در طول چند سال تدریس مهندسی پرامپت به فارسیزبانها، یک الگوی روشن دیدهام: وقتی خروجی ChatGPT یا Claude یا Gemini ضعیف است، در بیش از ۹۰ درصد مواقع مشکل از مدل نیست؛ از پرامپت است. مدلهای امروزی بهقدری قدرتمندند که اگر دستور را دقیق بدهید، حتی نسخههای ارزانتر هم نتیجه فوقالعادهای میدهند. در این راهنما ۱۵ اشتباه پرتکرار را با مثال «قبل» و «بعد» فارسی بررسی میکنیم تا بدانید دقیقاً کجا را باید عوض کنید.
چطور یک پرامپت بد را تشخیص دهیم؟
قبل از ورود به ۱۵ اشتباه، یک چکلیست سریع پنجعلامته داریم. اگر حتی یک مورد از این علائم در پرامپتتان وجود دارد، احتمال اینکه خروجی ضعیف بگیرید بالا میرود. این علامتها در عمل از تحلیل بیش از هزار پرامپت فارسی استخراج شدهاند و یک فیلتر سریع برای تشخیص پرامپتهای مشکلدار به شما میدهند.
- پرامپت کمتر از دو خط است. اگر همه دستور در یک جمله جا گرفته، احتمالاً جزئیات لازم را ندادهاید.
- هیچ اشارهای به مخاطب نیست. «برای چه کسی مینویسی» مشخص نیست.
- فرمت خروجی تعیین نشده. پاراگراف؟ لیست؟ جدول؟ JSON؟ مدل خودش حدس میزند.
- چند سوال متفاوت در یک متن. مدل گیج میشود به کدام جواب بدهد.
- اگر یک همکارتان پرامپت را بخواند، نمیفهمد دقیقاً چه میخواهید. این مهمترین تست است.
اشتباه ۱: مبهم بودن دستور (Vague Instructions)
پرتکرارترین اشتباه فارسیزبانها این است که از مدل میخواهند «یک چیز خوب» تولید کند بدون آنکه «خوب» را تعریف کنند. خوب برای چه کسی؟ به چه قصدی؟ در چه طولی؟ این ابهام مدل را مجبور میکند خودش حدس بزند و معمولاً همان حدس است که نتیجه را خراب میکند.
### قبل (بد)
یه پست لینکدین خوب درباره هوش مصنوعی برام بنویس.### بعد (خوب)
یک پست لینکدین ۱۵۰ کلمهای برای مخاطب مدیران کسبوکار ایرانی بنویس
که توضیح میدهد چرا هوش مصنوعی در ۲۰۲۶ دیگر یک گزینه لوکس نیست بلکه ضرورت رقابتی است.
لحن: حرفهای ولی غیررسمی. شامل یک هوک قوی در خط اول و یک سوال در پایان برای engagement.تفاوت کلیدی: نسخه دوم سه پارامتر مشخص دارد (طول، مخاطب، قصد) و دو پارامتر ساختاری (هوک، سوال پایانی). مدل دیگر مجبور نیست حدس بزند.
اشتباه ۲: تعیین نکردن فرمت خروجی
اگر فرمت خروجی را نگویید، مدل خودش انتخاب میکند و معمولاً پاراگراف بلند میدهد. در حالی که شاید شما یک جدول مقایسهای یا یک لیست بولتدار یا حتی JSON میخواستید. این مشکل بهخصوص وقتی خروجی را به سیستم دیگری میفرستید، فاجعهبار میشود.
### قبل (بد)
ویژگیهای Python و JavaScript را با هم مقایسه کن.### بعد (خوب)
ویژگیهای Python و JavaScript را در یک جدول مارکداون با ۴ ستون مقایسه کن:
ویژگی | Python | JavaScript | برنده
حداقل ۸ ردیف شامل: سرعت اجرا، سینتکس، اکوسیستم، توسعه وب، علم داده،
موبایل، یادگیری برای مبتدی، فرصت شغلی در ایران.حالا نهتنها فرمت دقیق است، بلکه تعداد ردیفها و حتی ستونها هم مشخص شده. خروجی قابل پیشبینی و قابل اتکاست.
اشتباه ۳: مشخص نکردن مخاطب (Audience)
یک متن «درباره بلاکچین» برای یک مدیرعامل ۵۰ ساله، با همان متن برای یک دانشجوی ۲۰ ساله علاقهمند به ارز دیجیتال، باید کاملاً متفاوت باشد. اگر مخاطب را نگویید، مدل به سطح متوسط مینویسد که برای هیچکس کاملاً مناسب نیست.
### قبل (بد)
بلاکچین رو توضیح بده.### بعد (خوب)
بلاکچین را برای یک مدیر ارشد بانکی ۴۵ ساله توضیح بده که با مفاهیم فنی آشنا نیست
ولی میخواهد بفهمد چرا ممکن است در ۵ سال آینده برای صنعت بانکداری تهدید باشد.
از تشبیههای کسبوکاری استفاده کن، نه فنی. حداکثر ۳۰۰ کلمه.تعیین سن، جایگاه شغلی و سطح آشنایی فنی، کل لحن و انتخاب مثالهای مدل را تغییر میدهد. این یکی از بهترین راههای بهبود پرامپت با کمترین تلاش است.
اشتباه ۴: نداشتن نقش و Persona
وقتی به مدل نقش میدهید، مثل این است که زاویه دیدش را عوض میکنید. یک «معلم زبان فرانسه با ۲۰ سال تجربه» همان موضوع را بهکلی متفاوت با یک «بازاریاب دیجیتال» توضیح میدهد. این تکنیک ساده است ولی تاثیرش روی کیفیت و دقت خیرهکننده است.
### قبل (بد)
یک ایمیل برای پیگیری قرار ملاقات با مشتری بنویس.### بعد (خوب)
نقش: تو یک مدیر فروش B2B با ۱۵ سال تجربه در فروش نرمافزار سازمانی هستی
و در ایمیلنویسی کوتاه و موثر تخصص داری.
تسک: یک ایمیل ۸۰ تا ۱۰۰ کلمهای برای پیگیری قرار ملاقات هفته گذشته با
آقای محمدی (مدیر IT) بنویس. هدف: گرفتن جواب قطعی درباره ادامه همکاری.
لحن: حرفهای، مودب ولی مستقیم. بدون چاپلوسی.دو لایه persona (مدرس و موقعیت فروش) باعث میشود مدل دایره واژگان درست را انتخاب کند.
اشتباه ۵: زیادی طولانی شدن پرامپت (Information Overload)
پرامپت بیش از حد طولانی به همان اندازه بد است که پرامپت کوتاه. وقتی هزار کلمه context میدهید، دستور اصلی در میان جزئیات گم میشود و مدل توجهش پراکنده میشود. این پدیده در مقالات اخیر «Lost in the Middle» نامیده میشود: مدل بخش میانی پرامپتهای طولانی را کمتر میبیند.
### قبل (بد)
سلام، من یه فروشگاه آنلاین دارم که توی سال ۱۳۹۸ راهاندازی شد و ابتدا فقط
لباس میفروختیم و بعد لوازم خانگی اضافه کردیم و توی کرونا خیلی رشد کردیم
و الان ۱۲ کارمند داریم و دفترمون توی تهران هست و ... [۴۰۰ کلمه دیگر]
حالا یه ایده برای کمپین فروش روز پدر بده.### بعد (خوب)
کسبوکار: فروشگاه آنلاین لباس و لوازم خانگی، مخاطب اصلی خانمهای ۲۵ تا ۴۵ ساله.
تسک: ۳ ایده برای کمپین فروش روز پدر بده که:
- مخاطب اصلی (همان خانمها) را تشویق به خرید برای پدرشان کند
- بودجه تبلیغاتی محدود (۱۰ میلیون تومان) داشته باشد
- در ۲ هفته قابل اجرا باشد
برای هر ایده: اسم کمپین، پیام اصلی، کانال پیشنهادی.قاعده تجربی: هرچه از پرامپت حذف کنید و خروجی بدتر نشد، آن بخش اضافه بوده. این کار را بازنویسی به سبک «ادیتوریال» مینامیم.
اشتباه ۶: زیادی کوتاه بودن پرامپت (Under-context)
نقطه مقابل اشتباه قبلی هم به همان اندازه شایع است: پرامپت آنقدر کوتاه است که مدل اطلاعات لازم برای تصمیمگیری ندارد. خیلیها فکر میکنند پرامپت یعنی یک سوال سریع، در حالی که پرامپت حرفهای یک «خلاصهی تسک» است.
### قبل (بد)
خلاصه کن.### بعد (خوب)
این مقاله ۲۰۰۰ کلمهای را به یک خلاصه ۲۰۰ کلمهای برای انتشار در خبرنامه ایمیلی
استارتآپ تبدیل کن. مخاطب: مدیران میانی فناوری.
- لحن: عینی و خبری، نه تبلیغی
- شامل ۳ نکته کلیدی بهصورت بولت
- یک خط پایانی که خواننده را به مطالعه کامل ترغیب کند
متن مقاله:
[متن اینجا]تعادل طول پرامپت یک هنر است: نه آنقدر کوتاه که مبهم باشد، نه آنقدر طولانی که گم شود. نقطه شیرین معمولاً بین ۵۰ تا ۳۰۰ کلمه برای دستور (بدون احتساب داده ورودی) است.
اشتباه ۷: تناقض داخلی پرامپت (Contradiction)
وقتی در یک پرامپت دو خواسته متناقض دارید، مدل سردرگم میشود و معمولاً یکی را قربانی دیگری میکند. این اشتباه بهخصوص وقتی پرامپت را در چند مرحله ویرایش کردهاید بدون آنکه کل آن را دوباره بخوانید، رخ میدهد.
### قبل (بد)
یک متن خیلی کوتاه و خلاصه درباره تغییرات اقلیمی بنویس.
حتماً به همه جوانب اشاره کن: علمی، اقتصادی، اجتماعی، سیاسی، زیستمحیطی.
حداکثر ۱۰۰ کلمه.### بعد (خوب)
یک متن ۱۰۰ کلمهای درباره تغییرات اقلیمی بنویس
که فقط بر یک جنبه تمرکز کند: تاثیر اقتصادی بر کشورهای در حال توسعه.
لحن: علمی-روزنامهنگاری.«خیلی کوتاه» با «همه جوانب» همخوانی ندارد. وقتی پرامپت را نوشتید، یک بار از انتها به ابتدا بخوانید و بپرسید: «آیا این دو دستور با هم سازگارند؟»
اشتباه ۸: ندادن مثال (No Few-shot)
گاهی توضیح هزار کلمهای از یک سبک یا فرمت به اندازه نشان دادن سه مثال گویا نیست. مدل با دیدن نمونه، الگو را در یک لحظه میگیرد. توضیح کامل این تکنیک را در راهنمای Few-shot Learning آوردهایم، ولی اینجا یک نمونه سریع را ببینید.
### قبل (بد)
عنوانهای جذاب برای پست بلاگ من بساز. لحن جوانانه و کنجکاویبرانگیز باشه.### بعد (خوب)
عنوانهای جذاب برای پست بلاگ من بساز. سبک باید مثل این نمونهها باشه:
- «چرا هیچوقت کد جونیورهات رو review نکن (و چی بهجاش بکن)»
- «من ۳۰ روز بدون استکاورفلو کد زدم، اتفاق عجیبی افتاد»
- «اگه از ۲۰۲۰ تا الان فریمورک عوض کردی، احتمالاً اشتباه کردی»
موضوع: استفاده از هوش مصنوعی در یادگیری برنامهنویسی. ۵ عنوان بساز.سه نمونه ساختار، طول، لحن و تکنیک hook را به مدل آموزش داد. این از یک پاراگراف توضیحی موثرتر است.
اشتباه ۹: نخواستن قدمبهقدم (No Chain of Thought)
برای تسکهای پیچیده که نیاز به استدلال چندمرحلهای دارند (ریاضی، منطق، تصمیمگیری چندعاملی)، اگر از مدل مستقیماً جواب نهایی بخواهید، احتمال اشتباه بالا میرود. اما اگر بخواهید «قدمبهقدم فکر کند»، دقت بهطور چشمگیری بالا میرود. این تکنیک در مقاله Chain of Thought Prompting بهتفصیل آمده است.
### قبل (بد)
اگه قیمت یک محصول ۸۵۰ هزار تومن باشه و ۱۵ درصد تخفیف بگیره و بعد ۹ درصد مالیات اضافه بشه و مشتری ۱ میلیون پرداخت کنه، باقیمونده چقدره؟### بعد (خوب)
این مساله را قدمبهقدم حل کن. در هر مرحله محاسبه را بنویس و در پایان جواب نهایی را
در یک خط جدا با کلمه «نتیجه» مشخص کن.
مساله: قیمت محصول ۸۵۰,۰۰۰ تومان. تخفیف ۱۵٪. مالیات ۹٪ روی مبلغ بعد از تخفیف.
پرداخت مشتری: ۱,۰۰۰,۰۰۰ تومان. باقیمانده چقدر است؟اضافه کردن سه کلمه «قدمبهقدم حل کن» نرخ دقت در مسائل ریاضی و منطقی را در مدلهای متوسط تا ۳۰ درصد بالا میبرد.
اشتباه ۱۰: درخواست توهمزا (Hallucination Trap)
وقتی از مدل میخواهید اطلاعاتی بدهد که نمیداند یا قطعی نیست، بهجای گفتن «نمیدانم» معمولاً چیزی سرهم میکند که خوب به نظر میرسد ولی غلط است. این پدیده «توهم» نام دارد و اگر آمادهاش نباشید، فاجعه است.
### قبل (بد)
آمار دقیق صادرات پسته ایران در سال ۱۴۰۳ به تفکیک کشور مقصد را بده.### بعد (خوب)
آمار صادرات پسته ایران در سال ۱۴۰۳ به تفکیک کشور مقصد چقدر است؟
اگر اطلاعات دقیق و قابل تایید نداری، صریح بگو «این اطلاعات را قطعی نمیدانم»
و بهجای آن منابع رسمی پیشنهاد بده که میتوانم برای دریافت آمار به آنها مراجعه کنم
(مثلاً سازمان توسعه تجارت، گمرک ایران، اتاق بازرگانی).
اعداد را از خودت تولید نکن.دو خط ساده «اگر نمیدانی صریح بگو» و «از خودت تولید نکن» نرخ توهم را بهشدت کاهش میدهد. این یکی از موثرترین راهحلها برای پاسخ به پرسش «چرا ChatGPT جواب اشتباه میدهد» است.
اشتباه ۱۱: فرض دانش قبلی در مدل (Wrong Assumptions)
خیلی از کاربران فکر میکنند مدل از مکالمههای قبلی، سایتشان، یا حتی پروژهشان مطلع است. در حالی که هر پرامپت در یک جلسه جدید، تقریباً شروع صفر است. اگر context مهمی دارید، باید در پرامپت بیاید.
### قبل (بد)
همون استراتژی محتوایی که قبلاً گفتم رو برای ماه آینده برنامهریزی کن.### بعد (خوب)
استراتژی محتوایی من این است (لطفاً قبل از پاسخ یک بار بازنویسی کن تا مطمئن شوم درست فهمیدی):
- مخاطب: مدیران منابع انسانی استارتآپهای ۱۰ تا ۵۰ نفره
- کانالها: لینکدین (۶۰٪)، خبرنامه ایمیلی (۳۰٪)، بلاگ (۱۰٪)
- ستونهای محتوایی: استخدام، فرهنگ سازمانی، حقوق و مزایا، روانشناسی کار
- لحن: حرفهای، دادهمحور، با یک نکته شخصی در هر پست
تسک: تقویم محتوایی ۴ هفتهای با ۳ پست در هفته (۱۲ پست) طراحی کن.قانون: مدل را مثل یک فریلنسر جدید ببینید که تازه شروع به کار کرده. هر چیزی که او نداند، شما باید بنویسید.
اشتباه ۱۲: تعیین نکردن زبان خروجی
اشتباه پرتکراری که فقط فارسیزبانها با آن مواجهاند: مینویسید فارسی، انتظار دارید جواب فارسی بگیرید، ولی مدل به انگلیسی پاسخ میدهد. بهخصوص در پرامپتهای طولانی یا فنی، مدل بهطور خودکار به انگلیسی برمیگردد چون اکثر دادههای آموزشیاش انگلیسی است.
### قبل (بد)
Write a blog post about machine learning for beginners.
به فارسی و ساده باشه.### بعد (خوب)
یک پست بلاگ درباره مقدمه یادگیری ماشین برای مبتدیان بنویس.
محدودیتهای زبانی (مهم):
- کل پاسخ باید به فارسی روان باشد
- اصطلاحات فنی را اول به فارسی بنویس و در پرانتز معادل انگلیسی بیاور
- از کلمات انگلیسی غیرضروری مثل "actually" یا "basically" استفاده نکن
- از نیمفاصله در کلمات مرکب مثل «میشود» و «کارمیکند» استفاده کن
طول: حدود ۵۰۰ کلمه. مخاطب: کسی که هیچ پسزمینهای ندارد.این چهار خط تعیین زبان، نرخ پاسخ فارسی صحیح را از حدود ۷۰ درصد به بالای ۹۸ درصد میرساند.
اشتباه ۱۳: محدودیتهای مبهم (Vague Constraints)
اگر بگویید «کوتاه باشد» یا «تخصصی باشد» یا «جذاب باشد»، این صفتها برای مدل تعریف مشخصی ندارند. هر مدلی برداشت متفاوتی دارد. باید محدودیتها را عددی و قابل اندازهگیری کنید.
### قبل (بد)
یه توضیح کوتاه و جذاب و حرفهای از محصولم بنویس.### بعد (خوب)
یک توضیح محصول با مشخصات زیر بنویس:
- طول: دقیقاً بین ۶۰ تا ۸۰ کلمه (نه بیشتر، نه کمتر)
- ساختار: ۲ جمله اول مزیت اصلی، ۲ جمله بعدی ویژگی فنی، ۱ جمله پایانی call to action
- لحن: حرفهای ولی نه خشک. مقایسه: مثل توضیحات محصول در سایت دیجیکالا، نه مثل کاتالوگ فنی
- ممنوعهها: کلمات «بینظیر»، «انقلابی»، «بهترین» (کلیشه هستند)
محصول: [توضیح محصول]جدول زیر مقایسهای از صفتهای مبهم رایج و معادل سنجشپذیر آنهاست:
| صفت مبهم (بد) | معادل سنجشپذیر (خوب) |
|---|---|
| کوتاه | ۸۰ تا ۱۲۰ کلمه |
| تخصصی | برای مخاطبی با حداقل ۳ سال تجربه فنی |
| جذاب | شروع با هوک، ۱ سوال بلاغی در میانه، call to action در پایان |
| رسمی | بدون ضمیر دومشخص، بدون کلمات محاورهای، با لحن سومشخص |
| دوستانه | با خطاب «شما»، یک شوخی ملایم، بدون اصطلاحات فنی |
| کامل | پوشش حداقل ۵ بُعد X و Y و Z و ... |
اشتباه ۱۴: نخواستن iteration و refinement
خیلیها فکر میکنند پرامپت یک بار نوشته میشود و تمام. در حالی که حرفهایها همیشه از مدل میخواهند نسخه دوم را بهبود دهد. حتی میتوانید از مدل بخواهید خود پرامپتتان را نقد و بازنویسی کند.
### قبل (بد)
[خروجی مدل را میگیرید و اگر بد بود، از اول پرامپت مینویسید]### بعد (خوب)
[بعد از گرفتن خروجی اول]
اول نقد کن: چه ضعفهایی در خروجی قبلی هست؟
سه ایراد اصلی را بشمار.
سپس نسخه دوم را با رفع آن سه ایراد بنویس.
در نهایت، خود پرامپت اولیه را که به تو دادم بازنویسی کن
به نحوی که اگر کس دیگری همان پرامپت را به تو بدهد،
از همان بار اول خروجی نسخه دوم را بگیرد.این تکنیک «خود-بهبودی پرامپت» نامیده میشود و یکی از کماستفادهترین قابلیتهای مدلهای امروزی است. در عمل، شما در طی ۳ تا ۴ iteration میتوانید پرامپت را به نسخه نزدیک به ایدهآل برسانید.
اشتباه ۱۵: mix کردن دستور و سوال
وقتی در یک پرامپت هم دستور میدهید و هم سوال میپرسید، مدل گیج میشود به کدام جواب بدهد. مغز مدل بهسختی میتواند «این کار را بکن» و «این را به من بگو» را در یک پاسخ همزمان مدیریت کند.
### قبل (بد)
یه ایمیل برای پیگیری بنویس و بهم بگو لحن چطوریه و آیا فکر میکنی موثره
و چه بهبودی میتونم بدم و چه ساعتی بفرستم بهتره و آیا اضافه کردن emoji توصیه میکنی؟### بعد (خوب)
این پرامپت سه بخش جداگانه دارد. لطفاً به هر بخش با عنوان مشخص پاسخ بده.
بخش ۱ (تولید): یک ایمیل پیگیری ۱۰۰ کلمهای برای مشتری B2B بنویس.
بخش ۲ (تحلیل): پس از نوشتن، لحن ایمیل را در ۲ خط توصیف کن.
بخش ۳ (توصیه): ۳ توصیه عملی برای زمان ارسال و استفاده یا عدم استفاده از emoji ارائه بده.تفکیک تسک با عناوین شمارهگذاریشده، مدل را وادار میکند پاسخ ساختاریافته بدهد و هیچ بخشی فراموش نشود.
اشتباه ۱۶: ندادن negative constraints (چه چیزی نباید بنویسد)
اغلب پرامپتها فقط میگویند چه باید کرد، نه چه نباید کرد. در حالی که گفتن «چه چیزی نکن» میتواند به اندازه گفتن «چه چیزی بکن» موثر باشد. این تکنیک بهخصوص برای دور کردن مدل از کلیشههای آزاردهنده مفید است.
### قبل (بد)
یه مقاله درباره مزایای ورزش بنویس.### بعد (خوب)
یک مقاله ۳۰۰ کلمهای درباره مزایای ورزش بنویس.
ممنوعهها (هیچکدام نباید استفاده شود):
- جمله «ورزش سلامتی است»
- اشاره به آمار کلی مثل «۸۰٪ مردم ورزش نمیکنند»
- توصیههای عمومی مثل «روزی ۳۰ دقیقه پیادهروی کنید»
- لحن انگیزشی و کلیشهای مثل «همین الان شروع کن!»
- اصطلاحات انگلیسی غیرضروری
بهجای آنها: ۳ مزیت غیرمنتظره ورزش که اکثر مردم نمیدانند را با توضیح علمی ارائه بده.این تکنیک به مدل کمک میکند از مسیر آسان (تولید کلیشه) خارج شود و خلاقیت واقعی نشان دهد. در عمل، یکی از قویترین تکنیکها برای دریافت محتوای متمایز است.
اشتباه ویژه فارسیزبانها: نوشتن پرامپت پیچیده بدون مرز مشخص
فارسیزبانها به دلیل سبک نگارش روایی، تمایل دارند پرامپتها را به سبک یک «داستان» بنویسند: یک پاراگراف بلند که در آن همه چیز در هم تنیده شده. در حالی که مدل بهشدت به ساختار حساس است.
### قبل (بد - سبک روایی فارسی)
ببین من یه دانشجوی ارشد کامپیوترم که داره پایاننامهاش رو مینویسه راجع به یادگیری
عمیق و الان به یه بخشی رسیدم که باید روش CNN رو با ترانسفورمر مقایسه کنم برای
تصویر بندی و میخوام تو کمکم کنی یه چیزی بنویسم که هم آکادمیک باشه هم خواننده
رو خسته نکنه و یه چیز شبیه ۳ یا ۴ صفحه باشه و به منابع علمی هم اشاره کنه.### بعد (خوب - با مرز مشخص)
نقش: دستیار نگارش پایاننامه دانشگاهی.
موقعیت:
- مقطع: ارشد مهندسی کامپیوتر
- موضوع پایاننامه: یادگیری عمیق در پردازش تصویر
- بخش فعلی: مقایسه CNN با Vision Transformer برای task تصویربندی
تسک: یک متن آکادمیک با مشخصات زیر بنویس:
- طول: حدود ۱۲۰۰ کلمه (معادل ۳ تا ۴ صفحه)
- ساختار: مقدمه، مقایسه از ۳ زاویه (دقت، سرعت، نیاز به داده)، جمعبندی
- لحن: آکادمیک ولی روان (نه خشک، نه روزنامهای)
- منابع: حداقل ۵ مقاله مهم را با فرمت IEEE اشاره کن (مثل Dosovitskiy 2020)
محدودیتها:
- بدون کلیشه «در دنیای امروز...»
- بدون جملات تبلیغی برای هیچیک از دو روش
- مقایسه باید منصفانه و دادهمحور باشداین بخشبندی صریح (نقش، موقعیت، تسک، محدودیتها) مغز مدل را در ساختار درست قرار میدهد. میتوانید این الگو را بهعنوان template ثابت برای همه پرامپتهای جدیتان استفاده کنید. اگر میخواهید عمیقتر بدانید، راهنمای پرامپت نویسی این الگو را با جزئیات بیشتر آموزش میدهد.
چکلیست نهایی پرامپت خوب (۱۰ تیک)
قبل از فرستادن هر پرامپت جدی به مدل، این چکلیست را مرور کنید. اگر حتی یک تیک ناقص است، احتمالاً خروجی هم ناقص خواهد بود.
| # | عنصر | سوال کنترلی |
|---|---|---|
| ۱ | نقش / Persona | مدل را بهعنوان چه کسی خطاب میکنی؟ |
| ۲ | هدف اصلی | دقیقاً چه چیزی میخواهی تولید کند؟ |
| ۳ | مخاطب خروجی | این خروجی را چه کسی قرار است بخواند؟ |
| ۴ | فرمت خروجی | پاراگراف، لیست، جدول، JSON یا کد؟ |
| ۵ | طول دقیق | چند کلمه، چند خط، چند آیتم؟ |
| ۶ | لحن | رسمی، دوستانه، فنی، روایی؟ |
| ۷ | زبان خروجی | تصریح شده فارسی است؟ |
| ۸ | مثالها | حداقل ۱ نمونه خروجی مطلوب آوردی؟ |
| ۹ | محدودیتهای منفی | چه چیزی نباید نوشته شود؟ |
| ۱۰ | تست انسانی | اگر همکارت پرامپت را بخواند، میفهمد؟ |
ابزارهای کمکی برای دیباگ پرامپت
برای پرامپتهای جدی و production-ready، نوشتن پرامپت در ChatGPT و حدس زدن کافی نیست. ابزارهای حرفهای کمک میکنند نسخههای مختلف را مقایسه، توکنها را اندازهگیری و خروجیها را ثبت کنید.
- OpenAI Playground: برای آزمایش پرامپت با پارامترهای دقیق temperature و top-p.
- Anthropic Workbench: ابزار رسمی Claude برای مقایسه نسخههای مختلف پرامپت در یک view.
- LangSmith: پلتفرم enterprise برای ثبت، تحلیل و A/B test پرامپتها در محیط production.
- PromptLayer: ابزار سبکتر برای version control پرامپتها در پروژههای پایتون.
- Helicone: proxy ساده که هر فراخوانی API را لاگ میکند و امکان تحلیل هزینه میدهد.
- Token Counter: ابزار آنلاین برای شمارش توکن قبل از ارسال (کمک به برآورد هزینه).
برای پروژههای کوچک و شخصی، یک فایل ساده مارکداون که نسخههای مختلف پرامپت و نتایجشان را در کنار هم نگه میدارد، کافی است. مهم این است که iteration را مستند کنید نه آن را در ذهن نگه دارید.
جمعبندی: مقایسه قبل و بعد
برای مرور سریع، خلاصه ۱۵ اشتباه و نمونه اصلاح در یک نگاه:
| اشتباه | قبل (خلاصه) | بعد (خلاصه) |
|---|---|---|
| ۱. مبهم بودن | «یه چیز خوب بنویس» | «پست ۱۵۰ کلمهای برای مدیران درباره X با لحن Y» |
| ۲. فرمت خروجی | «مقایسه کن» | «جدول مارکداون با ۴ ستون و ۸ ردیف» |
| ۳. مخاطب | «توضیح بده» | «برای مدیر ۴۵ ساله بانکی بدون پسزمینه فنی» |
| ۴. نقش | «ایمیل بنویس» | «نقش: مدیر فروش B2B با ۱۵ سال تجربه» |
| ۵. طولانی | ۴۰۰ کلمه context پراکنده | ۵۰ کلمه context ساختاریافته |
| ۶. کوتاه | «خلاصه کن» | «۲۰۰ کلمه برای خبرنامه، با ۳ بولت» |
| ۷. تناقض | «کوتاه ولی همهجانبه» | «۱۰۰ کلمه فقط درباره یک جنبه» |
| ۸. بدون مثال | «جذاب باشد» | «مثل این سه نمونه: ...» |
| ۹. بدون CoT | «جواب نهایی چیست؟» | «قدمبهقدم حل کن، در پایان نتیجه را جدا کن» |
| ۱۰. توهم | «آمار دقیق X چیست؟» | «اگر نمیدانی، صریح بگو و منبع پیشنهاد بده» |
| ۱۱. فرض دانش | «همون که قبلاً گفتم» | «context کامل را دوباره بنویس» |
| ۱۲. زبان خروجی | پرامپت میکس فارسی-انگلیسی | «پاسخ کاملاً فارسی روان» |
| ۱۳. محدودیت مبهم | «جذاب باشد» | «شروع با هوک، ۱ سوال در میانه، CTA در پایان» |
| ۱۴. بدون iteration | یک شات و تمام | «نقد کن، بهبود بده، پرامپت را بازنویس» |
| ۱۵. mix دستور و سوال | چند تسک در یک پاراگراف | تفکیک با عناوین بخش ۱، ۲، ۳ |
جمعبندی نکات کلیدی
- در ۹۰ درصد مواقع که خروجی ChatGPT بد است، مشکل از پرامپت است نه مدل.
- هر پرامپت حرفهای حداقل ۴ عنصر دارد: نقش، تسک، فرمت، محدودیت.
- صفتهای مبهم مثل «جذاب» و «کوتاه» را به اعداد و معیارهای دقیق تبدیل کنید.
- زبان خروجی را همیشه بهصراحت در پرامپت تصریح کنید.
- یک مثال خوب از هزار کلمه توضیح موثرتر است.
- برای تسکهای پیچیده، عبارت «قدمبهقدم فکر کن» را اضافه کنید.
- iteration بخشی از فرآیند است، نه نشانه ضعف. ۳ تا ۴ بار بهبود معمول است.
- گفتن «چه چیزی ننویس» به اندازه گفتن «چه چیزی بنویس» مهم است.
میخواهید پرامپت نویسی را اصولی و حرفهای یاد بگیرید؟
در دوره مهندسی پرامپت آکادمی متین لبخندق، تمام این ۱۵ اشتباه بهعلاوه ۳۰ تکنیک پیشرفته را با پروژههای واقعی فارسی تمرین میکنید.
ثبتنام در دورهسوالات متداول
چرا ChatGPT جواب اشتباه میدهد؟
اشتباهات پرامپت نویسی فارسی چه تفاوتی با انگلیسی دارند؟
چطور یک پرامپت بد را تشخیص دهیم؟
بهترین روش بهبود پرامپت چیست؟
چرا ChatGPT به انگلیسی جواب میدهد در حالی که فارسی پرسیدم؟
آیا پرامپت طولانی همیشه بهتر است؟
چه ابزارهایی برای دیباگ پرامپت وجود دارد؟
آیا اشتباهات پرامپت در Claude و Gemini هم همینها هستند؟
قدم بعدی
اگر میخواهید پرامپت نویسی را از پایه و اصولی بیاموزید، با راهنماهای مرتبط ما شروع کنید: مهندسی پرامپت، پرامپت نویسی، Few-shot Learning و Chain of Thought.
مشاهده سرفصلهای دوره