هوش مصنوعی (AI Prompting) چیست؟

اگر تا به حال سوالی را در یک چت‌بات تایپ کرده‌اید و با خود فکر کرده‌اید که هوم، این دقیقاً همان چیزی نیست که می‌خواستم ، به هنر هوش مصنوعی برای ایجاد انگیزه برخورد کرده‌اید. رسیدن به نتایج عالی کمتر به جادو و بیشتر به نحوه پرسیدن شما بستگی دارد. با چند الگوی ساده، می‌توانید مدل‌ها را برای نوشتن، استدلال، خلاصه کردن، برنامه‌ریزی یا حتی نقد کار خودشان هدایت کنید. و بله، ترفندهای کوچک در جمله‌بندی می‌تواند همه چیز را تغییر دهد. 😄

مقالاتی که شاید بعد از این مطلب دوست داشته باشید بخوانید:

🔗 برچسب‌گذاری داده‌های هوش مصنوعی چیست؟
توضیح می‌دهد که چگونه مجموعه داده‌های برچسب‌گذاری‌شده، مدل‌های یادگیری ماشین دقیقی را آموزش می‌دهند.

🔗 اخلاق هوش مصنوعی چیست؟
اصول راهنمای استفاده مسئولانه و منصفانه از هوش مصنوعی را پوشش می‌دهد.

🔗 MCP در هوش مصنوعی چیست؟
پروتکل Model Context و نقش آن در ارتباطات هوش مصنوعی را معرفی می‌کند.

🔗 هوش مصنوعی لبه‌ای چیست؟
اجرای محاسبات هوش مصنوعی را مستقیماً روی دستگاه‌های لبه محلی توصیف می‌کند.

هوش مصنوعی (AI Prompting) چیست؟ 🤖

ایجاد انگیزه در هوش مصنوعی ، عملی برای ایجاد ورودی‌هایی است که یک مدل مولد را به سمت تولید خروجی مورد نظر شما هدایت می‌کند. این می‌تواند به معنای دستورالعمل‌های واضح، مثال‌ها، محدودیت‌ها، نقش‌ها یا حتی یک قالب هدف باشد. به عبارت دیگر، شما مکالمه را طوری طراحی می‌کنید که مدل شانس مبارزه برای ارائه دقیقاً آنچه شما نیاز دارید را داشته باشد. راهنماهای معتبر، مهندسی انگیزه را به عنوان طراحی و اصلاح انگیزه‌ها برای هدایت مدل‌های زبانی بزرگ، با تأکید بر وضوح، ساختار و اصلاح مکرر، توصیف می‌کنند. [1]

بیایید صادق باشیم - ما اغلب با هوش مصنوعی مانند یک جعبه جستجو رفتار می‌کنیم. اما این مدل‌ها زمانی بهترین عملکرد را دارند که وظیفه، مخاطب، سبک و معیارهای پذیرش را به آنها بگویید. این به طور خلاصه، همان دستورالعمل هوش مصنوعی است.

چه چیزی باعث می‌شود که هوش مصنوعی (AI Prompting) خوب عمل کند؟

• وضوح، زیرکی را شکست می‌دهد - دستورالعمل‌های ساده و صریح، ابهام را کاهش می‌دهند. [2]

• زمینه پادشاه است - پیشینه، اهداف، مخاطب، محدودیت‌ها، و حتی یک نمونه نوشته را ارائه دهید.

• نشان دهید، فقط نگویید - چند مثال می‌تواند سبک و قالب را تثبیت کند. [3]

• ساختار کمک می‌کند - عنوان‌ها، نکات مهم، مراحل شماره‌گذاری شده و طرح‌های خروجی، مدل را هدایت می‌کنند.

• سریع تکرار کنید - بر اساس آنچه دریافت کرده‌اید، اعلان را اصلاح کنید، سپس دوباره آزمایش کنید. [2]

• نگرانی‌ها را از هم جدا کنید - ابتدا درخواست تحلیل کنید، سپس پاسخ نهایی را بخواهید.

• اجازه دهید صادق باشد - از مدل بخواهید در صورت نیاز بگوید «نمی‌دانم» یا اطلاعات ناقص را بپرسد. [4]

هیچ‌کدام از این‌ها علم پیچیده‌ای نیست، اما اثر مرکب آن واقعی است.

اجزای اصلی سازنده‌ی هوش مصنوعی 🧩

1. دستورالعمل،
   وظیفه را به طور واضح بیان کنید: یک بیانیه مطبوعاتی بنویسید، یک قرارداد را تجزیه و تحلیل کنید، کد را نقد کنید.

2. زمینه
   شامل مخاطب، لحن، دامنه، اهداف، محدودیت‌ها و هرگونه مانع حساس است.

3. مثال‌ها
   ۱ تا ۳ نمونه با کیفیت بالا برای شکل دادن به سبک و ساختار اضافه کنید.

4. فرمت خروجی:
   JSON، جدول یا طرح شماره‌گذاری شده را درخواست کنید. در مورد فیلدها دقیق باشید.

5. نوار کیفیت،
   «انجام شده» را تعریف کنید: معیارهای دقت، استنادها، طول، سبک، مشکلاتی که باید از آنها اجتناب کرد.

6. نکات گردش کار:
   استدلال گام به گام یا حلقه پیش نویس و سپس ویرایش را پیشنهاد دهید.

7. عدم موفقیت،
   اجازه‌ی گفتن «نمی‌دانم» یا پرسیدن سوالات روشن‌کننده در ابتدا. [4]

قبل/بعد کوتاه
قبل: «برای اپلیکیشن جدید ما متن بازاریابی بنویسید.»
بعد: «شما یک نویسنده ارشد تبلیغات برند هستید. برای فریلنسرهای پرمشغله‌ای که برای صرفه‌جویی در زمان ارزش قائلند، ۳ تیتر برای صفحه فرود بنویسید. لحن: مختصر، معتبر، بدون تبلیغات اغراق‌آمیز. ۵ تا ۷ کلمه. یک جدول با عنوان و دلیل مؤثر بودن آن . یک گزینه مخالف هم اضافه کنید.»

انواع اصلی دستورالعمل‌های هوش مصنوعی که واقعاً از آنها استفاده خواهید کرد 🧪

• راهنمایی مستقیم
  یک دستورالعمل واحد با حداقل زمینه. سریع، گاهی اوقات ناپایدار.

• راهنمایی با تعداد کم.
  چند مثال برای آموزش الگو ارائه دهید. برای قالب‌ها و لحن عالی است. [3]

• ایجاد انگیزه برای ایفای نقش:
  شخصیتی مانند ویراستار ارشد، معلم ریاضی یا بازرس امنیتی را برای شکل‌دهی به رفتار اختصاص دهید.

• راهنمایی زنجیره‌ای:
  از مدل بخواهید که به صورت مرحله‌ای فکر کند: برنامه‌ریزی، تهیه پیش‌نویس، نقد، اصلاح.

• خودانتقادی:
  از مدل بخواهید خروجی خود را در برابر معیارها ارزیابی کرده و مشکلات را برطرف کند.

• اعلان آگاه از ابزار
  وقتی مدل می‌تواند کد را مرور یا اجرا کند، به آن بگویید چه زمانی و چگونه از آن ابزارها استفاده کند. [1]

• نرده‌های محافظ باعث می‌شوند
  محدودیت‌های ایمنی و قوانین افشا را برای کاهش خروجی‌های پرخطر تعبیه کنید - مانند خطوط سپر در سالن بولینگ: کمی جیرجیر اما مفید. [5]

الگوهای عملی و کاربردی برای حل مسئله 🧯

• ساندویچ وظیفه
  با وظیفه شروع کنید، متن و مثال‌ها را در وسط اضافه کنید، و با بیان مجدد فرمت خروجی و نوار کیفیت، کار را تمام کنید.

• منتقد، سپس خالق:
  ابتدا درخواست تحلیل یا نقد کنید، سپس درخواست کنید که نسخه نهایی شامل آن نقد باشد.

• چک لیست محور:
  یک چک لیست ارائه دهید و از مدل بخواهید قبل از نهایی کردن، هر بخش را تأیید کند.

• Schema-First
  یک طرحواره JSON ارائه می‌دهد و از مدل می‌خواهد آن را پر کند. برای داده‌های ساختاریافته ایده‌آل است.

• حلقه مکالمه
  از مدل دعوت کنید تا 3 سوال شفاف بپرسد، سپس ادامه دهید. برخی از فروشندگان صراحتاً این نوع وضوح و جزئیات ساختار یافته را توصیه می‌کنند. [2]

یه تغییر کوچیک، یه تغییر بزرگ. خواهی دید.

راهنمایی هوش مصنوعی در مقابل تنظیم دقیق در مقابل فقط تعویض مدل 🔁

گاهی اوقات می‌توانید کیفیت را با یک دستورالعمل بهتر اصلاح کنید. در مواقع دیگر، سریع‌ترین راه، انتخاب یک مدل متفاوت یا اضافه کردن تنظیمات جزئی برای دامنه شماست. راهنماهای خوب فروشندگان توضیح می‌دهند که چه زمانی باید مهندسی را فراخوانی کرد و چه زمانی مدل یا رویکرد را تغییر داد. به طور خلاصه: از دستورالعمل برای چارچوب‌بندی وظایف و سازگاری استفاده کنید و تنظیمات دقیق را برای سبک دامنه یا خروجی‌های پایدار در مقیاس در نظر بگیرید. [4]

نمونه سوالات بر اساس دامنه 🎯

• بازاریابی
  شما یک نویسنده ارشد تبلیغات هستید. برای ایمیلی که به فریلنسرهای پرمشغله‌ای که برای صرفه‌جویی در زمان ارزش قائلند، ارسال می‌کنید، ۵ خط موضوع بنویسید. عنوان ایمیل را کوتاه، زیر ۴۵ کاراکتر نگه دارید و از علامت تعجب استفاده نکنید. خروجی را به صورت یک جدول ۲ ستونی بنویسید: موضوع، منطق. ۱ گزینه شگفت‌انگیز که یک هنجار را نقض می‌کند، اضافه کنید.

• محصول
  شما یک مدیر محصول هستید. این یادداشت‌های خام را به یک بیانیه مشکل واضح، داستان‌های کاربر در قالب «چه زمانی-آنگاه» و یک طرح اجرایی ۵ مرحله‌ای تبدیل کنید. فرضیات نامشخص را علامت بزنید.

• پشتیبانی:
  این پیام مشتری ناامید را به یک پاسخ آرامش‌بخش تبدیل کنید که راه حل را توضیح داده و انتظارات را تعیین کند. همدلی را حفظ کنید، از سرزنش خودداری کنید و یک لینک مفید قرار دهید.

• داده‌ها
  ابتدا فرضیات آماری در تحلیل را فهرست کنید. سپس آنها را نقد کنید. در نهایت یک روش ایمن‌تر با یک طرح شماره‌گذاری شده و یک مثال شبه‌کد کوتاه پیشنهاد دهید.

• حقوقی:
  این قرارداد را برای یک فرد غیرحقوقدان خلاصه کنید. فقط نکات مهم، بدون مشاوره حقوقی. هرگونه بند مربوط به غرامت، فسخ یا مالکیت معنوی را به زبان انگلیسی ساده بیان کنید.

اینها قالب‌هایی هستند که می‌توانید تغییرشان دهید، نه قوانین سفت و سخت. فکر می‌کنم این واضح است، اما با این حال.

جدول مقایسه - گزینه‌های اعلان هوش مصنوعی و نقاط قوت آنها 📊

بله، جدول کمی ناهموار است. زندگی واقعی هم همینطور است.

اشتباهات رایج در هوش مصنوعی و نحوه رفع آنها 🧹

1. سوالات مبهم
   اگر سوال شما شبیه بی‌احترامی به نظر می‌رسد، خروجی نیز همینطور خواهد بود. مخاطب، هدف، طول و قالب را اضافه کنید.

2. بدون مثال
   وقتی یک سبک خیلی خاص می‌خواهید، یک مثال بزنید. حتی یک مثال کوچک. [3]

3. بارگذاری بیش از حد دستورالعمل،
   دستورالعمل‌های طولانی بدون ساختار، مدل‌ها را گیج می‌کنند. از بخش‌بندی و نقاط گلوله‌ای استفاده کنید.

4. نادیده گرفتن ارزیابی
   همیشه ادعاهای واقعی، تعصب و از قلم افتادگی‌ها را بررسی کنید. در صورت لزوم، از استنادات دعوت کنید. [2]

5. نادیده گرفتن ایمنی
   مراقب دستورالعمل‌هایی باشید که ممکن است محتوای غیرقابل اعتماد را وارد کنند. تزریق سریع و حملات مرتبط، خطرات واقعی هنگام مرور یا دریافت از صفحات خارجی هستند؛ راهکارهای دفاعی طراحی کرده و آنها را آزمایش کنید. [5]

ارزیابی کیفیت سریع بدون حدس و گمان 📏

• موفقیت را از قبل تعریف کنید
  : دقت، کامل بودن، لحن، رعایت قالب و زمان رسیدن به خروجی قابل استفاده.

• از چک لیست یا دستورالعمل استفاده کنید.
  از مدل بخواهید قبل از ارائه نسخه نهایی، خود را بر اساس معیارها ارزیابی کند.

• حذف و مقایسه کنید.
  هر بار یک عنصر از دستورالعمل را تغییر دهید و تفاوت را اندازه‌گیری کنید.

• مدل یا دمای دیگری را امتحان کنید.
  گاهی اوقات سریع‌ترین راه، تغییر مدل یا تنظیم پارامترها است. [4]

• الگوهای خطا،
  توهمات، انحراف از محدوده، مخاطب اشتباه را ردیابی کنید. پاسخ‌های متقابلی بنویسید که صریحاً آنها را مسدود کنند.

ایمنی، اخلاق و شفافیت در آموزش هوش مصنوعی 🛡️

یک راهنمای خوب شامل محدودیت‌هایی است که ریسک را کاهش می‌دهد. برای موضوعات حساس، درخواست ارجاع به منابع معتبر کنید. برای هر چیزی که به سیاست یا انطباق مربوط می‌شود، از مدل بخواهید که یا ارجاع دهد یا آن را به تعویق بیندازد. راهنماهای تثبیت‌شده به‌طور مداوم دستورالعمل‌های واضح و مشخص، خروجی‌های ساختاریافته و اصلاح مکرر را به‌عنوان پیش‌فرض‌های ایمن‌تر ترویج می‌دهند. [1]

همچنین، هنگام ادغام محتوای مرور یا خارجی، صفحات وب ناشناخته را به عنوان غیرقابل اعتماد در نظر بگیرید. محتوای پنهان یا خصمانه می‌تواند مدل‌ها را به سمت اظهارات نادرست سوق دهد. دستورالعمل‌ها و آزمایش‌هایی بسازید که در برابر این ترفندها مقاومت کنند و یک انسان را برای پاسخ‌های حساس در حلقه نگه دارید. [5]

چک لیست شروع سریع برای راهنمایی قوی با هوش مصنوعی ✅🧠

• وظیفه را در یک جمله بیان کنید.

• مخاطب، لحن و محدودیت‌ها را اضافه کنید.

• ۱ تا ۳ مثال کوتاه اضافه کنید.

• قالب یا طرح خروجی را مشخص کنید.

• اول مراحل را بپرسید، بعد جواب نهایی را.

• نیاز به یک خودانتقادی مختصر و رفع اشکالات دارد.

• بگذارید در صورت نیاز سوالات روشن کننده بپرسد.

• بر اساس شکاف‌هایی که می‌بینید، تکرار کنید... سپس سوال برنده را ذخیره کنید.

کجا بدون غرق شدن در اصطلاحات تخصصی، بیشتر یاد بگیریم 🌊

منابع معتبر فروشندگان، سر و صدا را از بین می‌برند. OpenAI و مایکروسافت راهنماهای عملی برای راهنمایی را با مثال‌ها و نکات سناریو ارائه می‌دهند. Anthropic توضیح می‌دهد که چه زمانی راهنمایی، اهرم مناسب است و چه زمانی باید چیز دیگری را امتحان کرد. وقتی می‌خواهید نظر دومی داشته باشید که فقط حس و حال نباشد، این موارد را به طور اجمالی بررسی کنید. [1][2][3][4]

خیلی طولانی بود، نخوندمش و حرف آخر 🧡

با هوش مصنوعی می‌توانید یک ماشین هوشمند اما واقعی را به یک همکار مفید تبدیل کنید. کار را به آن بگویید، الگو را نشان دهید، قالب را ثابت کنید و یک معیار کیفیت تعیین کنید. کمی تکرار کنید. همین. بقیه‌اش تمرین و سلیقه است، با کمی لجاجت. گاهی اوقات بیش از حد به آن فکر می‌کنید، گاهی اوقات آن را کمتر از حد مشخص می‌کنید و گهگاه استعاره‌ای عجیب در مورد خطوط بولینگ اختراع می‌کنید که تقریباً جواب می‌دهد. ادامه دهید. تفاوت بین نتایج متوسط ​​و عالی معمولاً فقط یک پیشنهاد بهتر است.

منابع

1. OpenAI - راهنمای مهندسی سریع: ادامه مطلب

2. مرکز راهنمایی OpenAI - بهترین شیوه‌های مهندسی سریع برای ChatGPT: ادامه مطلب

3. آموزش مایکروسافت - تکنیک‌های مهندسی سریع (Azure OpenAI): ادامه مطلب

4. اسناد آنتروپیک - مرور سریع مهندسی: ادامه مطلب

5. OWASP GenAI - LLM01: تزریق سریع: ادامه مطلب

جدیدترین هوش مصنوعی را در فروشگاه رسمی دستیار هوش مصنوعی پیدا کنید

درباره ما