مجدد از آن، به نتیجه‌ای بسیار باکیفیت‌تر دست خواهید یافت. با این روش، شما از یک درخواست‌کننده ساده به یک **«معمار»** یا **«کارگردان»** برای خروجی هوش مصنوعی تبدیل می‌شوید و کنترل بسیار بیشتری بر کیفیت محصول نهایی، به خصوص در وظایف پیچیده و خلاقانه، خواهید داشت.

مقیاس‌ها در پرامپت‌نویسی : ابزار دقیق برای کنترل خروجی هوش مصنوعی

وقتی از مقیاس‌ها (عددی، توصیفی یا نسبی) در #پرامپت استفاده می‌کنی، خروجی مدل دقیق‌تر، قابل‌پیش‌بینی‌تر و متناسب با نیازت می‌شه.

انواع مقیاس‌ها و کاربردها:

مثال‌های علمی:

الگوی پیشنهادی پرامپت: [موضوع] + [سطح تخصص یا پیچیدگی با عدد] + [لحن یا سبک با عدد یا توصیف] + [مخاطب هدف]

استفاده از مقیاس، مثل داشتن درجه تنظیم در مکالمه با هوش مصنوعیه .

Context Engineering

مهندسی زمینه (Context Engineering) رویکردی پیشرفته در هوش مصنوعی است که بر چیدمان دقیق اطلاعات، ابزارها و دستورالعمل‌ها برای «عامل‌های هوشمند» (AI Agents) تمرکز دارد.

برخلاف مهندسی پرامپت که برای گفتگوهای ساده کاربرد دارد، این روش برای ساخت سیستم‌های مستقلی مانند پشتیبان فروشگاه آنلاین ضروری است، زیرا به جای یک دستور لحظه‌ای، یک نقشه راه کامل و از پیش طراحی‌شده در اختیار هوش مصنوعی قرار می‌دهد. این نقشه راه به عامل هوشمند می‌آموزد که چه وظیفه‌ای را، چگونه و با چه ابزاری انجام دهد و در نتیجه، می‌تواند وظایف پیچیده را به صورت خودکار، با کمترین خطا و بدون نیاز به دخالت مداوم کاربر به سرانجام برساند.

برای درک بهتر، تفاوت آن را با مهندسی پرامپت در نظر بگیرید. در مهندسی پرامپت، شما صرفاً یک دستور ساده صادر می‌کنید؛ مانند اینکه بگویید «یک تخم‌مرغ بپز.» اما در مهندسی زمینه، یک عامل هوشمند (Agent) طوری طراحی می‌شود که خودش با دسترسی به دانش لازم، تمام جزئیات دقیق برای پخت یک «تخم‌مرغ عسلی با زرده روان» را فراهم کرده و در اختیار مدل قرار می‌دهد.

این تفاوت در کاربردهای واقعی برجسته‌تر هم می‌شود. یک چت‌بات ساده که با مهندسی پرامپت کار می‌کند، می‌تواند به سوالی مثل «بهترین رنگ کفش برای دویدن چیست؟» پاسخ دهد. در مقابل، یک «عامل پشتیبانی فروشگاه» که با مهندسی زمینه ساخته شده، به طور خودکار به پایگاه داده موجودی، سوابق خرید مشتری و سیستم ارسال متصل است. در نتیجه، این عامل می‌تواند بدون نیاز به ورود اطلاعات توسط کاربر، به سوالات پیچیده‌ای مانند «سفارش من با شماره ۱۲۳ کجاست؟» پاسخی دقیق و عملیاتی بدهد.

بنابراین، مهندسی زمینه به جای تمرکز بر نوشتن یک دستور خوب، بر طراحی یک «سیستم» کامل و مستقل تمرکز دارد که در آن، هوش مصنوعی نقشه راه دقیقی برای انجام خودکار وظایف در اختیار دارد.

tut

غلبه بر سوگیری تأییدی در پاسخ دریافتی از مدل‌های زبانی

کاربران اغلب هنگام مطرح کردن یک ایده با مدل‌های زبانی، با پاسخ‌هایی مواجه می‌شوند که ایده آن‌ها را بیش از حد تأیید می‌کند. این حالت چاپلوسانه و «بله‌قربانگو» بودن در عملکرد این مدل‌ها، نه یک نقص فنی یا باگ الگوریتمی، بلکه رفتاری عمدی است. این رفتار به منظور دریافت ارزیابی خوب از سوی کاربر انجام می‌شود و بخشی از فرآیند «یادگیری تقویتی از طریق بازخورد انسانی³ » است. تأیید بی‌چون‌وچرای ایده‌ها توسط هوش مصنوعی، به خصوص زمانی که کاربر قصد دارد بر اساس آن تصمیمات مهم و هزینه‌زا (مانند ایده‌های کسب و کار) بگیرد، می‌تواند آسیب‌زننده و مشکل‌ساز باشد.

تمایل مدل‌های زبانی به تأیید ایده کاربر، تقلیدی از یک تمایل روان‌شناختی است که در اکثر انسان‌ها وجود دارد و «سوگیری تأییدی» یا Confirmation Bias نامیده می‌شود. سوگیری تأییدی یعنی تمایل به جمع‌آوری اطلاعات، شواهد و استدلال‌هایی که باورهای موجود یا مطلوب فرد را تأیید کنند و تلاش ناچیز برای یافتن شواهدی که آن باورها را رد می‌کنند. اگر کاربر روش‌های اصولی را اجرا نکند، مدل‌ زبانی نیز دقیقاً همین کار را انجام می‌دهد؛ یعنی برای تأیید نظر کاربر شواهد و منطق می‌آورد و در نتیجه، ارزیابی‌ای که کاربر از ایده خود به دست می‌آورد، بسیار غیرواقع‌بینانه خواهد بود.

آزمایش‌های انجام شده نشان می‌دهند که سوگیری تأییدی یک مشکل فراگیر است و ارتباطی به نوع مدل مورد استفاده ندارد؛ چه از مدل‌های سریع و رایگان استفاده شود، چه مدل‌های Thinking و غیره. برای جلوگیری از این سوگیری، لازم است که کاربران فعالانه و آگاهانه عمل کرده و صرفاً به دانستن وجود سوگیری اکتفا نکنند.

راهکار اصلی برای غلبه بر سوگیری تأییدی، استفاده از یک پرامپت انتقادی است که می‌تواند در بخش دستورالعمل‌های سفارشی⁴ که بعضی چت‌بات‌ها ارائه می‌دهند یا به صورت مجزا در ابتدای هر پرسش یا پرامپت قرار گیرد. این پرامپت باید از هوش مصنوعی بخواهد که تمجیدهای بی‌مورد را کنار بگذارد، ایده‌ها را نقادانه بررسی کند، فرضیات پنهان را زیر سؤال ببرد، دیدگاه‌های مخالف را مطرح نماید و در صورت تأیید ایده، حتماً بر پایه شواهد معتبر و منطق استدلال بچیند. راهکار دوم برای دستیابی به یک درک واقع‌بینانه، درخواست صریح از مدل‌ زبانی است تا پاسخ سؤال را از سه زاویه مختلف ارائه دهد: دیدگاه بی‌طرف، دیدگاه مخالف و دیدگاه مثبت.

پرامپت پیشنهادی

پرامپت زیر می‌تواند برای غلبه بر سوگیری تأییدی در پرامت‌های تعامل با مدل‌های زبانی، مورد استفاده قرار گیرد:

در تمام پاسخ‌هایت، به جای تمجید و سوگیری، روی محتوا تمرکز کن. از تعارف‌های غیرضروری خودداری کن. با ایده‌های من نگاهی منتقدانه داشته باش و فرضیاتم را، حتی موارد پنهان آن، به چالش بکش. سوگیری‌هایم را شناسایی کن و در صورت لزوم، نظر مخالف ارائه بده. از مخالفت با من نترس و اطمینان داشته باش که هرگونه تأیید تو نسبت به نظرات و ایده‌هایم، بر پایه‌ی منطق و شواهد است.

قانون 80/20 پارتو در پرامپت‌نویسی

قانون پارتو می‌گه: «۸۰٪ نتیجه، از ۲۰٪ ورودی‌های مهم به‌دست میاد.»

پرامپت‌ پیشنهادی پارتویی:

I want to learn about the {موضوع یا حرفه ای که میخواهید یاد بگیرید} topic. Identify and share the most important 20% of learnings from this topic that will help me understand 80% of it.

«می‌خوام با استفاده از قانون ۲۰/۸۰، این متن/درس/مفهوم رو خلاصه کنی. یعنی فقط ۲۰٪ محتوایی رو بگو که ۸۰٪ ارزش، یادگیری یا نتیجه رو ایجاد می‌کنه. نکات رو به ترتیب اهمیت بگو و در حد امکان ساده و قابل فهم توضیح بده. در پایان اگر لازم بود، یک مثال کوتاه بزن.»

این پرامپت با بهره‌گیری از قانون ۸۰/۲۰ (که به قانون پارتو معروف است)، به فرد کمک می‌کند تا در زمان کمتری، بیشترین میزان یادگیری را از یک موضوع خاص به دست آورد. به جای اینکه فرد برای یادگیری همه جزئیات و موضوعات مرتبط وقت زیادی صرف کند، پرامپت از او می‌خواهد که به ۲۰ درصد از محتوایی که بیشترین تأثیر را دارد، تمرکز کند. این ۲۰ درصد شامل نکات کلیدی، مفاهیم بنیادی، و مطالبی است که به فرد کمک می‌کند تا ۸۰ درصد از موضوع را درک کند.

مدیریت حافظه هوش مصنوعی در گفتگوهای طولانی

توصیه کاربردی: برای بهره‌وری بیشتر در کار با دستیارهای هوش مصنوعی، به‌خصوص در مکالمات چندمرحله‌ای و پیچیده، به خاطر داشته باشید که این مدل‌ها ممکن است در میانه راه دچار سردرگمی شوند. تحقیقات نشان می‌دهد که با افزایش طول گفتگو، مدل‌ها تمایل دارند به پاسخ‌های اولیه خود (حتی اگر اشتباه باشند) بچسبند و اطلاعاتی را که در میانه مکالمه به آن‌ها داده‌اید، فراموش کنند که این امر منجر به افت کیفیت و دقت پاسخ‌ها می‌شود. بهترین راهکار برای مقابله با این مشکل، «شروع دوباره هوشمندانه» است. اگر احساس کردید که مدل دیگر منظور شما را به درستی درک نمی‌کند، به جای تلاش برای اصلاح آن در همان گفتگو، یک چت جدید باز کنید و تمام اطلاعات و دستورالعمل‌های لازم را به صورت یکجا و منسجم در اختیارش قرار دهید. یک تکنیک مؤثر دیگر این است که از خودِ مدل بخواهید خلاصه‌ای از مباحث مطرح‌شده را به شما بدهد، سپس آن خلاصه را در یک پنجره چت جدید کپی کرده و گفتگو را از آن نقطه ادامه دهید تا با یک زمینه (Context) تمیز و متمرکز، عملکرد دقیق‌تری داشته باشد.

پرامپت نویسی با JSON

راهنمای پرامپت‌نویسی ساختاریافته با استفاده از JSON

JSON چیست و چه کاربردی در پرامپت‌نویسی دارد؟

واژه JSON مخفف عبارت JavaScript Object Notation است. اگرچه نام کامل آن ممکن است فنی به نظر برسد، اما مفهوم آن در عمل بسیار ساده است. JSON یک قالب استاندارد و سبک برای ساختاردهی به داده‌ها با استفاده از جفت‌های کلید-مقدار (key-value) است که خوانایی بالایی برای انسان و پردازش ساده‌ای برای ماشین دارد.

برای درک بهتر، JSON را می‌توان به یک فرم سفارش دقیق تشبیه کرد. در این فرم، هر مشخصه (مانند اندازه پیتزا، نوع خمیر و مواد افزودنی) به وضوح برچسب‌گذاری شده و مقدار آن مشخص است. این ساختار دقیق، هرگونه ابهام یا نیاز به تفسیر را از بین می‌برد و تضمین می‌کند که خروجی دقیقاً مطابق با ورودی تعریف‌شده باشد.

مثال ساده از ساختار JSON:

مثال سفارش پیتزا در قالب JSON:

همان‌طور که مشاهده می‌شود، تمامی پارامترها به شکلی شفاف و بدون ابهام تعریف شده‌اند.

چالش اصلی در پرامپت‌نویسی با زبان طبیعی

زبان طبیعی، با وجود قدرت بالای بیانی خود، ذاتاً دارای ابهام است. زمانی که از یک مدل هوش مصنوعی با دستوری کلی مانند «این ایمیل را خلاصه کن» یا «نکات مهم آن را استخراج کن» استفاده می‌کنیم، فضای زیادی برای تفسیرهای چندگانه ایجاد می‌کنیم. این امر می‌تواند منجر به تولید خروجی‌های غیردقیق یا نامرتبط شود؛ پدیده‌ای که با عنوان «هذیان‌گویی» (Hallucination) شناخته می‌شود.

در این نقطه، پرامپت‌نویسی مبتنی بر JSON به عنوان یک راه‌حل کارآمد مطرح می‌شود. مدل‌های هوش مصنوعی پیشرفته بر روی مجموعه‌های عظیمی از داده‌های ساختاریافته، از جمله APIها و داده‌های وب، آموزش دیده‌اند. بنابراین، تعامل با آن‌ها از طریق یک قالب ساختاریافته که برایشان قابل فهم است، به پاسخ‌های دقیق‌تر و قابل‌اعتمادتری منجر می‌شود.

مزایای کلیدی پرامپت‌نویسی با JSON

کاربرد نوین در تولید ویدیو

اگرچه این تکنیک برای انواع مدل‌های هوش مصنوعی کاربردی است، اما اخیراً به دلیل تأثیر چشمگیر آن در مدل‌های تولید ویدیو، توجه ویژه‌ای به خود جلب کرده است. استفاده از JSON برای تعریف دقیق پارامترهای صحنه، حرکت دوربین، مشخصات کاراکتر و عناصر بصری، به کاربران امکان می‌دهد تا خروجی‌هایی با دقت و کیفیت هنری بالا تولید کنند.

در بخش بعد، نمونه‌هایی از ویدیوهای تولید شده به همراه پرامپت‌های JSON مربوط به آن‌ها ارائه خواهد شد.

پالایش مکرر دستور⁵ : کلیدی برای دریافت بهترین پاسخ از هوش مصنوعی

ترجمه انگلیسی به فارسی

---

تجمیع دو متن

---

خلاصه سازی یک متن

در صورتی که مایل هستید متن خلاصه، در قالب توصیف شده در بخش "<span style="color: rgb(53, 152, 219);">Format your response as follows</span>" ایجاد گردد (که چندان توصیه نمی‌گردد)، این بخش را نیز در پرامپت قرار دهید.

---

تبدیل متن فارسی به پرامپت انگلیسی بهینه برای سرویس‌های تولید تصویر (دومرحله‌ای)

سیستمی برای تولید پرامپت که با دریافت یک جمله ساده به زبان فارسی، یک پرامپت بهینه و مهندسی شده به زبان انگلیسی همراه با یک پرامپت منفی<a href="#bkmrk-footnote-1747121750966" title=" Negative"><sup>6</sup></a> ارائه می‌دهد. حتماً توجه داشته باشید که خروجی این دستور یک پرامپت اصلی و یک پرامپ منفی است که باید برای تولید تصویر به کار ببرید. بسته به مدل تولید تصویری که استفاده می‌کنید، ممکن است ابزار شما از پرامپت منفی نیز پشتیبانی کند؛ در این صورت، آن را به صورت جداگانه کپی کرده و در بخش مربوط به پرامپت منفی در ابزار تولید تصویر وارد کنید.

---

تبدیل متن فارسی به پرامپت انگلیسی بهینه برای تولید ویدیو با Veo (دومرحله‌ای)

این سیستم پرامپت به این صورت عمل می‌کند که شما یک ایده ساده را به زبان فارسی وارد می‌کنید؛ سپس پرامپت، یک پرامپت بهینه و مهندسی شده همراه با یک پرامپت منفی در اختیار شما قرار می‌دهد. حتماً توجه داشته باشید که خروجی این دستور یک پرامپت اصلی و یک پرامپ منفی است که باید برای تولید ویدئئو به کار ببرید. بسته به مدل تولید ویدئویی که استفاده می‌کنید، ممکن است ابزار شما از پرامپت منفی نیز پشتیبانی کند؛ در این صورت، آن را به صورت جداگانه کپی کرده و در بخش مربوط به پرامپت منفی در ابزار تولید ویدئو وارد کنید.

---

ویراستاری

ویراستاری متن پیاده شده از یک فایل توسط هوش مصنوعی که مشکلات و قطعات نامفهوم زیادی دارد.

پیاده‌سازی فایل صوتی و ویراستاری هم‌زمان توسط Google Ai Studio

پرامپت فرمت دهی متن برای قرارگیری در کانال تلگرام

پرامپت مختصر برای ایجاد یک برنامه صوتی در Google AI Studio

خلاصه سازی کتاب‌ها

---

تحلیل جامع و عمیق درباره سازمان ^{(مورد استفاده در مدار برای DeepResearch)}