مهندسی پرامپت پیشرفته : ۲۰ پرامپت تخصصی برای حداکثر بهره‌وری از ChatGPT Agent

I. مقدمه: عصر عامل‌های هوش مصنوعی مانند ChatGPT Agent و مهندسی پرامپت

ظهور عامل‌های هوش مصنوعی و تحول در تعامل با LLMها

پیشرفت‌های سریع در حوزه هوش مصنوعی، به‌ویژه در مدل‌های زبانی بزرگ (LLMs)، راه را برای پارادایم جدیدی هموار کرده است: عامل‌های هوش مصنوعی (AI Agents) مانند ChatGPT Agent. این عامل‌ها نشان‌دهنده جهشی قابل توجه از چت‌بات‌های ایستا به سیستم‌های فعال و عمل‌گرا هستند که قادر به انجام وظایف پیچیده به صورت خودکار می‌باشند. در گذشته، تعامل با هوش مصنوعی عمدتاً مکالمه‌ای بود و بر تولید متن و بازیابی اطلاعات تمرکز داشت. با این حال، ظهور عامل‌هایی مانند ChatGPT Agent، تغییر جهت به سمت سیستم‌های هوش مصنوعی را نشان می‌دهد که می‌توانند “فکر کنند و عمل کنند” و مستقیماً با محیط‌های دیجیتال درگیر شوند و عملیات چندمرحله‌ای را از طرف کاربر اجرا کنند.

این تحول، نقش کاربر را از یک پرسش‌گر ساده به یک ناظر یا همکار تغییر می‌دهد که یک موجودیت هوشمند را در جریان‌های کاری پیچیده هدایت می‌کند. این تغییر نشان‌دهنده یک دگرگونی اساسی در نحوه تعامل ما با هوش مصنوعی است. در حالی که مدل‌های زبانی بزرگ عمدتاً برای درک و تولید زبان طراحی شده‌اند و به ورودی‌های کاربر واکنش نشان می‌دهند ، عامل‌های هوش مصنوعی فراتر از پاسخ‌گویی صرف عمل می‌کنند. آنها می‌توانند به صورت فعال از جعبه‌ابزاری از مهارت‌های عامل‌محور استفاده کرده و وظایف را با استفاده از رایانه خود انجام دهند. این قابلیت، به جای صرفاً ارائه اطلاعات، به هوش مصنوعی امکان می‌دهد تا مشکلات را به صورت خودکار یا نیمه‌خودکار حل کند. به عنوان مثال، در آینده‌ای نزدیک، به جای صحبت با یک چت‌بات، ممکن است تنها کاری که کاربر انجام دهد این باشد که به مرورگر خود بگوید چه کارهایی را برایش انجام دهد، زیرا مرورگرها به پلتفرم اصلی تعامل با هوش مصنوعی تبدیل خواهند شد.

نقش حیاتی مهندسی پرامپت در هدایت عامل‌ها

مهندسی پرامپت، هنر و علم طراحی ورودی‌های مؤثر برای هدایت مدل‌های هوش مصنوعی، برای عامل‌های هوش مصنوعی حتی حیاتی‌تر می‌شود. دیگر صرفاً به معنای تدوین یک پرسش برای دریافت پاسخ متنی نیست؛ بلکه به معنای ارائه دستورالعمل‌های دقیق برای سیستمی است که اقدامات را انجام می‌دهد، تصمیم‌گیری می‌کند و با ابزارها و محیط‌های مختلف تعامل دارد.

مهندسی پرامپت تخصصی برای عامل‌ها نیازمند درک دقیق قابلیت‌ها، محدودیت‌ها و معماری زیربنایی هوش مصنوعی آنهاست تا بتوان حداکثر کارایی را از آنها به دست آورد و عملکردی قابل اعتماد، اخلاقی و ایمن را تضمین کرد. این فرآیند شامل تعیین دقیق نقش هوش مصنوعی، ارائه زمینه و کانتکست پروژه، و مشخص کردن خروجی مورد نظر است. انتخاب کلمات مناسب و ارائه جزئیات و وضوح در پرامپت از اهمیت بالایی برخوردار است تا مدل بتواند مقصود کاربر را به درستی درک کند.

هدف و ساختار این گزارش

این گزارش با هدف ارائه یک راهنمای جامع و تخصصی برای مهندسی پرامپت پیشرفته برای ChatGPT Agent تدوین شده است. در این گزارش به بررسی عمیق قابلیت‌های اصلی عامل‌های هوش مصنوعی، تمایز آنها از LLMهای سنتی و کاوش در تکنیک‌های پیشرفته پرامپت‌نویسی پرداخته خواهد شد.

بخش اصلی این گزارش شامل مجموعه‌ای از ۲۰ پرامپت با طراحی دقیق است که هر یک نشان می‌دهد چگونه می‌توان از قابلیت‌های منحصربه‌فرد ChatGPT Agent برای کاربردهای متنوع و واقعی بهره برد. این پرامپت‌ها با توضیحات مفصل، بینش‌های فنی و نکات سفارشی‌سازی ارائه می‌شوند.

II. درک عمیق ChatGPT Agent: فراتر از یک مدل زبانی

تعریف و قابلیت‌های محوری ChatGPT Agent

ChatGPT Agent یک ابزار پیشرفته هوش مصنوعی است که توسط OpenAI توسعه یافته و از قابلیت‌های یک مدل زبانی بزرگ (LLM) فراتر می‌رود. این ابزار با توانایی فعالانه “فکر کردن و عمل کردن” برای تکمیل وظایف، متمایز می‌شود. برخلاف LLMهای سنتی که عمدتاً متن را بر اساس پرامپت‌ها تولید می‌کنند، ChatGPT Agent به صورت فعالانه از “جعبه‌ابزاری از مهارت‌های عامل‌محور” استفاده می‌کند تا وظایف را انجام دهد. این شامل توانایی تعامل مستقیم با “رایانه” خود است که نشان‌دهنده درگیری مستقیم با محیط‌های دیجیتال است.

قابلیت‌های کلیدی این عامل عبارتند از:

• اقدام‌گرایی فعالانه: عامل تنها به پاسخ‌گویی اکتفا نمی‌کند؛ بلکه برای دستیابی به یک هدف، اقدامات را آغاز می‌کند. این به معنای توانایی انتخاب فعالانه از میان ابزارهای موجود و انجام اقدامات لازم برای تکمیل وظایف است.
• تعامل با وب: این عامل می‌تواند “به صورت فعال با وب‌سایت‌ها تعامل کند—کلیک کردن، فیلتر کردن، و جمع‌آوری نتایج دقیق‌تر و کارآمدتر”. این ویژگی به آن امکان می‌دهد تا به طور مؤثر به عنوان یک مرورگر در محدوده عملیاتی خود عمل کند و اطلاعات مورد نیاز را از منابع آنلاین جمع‌آوری کند.
• جریان‌های کاری تکراری و مشارکتی: عامل برای تعامل پویا طراحی شده است و به کاربران اجازه می‌دهد تا در هر نقطه دستورالعمل‌ها را روشن کنند، نتایج را هدایت کنند یا حتی وظیفه را به طور کامل تغییر دهند. این رویکرد، حل مسئله را بسیار تعاملی و انعطاف‌پذیر می‌سازد. همچنین، اگر وظیفه‌ای بیشتر از حد انتظار طول بکشد یا متوقف شود، کاربر می‌تواند آن را متوقف کرده، خلاصه پیشرفت را درخواست کند یا آن را به طور کامل متوقف کرده و نتایج جزئی را دریافت کند.
• مدیریت و زمان‌بندی وظایف: کاربران می‌توانند از عامل بخواهند که وظایف یک‌باره یا تکراری را انجام دهد، مانند تولید گزارش‌های هفتگی یا تنظیم یادآوری‌ها. این قابلیت، تعامل را از پرسش‌های یک‌باره به دستیاری پایدار و خودکار تبدیل می‌کند.
• چندحالتی (ضمنی/در حال ظهور): در حالی که عامل عمدتاً مبتنی بر متن است، زمینه گسترده‌تر GPT-5 (که ChatGPT Agent احتمالاً از آن استفاده می‌کند یا در آینده استفاده خواهد کرد) قابلیت‌هایی مانند مکالمه صوتی، پردازش تصویر و تحلیل فایل‌ها (PDF، تصاویر، اسناد متنی) را نیز نشان می‌دهد. این قابلیت‌ها به عامل امکان می‌دهند تا با انواع مختلف داده‌ها تعامل داشته باشد و درک جامع‌تری از محیط خود پیدا کند.
• تحقیق عمیق: عامل ویژگی “تحقیق عمیق” را برای پاسخ‌های دقیق‌تر و عمیق‌تر به صورت پیش‌فرض حفظ می‌کند. این نشان‌دهنده ظرفیت آن برای جمع‌آوری اطلاعات جامع و ارائه تحلیل‌های پیچیده است.

طراحی ChatGPT Agent شامل سطوح مختلفی از استقلال است، از اجرای کامل وظایف تا “حالت نظارت فعال” (“Watch Mode”) برای وظایف حساس مانند ارسال ایمیل. این رویکرد، تعادلی حیاتی بین خودکارسازی و کنترل کاربر و ایمنی ایجاد می‌کند. این طراحی نشان می‌دهد که عامل تنها به ورودی‌ها پاسخ نمی‌دهد؛ بلکه ابتکار عمل را به دست می‌گیرد، اما همچنان امکان نظارت انسانی را فراهم می‌آورد. این تعامل پیچیده بین استقلال هوش مصنوعی و عاملیت انسانی برای ایجاد اعتماد و پذیرش، به‌ویژه در وظایف حساس، بسیار مهم است.

تفاوت‌های کلیدی: ChatGPT Agent در مقابل LLMهای سنتی

در حالی که مدل‌های زبانی بزرگ (LLMs) “مغز” اساسی برای درک و تولید زبان انسانی هستند، عامل‌های هوش مصنوعی برای “هدف‌گرا بودن و انجام اقدامات هدفمند برای دستیابی به اهداف خاص” طراحی شده‌اند. این تفاوت در عملکرد، رویکردهای مهندسی پرامپت را به طور قابل توجهی تغییر می‌دهد.

جدول ۱: مقایسه LLM و AI Agent

ویژگی	مدل زبانی بزرگ (LLM)	عامل هوش مصنوعی (AI Agent)
عملکرد اصلی	درک و تولید زبان	خودکارسازی وظایف، تصمیم‌گیری، تعاملات دنیای واقعی
استقلال	منفعل، به پرامپت‌ها پاسخ می‌دهد	فعال، می‌تواند به صورت خودکار عمل کند
آموزش/یادگیری	آموزش‌دیده بر روی مجموعه‌های داده متنی عظیم (ایستا)	اغلب از یادگیری تقویتی استفاده می‌کند (با محیط سازگار می‌شود، از بازخورد یاد می‌گیرد)
خروجی اصلی	متن	اقدامات، تصمیم‌ها، تکمیل وظیفه
مدل تعامل	مکالمه‌ای/واکنش‌گرا	تکراری/فعال/مشارکتی
موارد استفاده مثال	تولید متن، خلاصه‌سازی، ترجمه، پرسش و پاسخ، تولید کد	خودکارسازی کسب‌وکار، مهندسی نرم‌افزار، پشتیبانی مشتری، بهینه‌سازی سیستم، تحلیل داده، تحقیقات علمی، برنامه‌ریزی، تعامل با وب

تفاوت عملکردی: LLMها عمدتاً برای پردازش و تولید متن شبیه انسان طراحی شده‌اند و در وظایفی که به درک و تولید زبان نیاز دارند، عالی عمل می‌کنند. در مقابل، عامل‌های هوش مصنوعی برای فراتر رفتن از زبان ساخته شده‌اند و اقدامات مشخصی را انجام می‌دهند، تصمیم‌گیری می‌کنند و با سیستم‌ها یا حتی دنیای فیزیکی تعامل دارند. این تمایز حیاتی است؛ زیرا پرامپت‌ها برای عامل‌ها باید هم جنبه استدلال (بخش LLM) و هم جنبه عمل (بخش عامل) را در نظر بگیرند. یک LLM به عنوان “مغز” عمل می‌کند که دستورالعمل‌ها را درک می‌کند، در حالی که عامل “بدن” است که بر اساس آن درک، اقدام می‌کند.

استقلال و یادگیری: LLMها سیستم‌های منفعل هستند که به پرامپت‌ها پاسخ می‌دهند و پس از آموزش نسبتاً ثابت می‌مانند و تنها با معرفی داده‌های آموزشی جدید به‌روز می‌شوند. در مقابل، عامل‌های هوش مصنوعی فعال هستند، می‌توانند به صورت خودکار عمل کنند و اغلب از یادگیری تقویتی برای سازگاری و بهبود عملکرد خود در طول زمان بر اساس بازخورد محیط خود استفاده می‌کنند. این قابلیت به عامل‌ها امکان می‌دهد تا از بازخوردها یاد بگیرند و رفتار خود را در طول زمان اصلاح کنند، که در تعاملات پیچیده و طولانی‌مدت بسیار ارزشمند است. این ویژگی به معنای آن است که پرامپت‌ها می‌توانند طوری طراحی شوند که فرآیند یادگیری و بهبود مستمر رفتار عامل را تسهیل کنند، نه فقط برای یک تعامل واحد.

LLM به عنوان مغز عامل: نکته مهم این است که عامل‌های هوش مصنوعی اغلب از LLMها به عنوان “مغز” خود برای درک پرسش‌های پیچیده کاربران و تولید پاسخ‌های مناسب استفاده می‌کنند. سپس عامل مدیریت اجرای وظایف، زمان‌بندی، کنترل دستگاه و تعاملات پویا را بر عهده می‌گیرد. این چارچوب “عامل با LLM به عنوان مغز” امکان پردازش اطلاعات پیچیده، تصمیم‌گیری و تعامل پویا را فراهم می‌کند. این ساختار به وضوح نشان می‌دهد که پرامپت‌نویسی برای یک عامل تنها به معنای تدوین متن برای تولید LLM نیست، بلکه به معنای هدایت سیستمی است که بر اساس آن درک زبانی، اقدام می‌کند و اغلب ابزارهای خارجی یا محیط‌ها را درگیر می‌کند.

کاربردها و موارد استفاده پیشرفته ChatGPT Agent

قابلیت‌های ChatGPT Agent در طیف وسیعی از حوزه‌ها گسترش یافته و از وظایف مکالمه‌ای ساده به عملیات‌های پیچیده و چندمرحله‌ای فراتر می‌رود.

• بهره‌وری شخصی و کسب‌وکار:
  • تحلیل مالی، شامل به‌روزرسانی مدل‌ها با پیش‌بینی‌ها و خلاصه‌ها.
  • برنامه‌ریزی و سازماندهی رویدادها، مانند یک مهمانی شام شش‌نفره، شامل خرید.
  • آماده‌سازی جلسات مشتری، تولید گزارش‌ها و اسلایدها از داده‌های تقویم.
  • خودکارسازی وظایف اداری مانند مدیریت درخواست‌های مرخصی کارکنان یا بررسی وضعیت مالی.
  • زمان‌بندی وظایف یک‌باره یا تکراری، مانند گزارش‌های روزانه آب و هوا یا یادآوری‌های تمدید گذرنامه.
• تحقیق و تحلیل داده:
  • معیارگذاری حمل و نقل عمومی، جمع‌آوری داده‌ها و گزارش‌های خلاصه.
  • تحقیق عمیق، ارائه پاسخ‌های دقیق و جامع به صورت پیش‌فرض.
  • تحلیل حجم زیادی از داده‌های بدون ساختار (مانند رونوشت مکالمات، گزارش‌های چت) برای شناسایی الگوها و روندهای احساسات مشتری.
  • استخراج اطلاعات از انواع فایل‌ها مانند PDF، تصاویر و اسناد متنی.
  • کمک به محققان در وظایفی مانند تولید چکیده، اسکریپت‌نویسی و استخراج کلمات کلیدی.
• توسعه نرم‌افزار و بهینه‌سازی سیستم:
  • تولید کد، اشکال‌زدایی و تست.
  • خودکارسازی طراحی، برنامه‌ریزی و اجرای آزمایش‌های علمی (مانند ChemCrow برای سنتز آلی).
  • نظارت بر عملکرد سیستم، پیش‌بینی مشکلات و انجام اقدامات پیشگیرانه در مراکز داده و سیستم‌های انرژی.
  • مدیریت پایگاه داده، کسب تجربه مداوم در نگهداری پایگاه داده و ارائه توصیه‌های تشخیصی و بهینه‌سازی (مانند D-Bot).
  • تعامل با عناصر سیستم عامل، شامل وب، ترمینال‌های کد، فایل‌ها و برنامه‌های شخص ثالث (مانند OS-Copilot).
• کاربردهای خلاقانه و تخصصی:
  • تولید تصاویر خلاقانه و حرفه‌ای.
  • ترجمه پیشرفته مقالات و اسناد.
  • شبیه‌سازی رفتارهای اقتصادی انسانی یا زندگی روزمره در محیط‌های مجازی (مانند Generative Agents, AgentSims).
  • شبیه‌سازی فرآیندهای تصمیم‌گیری (مانند Blind Judgement برای پیش‌بینی تصمیمات دادگاه عالی).
  • چارچوب‌های تعاملی برای معماران برای ساخت سازه‌ها در شبیه‌سازی‌های سه‌بعدی.

این طیف گسترده از کاربردها نشان می‌دهد که عامل‌های هوش مصنوعی تنها به یک نوع وظیفه محدود نمی‌شوند، بلکه حل‌کننده‌های مسئله همه‌منظوره هستند. این امر بر لزوم طراحی پرامپت‌هایی تأکید دارد که به دانش خاص دامنه، انواع داده‌ها و اقدامات مورد نیاز در هر زمینه حساس باشند. همچنین، این قابلیت‌ها نیاز به پرامپت‌هایی را برجسته می‌کند که بتوانند ابزارهای خارجی را فراخوانی و مدیریت کنند، زیرا بسیاری از این کاربردها نیازمند تعامل فراتر از تولید متن هستند. مفهوم “عامل‌های ترکیبی” و عامل‌های LLM که از ابزارها و APIهای خارجی استفاده می‌کنند ، نشان می‌دهد که قدرتمندترین عامل‌ها یکپارچه نیستند، بلکه مدل‌های مختلف هوش مصنوعی و منابع خارجی را ترکیب می‌کنند. این بدان معناست که پرامپت‌ها باید به صراحت برای فراخوانی یا مدیریت این ابزارهای یکپارچه و زیرعامل‌ها طراحی شوند.

ملاحظات ایمنی و اخلاقی در به‌کارگیری عامل‌ها

استقرار عامل‌های هوش مصنوعی خودکار نیازمند چارچوب‌های ایمنی و اخلاقی قوی است. OpenAI به صراحت بر تعهد خود به ایمنی تأکید می‌کند و ویژگی‌هایی مانند “حالت نظارت فعال” (“Watch Mode”) را برای وظایف حیاتی که نیاز به نظارت فعال دارند، پیاده‌سازی کرده است.

این عامل برای امتناع فعالانه از “وظایف پرخطر” مانند انتقال بانکی آموزش دیده است. این نشان‌دهنده یک مکانیزم امتناع داخلی برای عملیات‌های حساس است. حریم خصوصی نیز یک نگرانی کلیدی است که از طریق ویژگی‌هایی مانند “حالت ایمن تصرف مرورگر” (“secure browser takeover mode”) مورد توجه قرار گرفته است، جایی که ورودی‌های کاربر (مانند رمزهای عبور) خصوصی باقی می‌مانند و توسط مدل جمع‌آوری یا ذخیره نمی‌شوند. این تدابیر ایمنی برای ایجاد اعتماد در عامل‌های خودکار بسیار مهم هستند.

با وجود این اقدامات، ChatGPT Agent هنوز در مراحل اولیه خود است و “ممکن است اشتباهاتی مرتکب شود”. بهبودهای تکراری مداوم انتظار می‌رود که کارایی را با ایمنی متعادل کند. طراحی پرامپت‌ها باید این مکانیسم‌های ایمنی را در نظر بگیرد و از تلاش برای انجام اقدامات ممنوعه خودداری کند. به عنوان مثال، درخواستی برای انجام یک تراکنش مالی ممکن است رد شود، که بر لزوم درک محدودیت‌های عامل توسط کاربران تأکید دارد. برای وظایف حساس اما مجاز (مانند ارسال ایمیل)، پرامپت‌ها می‌توانند به صراحت درخواست “حالت نظارت فعال” را داشته باشند تا نظارت انسانی را تضمین کرده و بدین ترتیب اعتماد را افزایش دهند و استفاده مسئولانه از هوش مصنوعی را نشان دهند.

III. اصول مهندسی پرامپت تخصصی برای عامل‌ها

اجزای یک پرامپت مؤثر برای ChatGPT Agent

تدوین یک پرامپت مؤثر برای یک عامل هوش مصنوعی فراتر از دستورالعمل‌های ساده است؛ نیازمند یک رویکرد ساختاریافته است که راهنمایی جامعی برای اقدام خودکار فراهم کند. اجزای کلیدی، که اغلب همپوشانی دارند، عبارتند از:

• نقش (Role): تعیین یک شخصیت برای عامل (مثلاً: “به عنوان یک تحلیلگر ارشد مالی عمل کن،” “شما یک مدیر پروژه باتجربه هستید”). این به عامل کمک می‌کند تا یک طرز فکر، لحن و پایگاه دانش خاص و مرتبط با وظیفه را اتخاذ کند.
• وظیفه (Task): تعریف روشن و دقیق اقدام یا نتیجه خاص مورد نیاز. برای عامل‌ها، این اغلب شامل فرآیندهای چندمرحله‌ای و تعامل با سیستم‌های خارجی است.
• زمینه (Context): ارائه تمام اطلاعات پس‌زمینه لازم، جزئیات صنعت، مخاطب هدف و هر داده مرتبط. این تضمین می‌کند که عامل محیطی را که در آن فعالیت می‌کند، درک کند.
• نیازمندی‌ها (Requirements) / محدودیت‌ها (Constraints): مشخص کردن معیارهای دقیق برای خروجی، مانند طول، سبک، لحن، قالب (مثلاً: لیست، جدول، ساختار گزارش) و هر گونه شمول یا استثناء خاص. برای عامل‌ها، این می‌تواند شامل مشخصات ابزار یا پروتکل‌های تعامل نیز باشد.
• دستورالعمل‌ها (Instructions): هدایت عامل از طریق فرآیند تولید پاسخ یا انجام وظیفه. این اغلب شامل راهنمایی گام به گام، جریان‌های منطقی و دستورات صریح برای استدلال یا عمل است.
• نمونه‌ها (Examples): ارائه چند نمونه (few-shot examples) برای نشان دادن قالب، سبک یا فرآیند استدلال مورد نظر. این به ویژه برای وظایف پیچیده یا ظریف مؤثر است.
• بازخورد/اصلاح (Feedback/Refinement): اذعان به ماهیت تکراری تعامل عامل، که در آن خروجی‌های اولیه ممکن است نیاز به اصلاح بیشتر از طریق پرامپت‌های بعدی داشته باشند.

جدول ۲: اجزای کلیدی یک پرامپت حرفه‌ای برای Agent

جزء	توضیحات برای عامل هوش مصنوعی	کلمات کلیدی/عبارات رایج در پرامپت
نقش (Role)	به عامل می‌گوید که چه شخصیتی را بپذیرد و چه دانش و لحنی را اتخاذ کند. این می‌تواند بر دسترسی عامل به ابزارها یا پایگاه‌های دانش خاص نیز تأثیر بگذارد.	“شما یک [نقش تخصصی] هستید”، “به عنوان [شخصیت] عمل کن”
وظیفه (Task)	عمل یا هدف دقیق مورد نظر را مشخص می‌کند. برای عامل‌ها، این شامل اقدامات، تعاملات با سیستم‌های خارجی و مراحل چندگانه است.	“انجام بده”، “تحلیل کن”، “ایجاد کن”، “برنامه‌ریزی کن”، “استخراج کن”
زمینه (Context)	اطلاعات پس‌زمینه، جزئیات صنعت، مخاطب هدف و داده‌های مرتبط را فراهم می‌کند تا عامل محیط عملیاتی را درک کند.	“در حوزه [صنعت] فعالیت می‌کنم”، “برای [مخاطب هدف]”، “با در نظر گرفتن [داده/سناریو]”
نیازمندی‌ها/محدودیت‌ها	معیارهای دقیق برای خروجی (طول، سبک، قالب) و هر گونه دستورالعمل خاص برای تعامل با ابزارها یا پروتکل‌ها را تعیین می‌کند.	“در [تعداد] کلمه”، “با لحن [لحن]”، “در قالب [فرمت]”، “از [ابزار] استفاده کن”، “نباید شامل [محتوا] باشد”
دستورالعمل‌ها (Instructions)	عامل را در فرآیند تولید پاسخ یا انجام وظیفه هدایت می‌کند، اغلب شامل راهنمایی گام به گام یا جریان‌های منطقی است.	“ابتدا [گام ۱]، سپس [گام ۲]”، “مراحل استدلال خود را توضیح دهید”، “از چرخه Thought/Action/Observation استفاده کن”
نمونه‌ها (Examples)	مثال‌هایی برای نشان دادن قالب، سبک یا فرآیند استدلال مورد نظر ارائه می‌دهد. به ویژه برای وظایف پیچیده یا ظریف مفید است.	“مثال: [نمونه ورودی] -> [نمونه خروجی]”
بازخورد/اصلاح	به کاربر اجازه می‌دهد تا خروجی اولیه عامل را بازبینی کرده و از طریق پرامپت‌های تکمیلی آن را بهبود بخشد، و به عامل امکان یادگیری و انطباق را می‌دهد.	“پاسخ را اصلاح کن”، “بر اساس [بازخورد] تغییر بده”، “بهبود بده”

این جدول یک چارچوب ساختاریافته و قابل اجرا برای ساخت پرامپت فراهم می‌کند. با تقسیم پرامپت‌ها به این اجزای اصلی، کاربران می‌توانند به طور سیستمی دستورالعمل‌های مؤثرتر و جامع‌تری را برای عامل‌ها طراحی کنند و اطمینان حاصل کنند که تمام اطلاعات و راهنمایی‌های لازم ارائه شده است. این برای ثبات و به حداکثر رساندن عملکرد عامل در وظایف متنوع بسیار مهم است.

اهمیت وضوح، جزئیات و ساختاردهی

برای عامل‌های هوش مصنوعی، ابهام یک مانع مهم است. پرامپت‌ها باید “واضح، بدون ابهام و خاص” باشند. دستورالعمل‌های مبهم یا بیش از حد کلی منجر به خروجی‌های نادرست یا نامربوط می‌شوند.

• جزئیات: ارائه جزئیات کافی، از جمله داده‌های خاص، نتایج مورد نظر و پارامترهای عملیاتی، برای عامل برای درک دقیق و اجرای وظیفه بسیار مهم است. هرچه جزئیات بیشتری ارائه شود، خروجی نهایی منسجم‌تر خواهد بود.
• ساختاردهی: سازماندهی پرامپت با سرفصل‌های واضح، لیست‌های نقطه‌ای یا یک جریان منطقی (مثلاً: “ابتدا X را انجام بده، سپس Y، سپس Z”) به عامل کمک می‌کند تا درخواست‌های پیچیده را با تقسیم آنها به مراحل قابل مدیریت پردازش کند. پرامپت‌های ساختاریافته، که گاهی اوقات “پرامپت‌های ساختاریافته” یا “پرامپت‌های هدفمند” نامیده می‌شوند ، از سردرگمی جلوگیری کرده و مدل را به طور مؤثر هدایت می‌کنند.
• دستورالعمل‌های مثبت: تدوین دستورالعمل‌ها به صورت مثبت (“X را انجام بده” به جای “Y را انجام نده”) می‌تواند منجر به رفتار سازگارتر و مطلوب‌تر شود.

تکنیک‌های پیشرفته مهندسی پرامپت

برای بهره‌برداری واقعی از قدرت ChatGPT Agent، مهندسان پرامپت متخصص از تکنیک‌های پیچیده‌ای استفاده می‌کنند که فرآیندهای استدلال، عمل و یادگیری عامل را هدایت می‌کنند.

جدول ۳: مروری بر تکنیک‌های پیشرفته مهندسی پرامپت برای Agent

تکنیک	هدف برای عامل	ویژگی‌های کلیدی
زنجیره تفکر (Chain-of-Thought – CoT)	افزایش شفافیت استدلال برای وظایف چندمرحله‌ای پیچیده و بهبود دقت.	مدل را وادار می‌کند تا مراحل استدلالی میانی را قبل از رسیدن به پاسخ نهایی بیان کند.
استدلال و عمل (Reasoning + Acting – ReAct)	فعال‌سازی برنامه‌ریزی عملی پویا، ادغام ابزار و سازگاری با محیط‌های پویا.	یک چرخه “فکر: [استدلال] -> عمل: [اقدام] -> مشاهده: [نتیجه]” را برای هدایت فرآیند حل مسئله ایجاد می‌کند.
نقش‌آفرینی (Role-Playing)	اتخاذ یک شخصیت یا تخصص خاص برای ارائه پاسخ‌های متناسب و تخصصی.	به عامل دستور می‌دهد تا به عنوان یک “متخصص” یا “مشاور” در یک حوزه خاص عمل کند.
پرامپت با چند نمونه (Few-Shot Prompting)	ارائه مثال‌هایی برای نشان دادن سبک، ساختار یا پاسخ مورد نظر، به ویژه برای وظایف پیچیده یا ظریف.	شامل چند جفت ورودی-خروجی به عنوان نمونه در پرامپت است.
پرامپت بدون نمونه (Zero-Shot Prompting)	استفاده از دانش از پیش موجود مدل برای انجام وظایف بدون نیاز به مثال‌های خاص.	صرفاً دستورالعمل‌ها را بدون هیچ نمونه‌ای ارائه می‌دهد؛ بر توانایی مدل در تعمیم‌دهی تکیه دارد.
تولید با بازیابی افزوده (Retrieval-Augmented Generation – RAG)	دسترسی و ادغام اطلاعات خارجی، به‌روز یا تخصصی از پایگاه‌های داده، APIها یا وب.	عامل را قادر می‌سازد تا از ابزارهایی مانند موتورهای جستجو یا APIها برای جمع‌آوری اطلاعات استفاده کند.
متا-پرامپتینگ (Meta-Prompting)	هدایت عامل برای تولید یا اصلاح پرامپت‌ها برای خود یا سایر مدل‌های هوش مصنوعی.	عامل به عنوان یک مهندس پرامپت عمل می‌کند و ورودی‌های خود را تحلیل و بهبود می‌بخشد.
ثبات خود (Self-Consistency)	تشویق عامل به تولید چندین مسیر استدلالی و انتخاب پاسخ سازگارترین.	عامل چندین پاسخ را تولید می‌کند و سپس بهترین پاسخ را بر اساس سازگاری انتخاب می‌کند.

این جدول یک نمای کلی فشرده و مقایسه‌ای از مؤثرترین تکنیک‌های مهندسی پرامپت برای عامل‌ها ارائه می‌دهد. این جدول به خواننده کمک می‌کند تا به سرعت کاربرد هر روش را درک کند و به عنوان یک مرجع در هنگام طراحی پرامپت‌های خود عمل می‌کند، به ویژه هنگام تصمیم‌گیری در مورد اینکه کدام تکنیک برای یک وظیفه عامل‌محور خاص مناسب‌تر است.

زنجیره تفکر (Chain-of-Thought – CoT): تعمیق استدلال

تعریف: زنجیره تفکر (CoT) یک تکنیک مهندسی پرامپت است که دقت استدلال یک LLM را با دستور دادن به آن برای “نشان دادن کار خود” یا بیان مراحل استدلال میانی افزایش می‌دهد. این روش فرآیند حل مسئله شبیه به انسان را منعکس می‌کند و مشکلات پیچیده را به مراحل قابل مدیریت و متوالی تقسیم می‌کند.

کاربرد برای عامل‌ها: برای ChatGPT Agent، CoT برای وظایفی که نیاز به استدلال چندمرحله‌ای دارند، مانند محاسبات، استدلال مبتنی بر عقل سلیم و استدلال نمادین، حیاتی است. این تکنیک عامل را قادر می‌سازد تا یک مسیر منطقی را دنبال کند، خطاها را در طول مسیر شناسایی کند و زمینه را در طول وظایف پیچیده حفظ کند، که منجر به خروجی‌های دقیق‌تر و قابل اعتمادتر می‌شود. توانایی عامل در “فکر کردن با صدای بلند” در زبان طبیعی، همانطور که محققان مشاهده کرده‌اند، با افزایش اندازه مدل و پیچیدگی آن، بهبود می‌یابد.

نحوه کار: پرامپت مدل را هدایت می‌کند تا یک سری مراحل منطقی را قبل از رسیدن به پاسخ نهایی تولید کند. این کار را می‌توان با افزودن دستورالعمل‌هایی مانند “مراحل استدلال خود را توضیح دهید” یا “پاسخ خود را گام به گام توضیح دهید” انجام داد. این روش به مدل کمک می‌کند تا مراحل حل مسئله را به ترتیب و به صورت منطقی دنبال کند.

انواع: شامل CoT بدون نمونه (Zero-shot CoT) که مدل‌ها را قادر می‌سازد بدون نیاز به مثال‌های خاص، مسائل را حل کنند، و CoT خودکار (Automatic CoT) که تولید و انتخاب مسیرهای استدلالی مؤثر را خودکار می‌کند. CoT چندحالتی (Multimodal CoT) این چارچوب را برای ادغام ورودی‌ها از حالت‌های مختلف، مانند متن و تصاویر، گسترش می‌دهد.

CoT برای شفافیت استدلال داخلی و حل مسائل چندمرحله‌ای مفید است. در مقابل، ReAct به صراحت استدلال را با عمل و مشاهده ادغام می‌کند، که آن را برای عامل‌هایی که با محیط‌های پویا یا ابزارهای خارجی تعامل دارند، ایده‌آل می‌سازد. برای عامل‌ها، این دو تکنیک اغلب مکمل یکدیگر هستند و رفتار قوی و سازگاری را امکان‌پذیر می‌سازند. CoT بر “نشان دادن کار خود” و “فرآیند استدلال گام به گام” در داخل مدل تمرکز دارد. ReAct “استدلال و عمل را ترکیب می‌کند” و شامل یک مرحله “مشاهده” است که به معنای بازخورد از محیط است. این بدان معناست که یک عامل می‌تواند از CoT برای برنامه‌ریزی مراحل داخلی خود استفاده کند و سپس از ReAct برای اجرای آن مراحل، مشاهده نتیجه و سازگاری استفاده کند. این هم‌افزایی برای برنامه‌ریزی، اجرا و سازگاری بسیار عمیق است.

استدلال و عمل (ReAct – Reasoning + Acting): فعال‌سازی رفتار پویا

تعریف: ReAct یک تکنیک قدرتمند است که قابلیت‌های “استدلال” (فکر) و “عمل” (اقدام) یک LLM را، همراه با یک مرحله “مشاهده”، برای تسهیل تصمیم‌گیری پویا و تعامل با محیط‌ها ترکیب می‌کند. این تکنیک مدل را وادار می‌کند تا قبل از انجام هر عملی، استدلال کرده و مشاهده کند.

کاربرد برای عامل‌ها: ReAct به ویژه برای وظایف عامل‌محور که شامل برنامه‌ریزی عملی، استدلال کلامی، تصمیم‌گیری، ادغام دانش و به طور حیاتی، “فراخوانی توابع یا ادغام ابزار” هستند، مؤثر است. این تکنیک سازگاری در زمان واقعی را امکان‌پذیر می‌سازد و به عامل اجازه می‌دهد تا اقدامات خود را بر اساس اطلاعات جدید یا بازخورد محیطی تنظیم کند.

نحوه کار: پرامپت یک چرخه را ایجاد می‌کند: فکر: [استدلال] -> عمل: [اقدام خاص] -> مشاهده: [نتیجه عمل]. این چرخه تا زمانی که مشکل حل شود ادامه می‌یابد و فرآیند حل مسئله را تعاملی و گام به گام می‌سازد. این به عامل کمک می‌کند تا در هر مرحله تصمیم‌گیری کند و رویکرد خود را به طور مداوم تنظیم کند.

پیاده‌سازی: می‌توان آن را با پرامپت بدون نمونه (Zero-Shot) (دستورالعمل‌های دقیق) یا پرامپت با چند نمونه (Few-Shot) (دستورالعمل‌ها با مثال‌ها) پیاده‌سازی کرد.

تمایز از CoT: در حالی که هر دو شامل استدلال هستند، CoT برای استدلال خطی و افکار چندمرحله‌ای بهتر است، در حالی که ReAct پویاتر است و مشاهدات و اقدامات را در خود جای می‌دهد، که آن را برای وظایفی که شامل ابزارهای خارجی یا شرایط پویا هستند، برتر می‌سازد.

نقش‌آفرینی و پرامپت‌های مبتنی بر پرسونا

تعریف: این تکنیک شامل دستور دادن به عامل برای پذیرش یک “نقش” یا “پرسونا” خاص است (مثلاً: “به عنوان یک مشاور بازاریابی عمل کن،” “شما یک متخصص امنیت سایبری هستید”).

کاربرد برای عامل‌ها: با پذیرش یک نقش، عامل می‌تواند پاسخ‌های تخصصی‌تر، متناسب با زمینه و در سطح کارشناسی ارائه دهد. این امر بر لحن، سبک و نوع اطلاعاتی که عامل اولویت‌بندی می‌کند، تأثیر می‌گذارد و خروجی آن را برای نیازهای حرفه‌ای یا دامنه‌ای خاص مناسب‌تر می‌سازد. برای عامل‌ها، یک نقش ممکن است به معنای دسترسی به پایگاه‌های دانش یا ابزارهای خاص مرتبط با آن پرسونا نیز باشد.

استفاده از ابزارها و دانش خارجی (Tool Use and External Knowledge Integration – RAG)

تعریف: تولید با بازیابی افزوده (RAG) شامل افزایش دانش LLM با داده‌های خارجی، بی‌درنگ یا تخصصی است که از پایگاه‌های داده، APIها یا وب بازیابی می‌شوند. برای عامل‌ها، این امر به “استفاده صریح از ابزار” گسترش می‌یابد، جایی که عامل دستور می‌یابد یا قادر می‌شود با قابلیت‌های خارجی مانند ماشین حساب، موتورهای جستجو یا APIهای اختصاصی تعامل کند.

کاربرد برای عامل‌ها: این برای عامل‌ها اساسی است تا از دانش از پیش آموزش‌دیده خود فراتر رفته و به اطلاعات جاری، دقیق یا دامنه‌ای خاص دسترسی پیدا کنند. توانایی ChatGPT Agent در “فعالانه تعامل با وب‌سایت‌ها” یک نمونه اصلی از RAG داخلی و استفاده از ابزار است. پرامپت‌ها می‌توانند عامل را در مورد زمان و نحوه استفاده از این ابزارها راهنمایی کنند. قابلیت‌های عامل فراتر از متن، شامل تعامل صوتی، پردازش تصویر و “استفاده از ابزار” حیاتی مانند مرور وب ، تعامل با فایل‌ها و به طور بالقوه کنترل رایانه است. این بدان معناست که پرامپت‌ها می‌توانند برای بهره‌برداری از این حالت‌های متنوع و تعاملات خارجی طراحی شوند و فراتر از ورودی-خروجی متنی ساده عمل کنند.

متا-پرامپتینگ و خود-اصلاحی

متا-پرامپتینگ: شامل دستور دادن به عامل برای تولید یا اصلاح پرامپت‌ها برای خود یا برای سایر مدل‌های هوش مصنوعی است. این امر نقش عامل را به یک مهندس پرامپت ارتقا می‌دهد.

خود-اصلاحی: عامل‌ها می‌توانند دستور یابند تا خروجی‌ها یا اقدامات خود را بازبینی کنند، خطاها را شناسایی کرده و آنها را تصحیح کنند. این از توانایی عامل در یادگیری از بازخورد و سازگاری بهره می‌برد. CoT به شناسایی و تصحیح خطاها با شفاف‌سازی استدلال کمک می‌کند.

مفهوم “تکرار و اصلاح” و “بازخورد” نه تنها برای یادگیری عامل بلکه برای خود فرآیند مهندسی پرامپت نیز بسیار مهم است. این بدان معناست که حتی پرامپت‌های تخصصی نیز ممکن است بر اساس پاسخ‌های اولیه عامل یا رفتار مشاهده شده نیاز به تنظیم داشته باشند و مهندسی پرامپت را به یک فرآیند مداوم تبدیل می‌کند. این به ویژه برای وظایف پیچیده و طولانی‌مدت عامل مرتبط است و متا-پرامپتینگ/خود-اصلاحی می‌تواند بخش‌هایی از این حلقه را خودکار کند.

IV. ۲۰ پرامپت فوق‌العاده برای ChatGPT Agent: راهنمای عملی

این بخش ۲۰ پرامپت تخصصی را برای ChatGPT Agent ارائه می‌دهد که هر یک برای بهره‌برداری از قابلیت‌های منحصربه‌فرد این عامل طراحی شده‌اند. هر پرامپت با توضیحات مفصل، تحلیل تکنیک‌های مهندسی پرامپت به کار رفته، پیش‌بینی رفتار عامل و نکات سفارشی‌سازی همراه است.

ساختار هر پرامپت:

• عنوان پرامپت: (مثلاً: تحلیل مالی جامع)
• هدف: (توضیح مختصر کاربرد پرامپت)
• پرامپت تخصصی (فارسی و انگلیسی): (متن کامل پرامپت)
• تکنیک‌های مهندسی پرامپت به‌کاررفته: (مانند CoT, ReAct, Role-Playing, Few-Shot, RAG)
• چرا این پرامپت برای Agent مؤثر است؟: (تحلیل عمیق نحوه بهره‌برداری از قابلیت‌های Agent، شامل پیش‌بینی رفتار عامل و ابزارهایی که ممکن است استفاده کند)
• رفتار و خروجی مورد انتظار Agent: (پیش‌بینی واکنش و نتیجه، شامل مراحل استدلال، اقدامات، و فرمت خروجی)
• نکات سفارشی‌سازی و پیشرفته: (راهنمایی برای تطبیق و بهینه‌سازی بیشتر، افزودن جزئیات، یا ترکیب با سایر تکنیک‌ها)

جدول ۴: خلاصه ۲۰ پرامپت تخصصی برای ChatGPT Agent

شماره	عنوان پرامپت	دسته‌بندی	تکنیک‌های اصلی	هدف اصلی
۱	تحلیل و حل مسئله لجستیکی	حل مسئله پیچیده	Role-Playing, CoT, Tool Use	بهینه‌سازی مسیرها و منابع در زنجیره تامین
۲	تحلیل روند بازار سهام	تحلیل داده و گزارش‌دهی	Role-Playing, ReAct, Tool Use	شناسایی الگوها و روندهای بازار سهام
۳	برنامه‌ریزی پروژه توسعه نرم‌افزار	برنامه‌ریزی و مدیریت پروژه	Role-Playing, CoT, Structured Output	ایجاد برنامه جامع برای توسعه نرم‌افزار
۴	استراتژی محتوای بازاریابی دیجیتال	تولید محتوای خلاقانه	Role-Playing, CoT, Creative Generation	تدوین استراتژی محتوای بازاریابی
۵	بررسی جامع یک فناوری نوظهور	پژوهش و خلاصه‌سازی	Role-Playing, ReAct, Web Browsing	تحقیق عمیق و خلاصه‌سازی فناوری‌های جدید
۶	تولید کد پایتون برای تحلیل داده	تولید و اشکال‌زدایی کد	Role-Playing, CoT, Code Generation	نوشتن و توضیح اسکریپت تحلیل داده پایتون
۷	تحلیل SWOT برای ورود به بازار جدید	پشتیبانی تصمیم‌گیری	Role-Playing, ReAct, Web Browsing	ارزیابی فرصت‌ها و تهدیدات بازار جدید
۸	استخراج اطلاعات محصول از وب‌سایت‌ها	تعامل با وب	Role-Playing, ReAct, Web Scraping	جمع‌آوری مشخصات محصول از سایت‌های فروشگاهی
۹	شبیه‌سازی بحران روابط عمومی	شبیه‌سازی و مدل‌سازی	Role-Playing, CoT, Scenario Generation	مدیریت و واکنش به بحران‌های روابط عمومی
۱۰	دستیار آموزشی برای مفاهیم پیچیده	یادگیری و آموزش تعاملی	Role-Playing, CoT, ReAct	توضیح مفاهیم علمی پیچیده به صورت تعاملی
۱۱	بهینه‌سازی فرآیند پذیرش مشتری	بهینه‌سازی فرآیندها	Role-Playing, CoT, Process Analysis	بهبود کارایی و رضایت در فرآیند پذیرش مشتری
۱۲	برنامه‌ریزی روزانه هوشمند	مدیریت زمان و وظایف	Role-Playing, CoT, Optimization	ایجاد برنامه روزانه بهینه بر اساس اولویت‌ها
۱۳	تحلیل احساسات نظرات مشتریان	تحلیل احساسات و بازخورد	Role-Playing, CoT, Sentiment Analysis	شناسایی نقاط قوت و ضعف محصول از نظرات مشتریان
۱۴	ایده‌پردازی ویژگی‌های محصول جدید	توسعه محصول و ایده‌پردازی	Role-Playing, CoT, Ideation	تولید ایده‌های نوآورانه برای ویژگی‌های محصول
۱۵	بومی‌سازی محتوای بازاریابی برای بازار خاص	ترجمه و بومی‌سازی	Role-Playing, CoT, Cultural Adaptation	ترجمه و تطبیق محتوای بازاریابی با فرهنگ خاص
۱۶	طراحی سناریوی آموزش امنیت سایبری	سناریوهای آموزشی	Role-Playing, CoT, Scenario Generation	ایجاد سناریوهای واقع‌گرایانه برای تمرین سایبری
۱۷	مشاوره حقوقی اولیه برای راه‌اندازی استارتاپ	مشاوره تخصصی	Role-Playing, CoT, Legal Consultation	ارائه مشاوره حقوقی اولیه برای جنبه‌های استارتاپ
۱۸	مدیریت ایمیل‌های ورودی و پاسخ خودکار	خودکارسازی اداری	Role-Playing, ReAct, Information Extraction	خودکارسازی دسته‌بندی و پیش‌نویس پاسخ ایمیل
۱۹	تحلیل جامع رقیب	تحلیل رقبا و بازار	Role-Playing, ReAct, CoT, Web Browsing	ارزیابی جامع یک رقیب خاص در بازار
۲۰	بهینه‌سازی پرامپت برای کارایی Agent	توسعه و بهبود پرامپت‌ها	Role-Playing, CoT, Meta-Prompting	تحلیل و پیشنهاد بهبود برای پرامپت‌های موجود

Export to Sheets

این جدول به عنوان یک ابزار مرجع و ناوبری سریع برای خواننده عمل می‌کند. با وجود ۲۰ پرامپت مفصل، یک جدول خلاصه به کاربران اجازه می‌دهد تا به سرعت پرامپت‌های مرتبط با نیازهای خود را شناسایی کنند، دامنه کاربردها را درک کنند و ببینند کدام تکنیک‌های پیشرفته در حال نمایش هستند. این امر قابلیت استفاده و دسترسی گزارش را افزایش می‌دهد.

---

۱. تحلیل و حل مسئله لجستیکی

• هدف: حل یک مسئله لجستیکی پیچیده با چندین متغیر و محدودیت، بهینه‌سازی مسیرها و منابع در زنجیره تامین.
• پرامپت تخصصی (فارسی): “شما یک مشاور متخصص زنجیره تامین هستید. چالش لجستیکی زیر را تحلیل کنید: [یک مسئله لجستیکی دقیق را ارائه دهید، مثلاً: ‘مسیرهای تحویل را برای ۱۰ انبار به ۵۰ فروشگاه خرده‌فروشی بهینه کنید، با حداقل کردن هزینه‌های سوخت و زمان تحویل، با در نظر گرفتن شرایط متغیر ترافیک و ظرفیت کامیون‌ها.’] از رویکرد زنجیره تفکر (Chain-of-Thought) برای تقسیم مسئله به زیرمسائل استفاده کنید. برای هر زیرمسئله، یک راه‌حل پیشنهاد دهید، ابزارهای لازم (مثلاً API نقشه‌برداری، الگوریتم بهینه‌سازی) را شناسایی کنید و مراحل عامل را برای اجرای آن ترسیم کنید. با یک استراتژی بهینه و یک برنامه احتمالی برای تأخیرهای غیرمنتظره نتیجه‌گیری کنید. تحلیل خود را در قالب یک گزارش ساختاریافته ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are an expert Supply Chain Consultant. Analyze the following logistical challenge: [Provide a detailed logistical problem, e.g., ‘Optimize delivery routes for 10 warehouses to 50 retail stores, minimizing fuel costs and delivery time, considering variable traffic conditions and truck capacities.’] Use a Chain-of-Thought approach to break down the problem into sub-problems. For each sub-problem, propose a solution, identify necessary tools (e.g., mapping API, optimization algorithm), and outline the steps the agent would take to execute it. Conclude with an optimal strategy and a contingency plan for unexpected delays. Present your analysis in a structured report format.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), استفاده از ابزار (Tool Use – ضمنی).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت مستقیماً قابلیت استدلال چندمرحله‌ای عامل (از طریق CoT) و توانایی آن در برنامه‌ریزی اقدامات (رفتار عامل‌محور) را هدف قرار می‌دهد. عامل باید نه تنها مسئله را تحلیل کند، بلکه ابزارهای لازم را شناسایی کرده و مراحل اجرایی را نیز ترسیم کند. این فراتر از تولید متن صرف است و به سمت برنامه‌ریزی عملیاتی می‌رود. این پرامپت از عامل می‌خواهد که یک فرآیند فکری منطقی را دنبال کند و تصمیمات خود را توجیه کند، که برای حل مسائل پیچیده و ایجاد اعتماد در راه‌حل‌های پیشنهادی بسیار مهم است.
• رفتار و خروجی مورد انتظار Agent: عامل ابتدا نقش مشاور زنجیره تامین را می‌پذیرد. سپس مسئله را به اجزای کوچکتر (مثلاً: نقشه‌برداری مسیر، تخصیص منابع، بهینه‌سازی زمان) تقسیم می‌کند. برای هر جزء، مراحل استدلال داخلی (فکر) و اقدامات احتمالی (عمل) مانند جستجو در API نقشه‌برداری یا اجرای یک شبیه‌سازی را تشریح می‌کند. این فرآیند گام به گام، شفافیت را در فرآیند تصمیم‌گیری عامل تضمین می‌کند. خروجی یک گزارش ساختاریافته شامل تحلیل مسئله، راه‌حل‌های پیشنهادی مرحله به مرحله، و برنامه عملیاتی خواهد بود که شامل جزئیات مربوط به ابزارهای مورد نیاز و مراحل اجرای آنهاست.
• نکات سفارشی‌سازی و پیشرفته: می‌توان جزئیات بیشتری در مورد نوع داده‌های ورودی (مثلاً فرمت CSV برای داده‌های انبارها) یا محدودیت‌های خاص (مثلاً حداکثر ساعت کاری رانندگان، قوانین رانندگی محلی) اضافه کرد. درخواست برای ارائه کد پایتون برای بخش‌های بهینه‌سازی یا ادغام با سیستم‌های لجستیکی واقعی (با فرض دسترسی عامل) نیز ممکن است. همچنین می‌توان از عامل خواست که سناریوهای مختلف را شبیه‌سازی کرده و بهترین راه‌حل را بر اساس معیارهای مختلف (مثلاً کمترین هزینه، سریع‌ترین زمان) انتخاب کند.

۲. تحلیل روند بازار سهام

• هدف: تحلیل داده‌های تاریخی بازار سهام برای شناسایی الگوها و ارائه گزارش‌های مالی دقیق.
• پرامپت تخصصی (فارسی): “به عنوان یک تحلیلگر کمی، به داده‌های تاریخی قیمت سهام [نماد شرکت، مثلاً: ‘AAPL’] از [تاریخ شروع] تا [تاریخ پایان] با استفاده از یک API مالی دسترسی پیدا کنید. یک تحلیل سری زمانی برای شناسایی روندهای کلیدی، نوسانات و سطوح حمایت/مقاومت بالقوه انجام دهید. یک گزارش مختصر تهیه کنید که شامل: ۱. خلاصه‌ای از یافته‌ها. ۲. معیارهای کلیدی (مثلاً: میانگین بازده روزانه، انحراف معیار). ۳. یک طرح بصری‌سازی برای روندها (مثلاً: ‘نمودار خطی نشان‌دهنده قیمت و حجم’). از پرامپت ReAct برای هدایت مراحل بازیابی داده، تحلیل و گزارش‌دهی خود استفاده کنید و نتایج هر اقدام را قبل از ادامه مشاهده کنید.”
• پرامپت تخصصی (انگلیسی): “As a Quantitative Analyst, access historical stock price data for from to using a financial data API. Perform a time-series analysis to identify key trends, volatility, and potential support/resistance levels. Generate a concise report, including: 1. A summary of findings. 2. Key metrics (e.g., average daily return, standard deviation). 3. A visualization plan for the trends (e.g., ‘line chart showing price and volume’). Use ReAct prompting to guide your data retrieval, analysis, and reporting steps, observing the results of each action before proceeding.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), استدلال و عمل (ReAct), استفاده از ابزار (Tool Use – API), تحلیل داده.
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از قابلیت عامل برای تعامل با ابزارهای خارجی (API مالی) و انجام تحلیل‌های داده‌ای پیچیده بهره می‌برد. استفاده از ReAct تضمین می‌کند که عامل در هر مرحله از بازیابی و تحلیل داده، نتایج را مشاهده و بر اساس آن تصمیم‌گیری می‌کند، که برای دقت در تحلیل داده‌های پویا و زمان‌واقعی حیاتی است. این رویکرد به عامل امکان می‌دهد تا به طور پویا با داده‌ها تعامل داشته باشد، خطاها را شناسایی کند و تحلیل خود را بر اساس مشاهدات تنظیم کند.
• رفتار و خروجی مورد انتظار Agent: عامل ابتدا نقش تحلیلگر کمی را می‌پذیرد. سپس از طریق چرخه فکر/عمل/مشاهده، داده‌ها را از API مربوطه بازیابی می‌کند. پس از هر بازیابی، داده‌ها را مشاهده و صحت‌سنجی می‌کند تا از کیفیت آنها اطمینان حاصل شود. سپس تحلیل‌های آماری لازم را انجام داده و نتایج را در قالب یک گزارش خلاصه با معیارهای کلیدی و پیشنهاداتی برای بصری‌سازی ارائه می‌دهد. این گزارش شامل خلاصه‌ای از روندها، معیارهای عددی و طرحی برای نمایش بصری داده‌ها خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست‌های خاصی برای تحلیل‌های پیشرفته‌تر مانند تحلیل همبستگی با شاخص‌های دیگر (مثلاً S&P 500) یا پیش‌بینی‌های کوتاه‌مدت با مدل‌های خاص (مثلاً ARIMA) اضافه کرد. تعیین فرمت خروجی داده‌ها (مثلاً JSON یا CSV) یا درخواست برای تولید نمودارهای واقعی (با فرض قابلیت‌های گرافیکی عامل) نیز مفید است. همچنین می‌توان از عامل خواست که رویدادهای خبری مرتبط با شرکت را در بازه زمانی مشخص جستجو کند و تأثیر آنها را بر قیمت سهام تحلیل کند.

۳. برنامه‌ریزی پروژه توسعه نرم‌افزار

• هدف: ایجاد یک برنامه پروژه جامع و ساختاریافته برای توسعه یک نرم‌افزار جدید.
• پرامپت تخصصی (فارسی): “شما یک مدیر پروژه چابک باتجربه هستید. یک برنامه پروژه دقیق برای ساخت [نوع نرم‌افزار، مثلاً: ‘یک برنامه تجارت الکترونیک موبایل’] از ابتدا توسعه دهید. این برنامه باید شامل: ۱. فازهای پروژه (مثلاً: کشف، طراحی، توسعه، تست، استقرار). ۲. نقاط عطف و تحویل‌دادنی‌های کلیدی برای هر فاز. ۳. زمان‌بندی تخمینی (مثلاً: ‘هفته‌ها’ یا ‘اسپرینت‌ها’). ۴. منابع مورد نیاز (مثلاً: ‘توسعه‌دهنده فرانت‌اند’، ‘توسعه‌دهنده بک‌اند’، ‘طراح UI/UX’). ۵. ریسک‌های بالقوه و استراتژی‌های کاهش آنها. از رویکرد زنجیره تفکر (Chain-of-Thought) برای ترسیم فرآیند برنامه‌ریزی خود استفاده کنید و هر تصمیم را توجیه کنید. برنامه را در قالب یک جدول markdown برای خوانایی آسان ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are a seasoned Agile Project Manager. Develop a detailed project plan for building a from scratch. The plan should include: 1. Project phases (e.g., Discovery, Design, Development, Testing, Deployment). 2. Key milestones and deliverables for each phase. 3. Estimated timelines (e.g., ‘weeks’ or ‘sprints’). 4. Required resources (e.g., ‘frontend developer’, ‘backend developer’, ‘UI/UX designer’). 5. Potential risks and mitigation strategies. Use a Chain-of-Thought approach to outline your planning process, justifying each decision. Present the plan in a markdown table format for easy readability.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), خروجی ساختاریافته (Structured Output).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از قابلیت استدلال ساختاریافته عامل (CoT) برای تولید یک سند پیچیده و منطقی بهره می‌برد. CoT به عامل کمک می‌کند تا مراحل برنامه‌ریزی را به صورت گام به گام طی کند و تصمیمات خود را توجیه نماید، که برای یک برنامه پروژه جامع و قابل اعتماد ضروری است. این پرامپت به عامل امکان می‌دهد تا فرآیند فکری یک مدیر پروژه را شبیه‌سازی کند و نه تنها یک خروجی نهایی، بلکه منطق پشت آن را نیز ارائه دهد.
• رفتار و خروجی مورد انتظار Agent: عامل نقش مدیر پروژه را ایفا کرده و با استدلال گام به گام، مراحل توسعه نرم‌افزار را تعریف می‌کند. برای هر مرحله، وظایف، زمان‌بندی و منابع را تخمین می‌زند و ریسک‌های احتمالی را شناسایی و راهکارهای کاهش آنها را پیشنهاد می‌کند. خروجی یک جدول markdown با ستون‌های مشخص برای فازها، وظایف، زمان‌بندی، منابع و ریسک‌ها خواهد بود که به راحتی قابل خواندن و درک است.
• نکات سفارشی‌سازی و پیشرفته: می‌توان متدولوژی خاصی (مثلاً Scrum یا Kanban) را برای برنامه‌ریزی مشخص کرد یا درخواست برای تخمین بودجه اولیه کمپین یا تحلیل ذینفعان را اضافه نمود. همچنین می‌توان از عامل خواست که ابزارهای مدیریت پروژه خاصی (مثلاً Jira, Trello) را برای پیاده‌سازی برنامه پیشنهاد دهد.

۴. استراتژی محتوای بازاریابی دیجیتال

• هدف: ایجاد یک استراتژی محتوای جامع برای یک کمپین بازاریابی دیجیتال با هدف افزایش آگاهی از برند و تولید سرنخ.
• پرامپت تخصصی (فارسی): “شما یک استراتژیست بازاریابی دیجیتال بسیار خلاق و متخصص در هستید. یک استراتژی محتوا برای یک کمپین بازاریابی دیجیتال ۳ ماهه با هدف افزایش آگاهی از برند و تولید سرنخ برای توسعه دهید. استراتژی شما باید شامل: ۱. تحلیل مخاطب هدف. ۲. پیام‌های کلیدی و مزیت‌های رقابتی منحصر به فرد. ۳. ستون‌های/تم‌های محتوا. ۴. فرمت‌های محتوا (مثلاً: پست‌های وبلاگ، به‌روزرسانی‌های رسانه‌های اجتماعی، خبرنامه‌های ایمیلی، وبینارها). ۵. کانال‌های توزیع. ۶. شاخص‌های کلیدی عملکرد (KPIs) برای موفقیت. اطمینان حاصل کنید که لحن [لحن، مثلاً: ‘اطلاع‌رسان و الهام‌بخش’] است. ۳ ایده محتوایی مشخص برای هر فرمت محتوا ارائه دهید. از رویکرد زنجیره تفکر (Chain-of-Thought) برای توضیح تصمیمات استراتژیک خود استفاده کنید.”
• پرامپت تخصصی (انگلیسی): “You are a highly creative Digital Marketing Strategist specializing in. Develop a content strategy for a 3-month digital marketing campaign aimed at increasing brand awareness and lead generation for. Your strategy should include: 1. Target audience analysis. 2. Key messaging and unique selling propositions. 3. Content pillars/themes. 4. Content formats (e.g., blog posts, social media updates, email newsletters, webinars). 5. Distribution channels. 6. KPIs for success. Ensure the tone is. Provide 3 concrete content ideas for each content format. Use a Chain-of-Thought approach to explain your strategic decisions.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), تولید خلاقانه (Creative Generation), خروجی ساختاریافته (Structured Output).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در ترکیب تحلیل استراتژیک (از طریق CoT) با تولید محتوای خلاقانه بهره می‌برد. عامل باید نه تنها یک استراتژی منطقی ارائه دهد، بلکه ایده‌های محتوایی مشخصی را نیز تولید کند که با لحن و مخاطب هدف همخوانی داشته باشد. این پرامپت به عامل امکان می‌دهد تا فرآیند فکری یک استراتژیست بازاریابی را شبیه‌سازی کند و راهکارهای عملی و خلاقانه ارائه دهد.
• رفتار و خروجی مورد انتظار Agent: عامل نقش استراتژیست بازاریابی را ایفا کرده و ابتدا مخاطب هدف و پیام‌های کلیدی را تحلیل می‌کند. سپس با استدلال گام به گام، ستون‌های محتوا و فرمت‌ها را مشخص کرده و برای هر فرمت، ایده‌های خلاقانه ارائه می‌دهد. این فرآیند استدلالی شفافیت را در پشت تصمیمات استراتژیک تضمین می‌کند. خروجی یک سند استراتژی جامع با بخش‌های مشخص (تحلیل مخاطب، پیام‌ها، ستون‌ها، فرمت‌ها، کانال‌ها، KPIها) و ایده‌های محتوایی مشخص برای هر فرمت خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای تحلیل رقبا یا بودجه‌بندی تقریبی کمپین را اضافه کرد. همچنین می‌توان پلتفرم‌های اجتماعی خاصی را برای تمرکز مشخص نمود یا از عامل خواست که یک تقویم محتوایی اولیه برای کمپین ارائه دهد.

۵. بررسی جامع یک فناوری نوظهور

• هدف: انجام پژوهش عمیق در مورد یک فناوری نوظهور و خلاصه‌سازی یافته‌ها از منابع معتبر.
• پرامپت تخصصی (فارسی): “شما یک دانشمند پژوهشگر متخصص در فناوری‌های نوظهور هستید. یک بررسی جامع از [فناوری نوظهور، مثلاً: ‘پیشرفت‌های محاسبات کوانتومی در ۵ سال اخیر’] انجام دهید. از قابلیت‌های وب‌گردی عامل برای جمع‌آوری اطلاعات از منابع معتبر (مثلاً: مجلات علمی، اخبار فناوری، مؤسسات تحقیقاتی) استفاده کنید. اطلاعات را برای پوشش موارد زیر ترکیب کنید: ۱. اصول اصلی. ۲. پیشرفت‌ها و نقاط عطف کلیدی. ۳. کاربردهای فعلی. ۴. پتانسیل و چالش‌های آینده. ۵. مؤسسات/شرکت‌های تحقیقاتی پیشرو. از رویکرد ReAct برای فرآیند پژوهش خود استفاده کنید: فکر (چه چیزی را جستجو کنم)، عمل (انجام جستجو/مرور)، مشاهده (تحلیل نتایج). با یک گزارش خلاصه دقیق، با ذکر منابع در صورت امکان، نتیجه‌گیری کنید.”
• پرامپت تخصصی (انگلیسی): “You are a Research Scientist specializing in emerging technologies. Conduct a comprehensive review of. Use the agent’s web browsing capabilities to gather information from reputable sources (e.g., academic journals, tech news, research institutions). Synthesize the information to cover: 1. Core principles. 2. Key breakthroughs and milestones. 3. Current applications. 4. Future potential and challenges. 5. Leading research institutions/companies. Use a ReAct approach for your research process: Thought (what to search), Action (perform search/browse), Observation (analyze results). Conclude with a detailed summary report, citing sources where possible.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), استدلال و عمل (ReAct), استفاده از ابزار (Tool Use – Web Browsing), ترکیب اطلاعات (Information Synthesis), ارجاع (Citation – ضمنی).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت مستقیماً از قابلیت عامل برای تعامل با وب و جمع‌آوری اطلاعات پویا استفاده می‌کند. ReAct تضمین می‌کند که عامل در هر مرحله از جستجو و تحلیل، نتایج را مشاهده و بر اساس آن تصمیم‌گیری می‌کند، که برای پژوهش دقیق و جمع‌آوری اطلاعات از منابع متعدد حیاتی است. این رویکرد به عامل امکان می‌دهد تا به طور پویا با اطلاعات جدید سازگار شود و فرآیند تحقیق را بهینه‌سازی کند.
• رفتار و خروجی مورد انتظار Agent: عامل نقش دانشمند پژوهشگر را می‌پذیرد. سپس از طریق چرخه فکر/عمل/مشاهده، جستجوهای وب را انجام داده، صفحات را مرور کرده و اطلاعات مرتبط را استخراج می‌کند. پس از هر مشاهده، عامل ارزیابی می‌کند که آیا اطلاعات کافی و معتبر جمع‌آوری شده است یا خیر و جستجوهای بعدی را بر این اساس تنظیم می‌کند. پس از جمع‌آوری کافی، اطلاعات را دسته‌بندی و خلاصه‌سازی کرده و یک گزارش جامع با بخش‌های مشخص (اصول، پیشرفت‌ها، کاربردها، پتانسیل، چالش‌ها، مؤسسات پیشرو) و ارجاعات (در صورت امکان) ارائه می‌دهد.
• نکات سفارشی‌سازی و پیشرفته: می‌توان تعداد منابع مورد نیاز، نوع منابع (مثلاً فقط مقالات peer-reviewed یا گزارش‌های دولتی) یا زبان خاصی برای جستجو را مشخص کرد. درخواست برای شناسایی نقاط کور در تحقیقات موجود یا ارائه سؤالات پژوهشی آینده نیز می‌تواند یک افزودنی مفید باشد.

۶. تولید کد پایتون برای تحلیل داده

• هدف: تولید یک اسکریپت پایتون برای انجام تحلیل داده خاص و ارائه توضیحات جامع.
• پرامپت تخصصی (فارسی): “شما یک مهندس نرم‌افزار ارشد متخصص در پایتون برای علم داده هستید. یک اسکریپت پایتون بنویسید که. اسکریپت باید به خوبی کامنت‌گذاری شده باشد، از بهترین شیوه‌ها برای خوانایی پیروی کند و شامل مثال‌های استفاده باشد. پس از کد، یک توضیح دقیق با رویکرد زنجیره تفکر (Chain-of-Thought) ارائه دهید که چرا هر بخش از کد به این شکل نوشته شده است، با تمرکز بر کارایی و پایداری. فرض کنید مسیر فایل CSV به عنوان یک آرگومان ارائه می‌شود.”
• پرامپت تخصصی (انگلیسی): “You are a Senior Software Engineer specializing in Python for Data Science. Write a Python script that performs. The script should be well-commented, follow best practices for readability, and include example usage. After the code, provide a detailed Chain-of-Thought explanation of why each section of the code was written the way it was, focusing on efficiency and robustness. Assume the CSV file path is provided as an argument.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), تولید کد (Code Generation), بهترین شیوه‌ها (Best Practices).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در تولید کد با کیفیت و همچنین توجیه منطقی پشت آن (از طریق CoT) بهره می‌برد. عامل باید نه تنها کد را بنویسد، بلکه فرآیند فکری خود را نیز برای انتخاب رویکردهای خاص توضیح دهد، که برای درک، اشکال‌زدایی و نگهداری کد حیاتی است. این قابلیت به عامل امکان می‌دهد تا به عنوان یک همکار برنامه‌نویسی عمل کند که نه تنها کد تولید می‌کند، بلکه دانش خود را نیز به اشتراک می‌گذارد.
• رفتار و خروجی مورد انتظار Agent: عامل نقش مهندس نرم‌افزار را ایفا می‌کند. ابتدا با استدلال گام به گام، ساختار کلی اسکریپت را برنامه‌ریزی می‌کند و تصمیمات طراحی را توجیه می‌کند. سپس کد پایتون را با کامنت‌های مناسب و مثال‌های استفاده تولید کرده و پس از آن، توضیحات مفصلی در مورد هر بخش از کد و دلایل طراحی آن (مانند انتخاب کتابخانه‌ها، رویکردهای مدیریت خطا) ارائه می‌دهد. خروجی شامل کد قابل اجرا و توضیحات تحلیلی آن خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان کتابخانه‌های پایتون خاصی را برای استفاده مشخص کرد (مثلاً Pandas, NumPy, Matplotlib, Scikit-learn) یا درخواست برای افزودن قابلیت‌های بصری‌سازی داده‌ها (مثلاً نمودارهای هیستوگرام، نمودارهای پراکندگی) را مطرح نمود. همچنین می‌توان از عامل خواست که تست‌های واحد (unit tests) برای کد تولید شده بنویسد یا بهینه‌سازی‌هایی برای عملکرد کد پیشنهاد دهد.

۷. تحلیل SWOT برای ورود به بازار جدید

• هدف: انجام تحلیل SWOT برای ارزیابی فرصت ورود به یک بازار جدید و ارائه توصیه‌های استراتژیک.
• پرامپت تخصصی (فارسی): “شما یک مشاور استراتژی کسب‌وکار هستید. یک تحلیل SWOT جامع برای [نام شرکت، مثلاً: ‘شرکت نوآوران فناوری’] با در نظر گرفتن ورود احتمالی آن به [بازار جدید، مثلاً: ‘بازار زیرساخت شارژ وسایل نقلیه الکتریکی در جنوب شرق آسیا’] انجام دهید. از قابلیت‌های وب‌گردی خود برای جمع‌آوری داده‌های بازار مرتبط، تحلیل رقبا و اطلاعات نظارتی استفاده کنید. تحلیل خود را با بخش‌های مجزا برای نقاط قوت، ضعف، فرصت‌ها و تهدیدها ساختار دهید. برای هر مورد، مثال‌های مشخص و توجیه ارائه دهید. با یک توصیه در مورد ورود به بازار، که توسط تحلیل شما پشتیبانی می‌شود، نتیجه‌گیری کنید. از رویکرد ReAct برای جمع‌آوری و تحلیل داده‌ها استفاده کنید.”
• پرامپت تخصصی (انگلیسی): “You are a Business Strategy Consultant. Perform a comprehensive SWOT analysis for considering its potential entry into the. Use your web browsing capabilities to gather relevant market data, competitor analysis, and regulatory information. Structure your analysis with distinct sections for Strengths, Weaknesses, Opportunities, and Threats. For each point, provide concrete examples and justification. Conclude with a recommendation on market entry, supported by your analysis. Use a ReAct approach for data gathering and analysis.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), استدلال و عمل (ReAct), استفاده از ابزار (Tool Use – Web Browsing), تحلیل استراتژیک.
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از قابلیت عامل برای جمع‌آوری اطلاعات از وب و سپس تحلیل استراتژیک آن بهره می‌برد. استفاده از ReAct تضمین می‌کند که عامل در هر مرحله از جمع‌آوری داده و تحلیل، نتایج را مشاهده و بر اساس آن تصمیم‌گیری می‌کند، که برای یک تحلیل SWOT معتبر و پویا ضروری است. این رویکرد به عامل امکان می‌دهد تا به طور فعال با داده‌های بازار تعامل داشته باشد و بینش‌های عملی را استخراج کند.
• رفتار و خروجی مورد انتظار Agent: عامل نقش مشاور استراتژی را می‌پذیرد. سپس از طریق چرخه فکر/عمل/مشاهده، داده‌های بازار، اطلاعات رقبا و مقررات را از وب جمع‌آوری می‌کند. پس از هر مشاهده، عامل اطلاعات را ارزیابی کرده و جستجوهای بعدی را برای تکمیل تحلیل خود تنظیم می‌کند. پس از جمع‌آوری کافی، داده‌ها را تحلیل کرده و تحلیل SWOT را با مثال‌های مشخص و توجیهات منطقی ارائه می‌دهد. در نهایت، یک توصیه استراتژیک مبتنی بر تحلیل ارائه خواهد شد.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای تحلیل PESTEL (سیاسی، اقتصادی، اجتماعی، تکنولوژیکی، محیطی، حقوقی) علاوه بر SWOT را اضافه کرد یا محدودیت‌های جغرافیایی دقیق‌تری را مشخص نمود. همچنین می‌توان از عامل خواست که سناریوهای مختلف ورود به بازار (مثلاً سرمایه‌گذاری مشترک در مقابل راه‌اندازی مستقل) را ارزیابی کند.

۸. استخراج اطلاعات محصول از وب‌سایت‌ها

• هدف: استخراج مشخصات محصولات خاص از چندین وب‌سایت فروشگاهی و سازماندهی آنها در یک فرمت ساختاریافته.
• پرامپت تخصصی (فارسی): “شما یک عامل استخراج داده هستید. از URLهای زیر بازدید کنید:. برای هر URL، جزئیات محصول زیر را شناسایی و استخراج کنید: نام محصول، قیمت، موجودی، رتبه مشتری (در صورت وجود) و ویژگی‌های کلیدی. اگر محصولی ناموجود بود، آن را یادداشت کنید. اطلاعات استخراج شده را در یک آرایه JSON ساختاریافته ارائه دهید، که در آن هر شیء یک محصول را نشان می‌دهد. از رویکرد ReAct برای ناوبری و استخراج اطلاعات از هر وب‌سایت استفاده کنید.”
• پرامپت تخصصی (انگلیسی): “You are a Data Scraper Agent. Visit the following URLs:. For each URL, identify and extract the following product details: Product Name, Price, Availability, Customer Rating (if present), and Key Features. If a product is out of stock, note it. Present the extracted information in a structured JSON array, where each object represents a product. Use a ReAct approach for navigating and extracting information from each website.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), استدلال و عمل (ReAct), استفاده از ابزار (Tool Use – Web Browsing/Scraping), خروجی ساختاریافته (Structured Output).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت به طور مستقیم قابلیت عامل برای “فعالانه تعامل با وب‌سایت‌ها—کلیک کردن، فیلتر کردن و جمع‌آوری نتایج دقیق‌تر و کارآمدتر” را به کار می‌گیرد. ReAct برای مدیریت پویایی‌های وب‌سایت‌ها (مانند بارگذاری پویا، تغییرات ساختار صفحه) و اطمینان از استخراج صحیح اطلاعات ضروری است. این رویکرد به عامل امکان می‌دهد تا به طور خودکار داده‌ها را از منابع آنلاین جمع‌آوری کند، که برای تحلیل بازار، مقایسه قیمت‌ها و پایش رقبا بسیار مفید است.
• رفتار و خروجی مورد انتظار Agent: عامل نقش عامل استخراج داده را می‌پذیرد. سپس از طریق چرخه فکر/عمل/مشاهده، به هر URL مراجعه می‌کند. در هر صفحه، عناصر HTML را برای یافتن اطلاعات محصول بررسی کرده و داده‌های مورد نظر را استخراج می‌کند. عامل پس از هر اقدام (مثلاً بارگذاری صفحه، کلیک بر روی یک عنصر)، مشاهده می‌کند که آیا اطلاعات مورد نظر در دسترس است یا خیر و بر اساس آن، اقدامات بعدی خود را تنظیم می‌کند. خروجی یک آرایه JSON خواهد بود که حاوی جزئیات محصولات است و به راحتی قابل پردازش توسط سیستم‌های دیگر است.
• نکات سفارشی‌سازی و پیشرفته: می‌توان قوانین خاصی برای مدیریت خطا (مثلاً اگر یک صفحه محصول یافت نشد یا ساختار آن تغییر کرده بود) یا نیاز به ورود به سیستم برای دسترسی به اطلاعات را مشخص کرد. همچنین می‌توان از عامل خواست که داده‌ها را در یک پایگاه داده ذخیره کند یا هشدارهایی را برای تغییرات قیمت یا موجودی ارسال کند.

۹. شبیه‌سازی بحران روابط عمومی

• هدف: شبیه‌سازی یک سناریوی بحران روابط عمومی و پیشنهاد واکنش‌های استراتژیک و اخلاقی.
• پرامپت تخصصی (فارسی): “شما یک متخصص ارتباطات بحران هستید. یک بحران روابط عمومی را برای [نام شرکت، مثلاً: ‘خطوط هوایی جهانی’] بر اساس سناریوی زیر شبیه‌سازی کنید: با پیشرفت بحران، رویدادهای کلیدی و واکنش‌های عمومی را در یک دوره ۴۸ ساعته توصیف کنید. برای هر بازه ۶ ساعته، استراتژی‌ها و اقدامات ارتباطی خاصی را پیشنهاد دهید (مثلاً: ‘پیش‌نویس بیانیه مطبوعاتی’، ‘آماده‌سازی پاسخ‌های رسانه‌های اجتماعی’، ‘سازماندهی بیانیه مدیر عامل’). از رویکرد زنجیره تفکر (Chain-of-Thought) برای توضیح استدلال خود برای هر اقدام پیشنهادی استفاده کنید، با در نظر گرفتن پیامدهای اخلاقی و شهرت برند. با یک برنامه بازیابی پس از بحران نتیجه‌گیری کنید.”
• پرامپت تخصصی (انگلیسی): “You are a Crisis Communications Expert. Simulate a public relations crisis for [Company Name, e.g., ‘Global Airlines’] based on the following scenario:. As the crisis unfolds, describe the key events and public reactions over a 48-hour period. For each 6-hour interval, propose specific communication strategies and actions (e.g., ‘Draft a press release,’ ‘Prepare social media responses,’ ‘Organize a CEO statement’). Use a Chain-of-Thought approach to explain your reasoning for each proposed action, considering ethical implications and brand reputation. Conclude with a post-crisis recovery plan.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), تولید سناریو (Scenario Generation), برنامه‌ریزی استراتژیک.
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در شبیه‌سازی سناریوهای پیچیده و ارائه استدلال‌های استراتژیک (از طریق CoT) بهره می‌برد. عامل باید نه تنها بحران را شبیه‌سازی کند، بلکه واکنش‌های منطقی و اخلاقی را نیز در طول زمان پیشنهاد دهد، که برای مدیریت بحران در دنیای واقعی بسیار مهم است. این پرامپت به عامل امکان می‌دهد تا به عنوان یک مشاور استراتژیک عمل کند و نه تنها مشکلات را شناسایی کند، بلکه راهکارهای عملی و توجیه‌پذیری را نیز ارائه دهد.
• رفتار و خروجی مورد انتظار Agent: عامل نقش متخصص ارتباطات بحران را می‌پذیرد. سپس سناریو را گام به گام شبیه‌سازی کرده و رویدادها و واکنش‌های عمومی را در بازه‌های زمانی مشخص توصیف می‌کند. برای هر بازه، اقدامات ارتباطی خاصی را پیشنهاد داده و دلایل خود را با CoT توضیح می‌دهد، با تأکید بر ملاحظات اخلاقی و حفظ شهرت برند. خروجی یک گزارش شبیه‌سازی بحران با برنامه واکنش و بازیابی خواهد بود که شامل جزئیات مراحل، پیام‌ها و توجیهات استراتژیک است.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای شبیه‌سازی واکنش‌های رسانه‌ای خاص (مثلاً پوشش خبری، ترندهای شبکه‌های اجتماعی) یا تحلیل احساسات عمومی در طول بحران را اضافه کرد. همچنین می‌توان از عامل خواست که پیش‌نویس‌های اولیه برای بیانیه‌های مطبوعاتی یا پست‌های رسانه‌های اجتماعی را تولید کند.

۱۰. دستیار آموزشی برای مفاهیم پیچیده

• هدف: ارائه توضیحات گام به گام و تعاملی برای یک مفهوم علمی پیچیده، با هدف بهبود درک دانشجو.
• پرامپت تخصصی (فارسی): “شما یک استاد دانشگاه باتجربه متخصص در [موضوع، مثلاً: ‘اخترفیزیک’] هستید. وظیفه شما توضیح مفهوم [مفهوم پیچیده، مثلاً: ‘ترمودینامیک سیاه‌چاله‌ها’] به یک دانشجوی باهوش کارشناسی است که درک اولیه از فیزیک دارد اما هیچ دانش قبلی در مورد این موضوع خاص ندارد. توضیح را به بخش‌های متوالی و قابل فهم تقسیم کنید. پس از هر بخش، یک سؤال کاوشی برای بررسی درک دانشجو بپرسید. اگر دانشجو اشتباه پاسخ داد (یک تصور غلط رایج را شبیه‌سازی کنید)، یک توضیح اصلاحی ارائه دهید. از رویکرد زنجیره تفکر (Chain-of-Thought) برای ساختاردهی برنامه آموزشی خود و از رویکرد ReAct برای پرسش و پاسخ تعاملی استفاده کنید (فکر: سؤال را تدوین کن، عمل: سؤال را بپرس، مشاهده: پاسخ را دریافت/ارزیابی کن، فکر: بازخورد را ارائه کن).”
• پرامپت تخصصی (انگلیسی): “You are an experienced University Professor specializing in. Your task is to explain the concept of to a bright undergraduate student who has a basic understanding of physics but no prior knowledge of this specific topic. Break down the explanation into sequential, digestible parts. After each part, ask a probing question to check for understanding. If the student answers incorrectly (simulate a common misconception), provide a corrective explanation. Use a Chain-of-Thought approach to structure your teaching plan and a ReAct approach for the interactive Q&A (Thought: formulate question, Action: ask question, Observation: receive/evaluate answer, Thought: provide feedback).”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), استدلال و عمل (ReAct – برای تعامل), یادگیری تعاملی.
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از قابلیت عامل برای تعامل پویا و تطبیق با پاسخ‌های کاربر (از طریق ReAct) در یک محیط آموزشی بهره می‌برد. CoT به عامل کمک می‌کند تا یک برنامه آموزشی منطقی و ساختاریافته را دنبال کند ، در حالی که ReAct امکان بازخورد فوری و اصلاح درک دانشجو را فراهم می‌آورد. این ترکیب به عامل امکان می‌دهد تا به عنوان یک معلم خصوصی هوشمند عمل کند که نه تنها اطلاعات را ارائه می‌دهد، بلکه فعالانه درک کاربر را ارزیابی و تقویت می‌کند.
• رفتار و خروجی مورد انتظار Agent: عامل نقش استاد را می‌پذیرد. سپس با CoT، برنامه تدریس را طراحی می‌کند و توضیح را به بخش‌های کوچک تقسیم می‌کند. پس از هر بخش، یک سؤال می‌پرسد. با استفاده از ReAct، پاسخ دانشجو را ارزیابی کرده و بازخورد مناسب (شامل توضیح اصلاحی در صورت نیاز) ارائه می‌دهد. این چرخه تا زمانی که مفهوم به طور کامل درک شود، ادامه می‌یابد. خروجی شامل توضیحات گام به گام، سؤالات و پاسخ‌های شبیه‌سازی شده، و توضیحات اصلاحی خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان سطح دانش اولیه دانشجو را تغییر داد (مثلاً دانش‌آموز دبیرستانی یا دانشجوی دکترا) یا درخواست برای ارائه مثال‌های کاربردی، آنالوژی‌ها یا منابع اضافی (مثلاً مقالات، ویدئوها) را اضافه کرد. همچنین می‌توان از عامل خواست که یک آزمون کوتاه در پایان جلسه ارائه دهد.

۱۱. بهینه‌سازی فرآیند پذیرش مشتری

• هدف: تحلیل و بهینه‌سازی یک فرآیند پذیرش مشتری برای افزایش کارایی و رضایت کاربر.
• پرامپت تخصصی (فارسی): “شما یک متخصص بهینه‌سازی فرآیندهای کسب‌وکار هستید. فرآیند پذیرش مشتری زیر را برای تحلیل کنید: [فرآیند پذیرش فعلی را گام به گام توصیف کنید، شامل نقاط درد، مثلاً: ‘۱. ثبت‌نام (فرم وب). ۲. تأیید ایمیل. ۳. ایمیل خوش‌آمدگویی با لینک‌های آموزشی. ۴. برنامه‌ریزی تماس دمو (دستی). ۵. اولین ورود. ۶. تیکت پشتیبانی برای مشکلات اولیه راه‌اندازی.’] گلوگاه‌ها، مراحل زائد و زمینه‌های خودکارسازی را شناسایی کنید. یک فرآیند پذیرش بازنگری شده و بهینه شده را پیشنهاد دهید که کارآمدتر و کاربرپسندتر باشد. برای هر تغییر پیشنهادی، آن را با توضیح زنجیره تفکر (Chain-of-Thought) توجیه کنید و ابزارها یا فناوری‌های خاصی را پیشنهاد دهید (مثلاً: ‘خودکارسازی CRM’، ‘چت‌بات هوش مصنوعی برای پرسش‌های متداول’). فرآیند بهینه شده را به عنوان یک توصیف نمودار جریان یا یک لیست شماره‌گذاری شده ارائه دهید.”
• **پرامپت تخصصی (انگلیسی):”You are a Business Process Optimization Specialist. Analyze the following customer onboarding process for a:. Identify bottlenecks, redundant steps, and areas for automation. Propose a revised, optimized onboarding process that is more efficient and user-friendly. For each proposed change, justify it with a Chain-of-Thought explanation and suggest specific tools or technologies (e.g., ‘CRM automation’, ‘AI chatbot for FAQs’). Present the optimized process as a flowchart description or a numbered list.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), تحلیل فرآیند (Process Analysis), پیشنهاد خودکارسازی (Automation Suggestion).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در تحلیل فرآیندهای کسب‌وکار و ارائه راه‌حل‌های بهینه‌سازی بهره می‌برد. CoT به عامل کمک می‌کند تا منطق پشت پیشنهادات خود را توضیح دهد و توجیه کند، که برای پذیرش راه‌حل‌ها توسط ذینفعان کسب‌وکار حیاتی است. این پرامپت به عامل امکان می‌دهد تا به عنوان یک مشاور عملیاتی عمل کند که نه تنها مشکلات را شناسایی می‌کند، بلکه راهکارهای عملی و قابل پیاده‌سازی را نیز ارائه می‌دهد.
• رفتار و خروجی مورد انتظار Agent: عامل نقش متخصص بهینه‌سازی فرآیند را می‌پذیرد. سپس فرآیند موجود را تحلیل کرده، گلوگاه‌ها، مراحل زائد و نقاط درد را شناسایی می‌کند. با استدلال گام به گام، فرآیند بهینه‌سازی شده را پیشنهاد داده و برای هر تغییر، توجیه و ابزارهای پیشنهادی (مانند پلتفرم‌های خودکارسازی یا ابزارهای هوش مصنوعی) را ارائه می‌دهد. خروجی یک توصیف از فرآیند بهینه‌سازی شده خواهد بود که می‌تواند به صورت نمودار جریان متنی یا یک لیست شماره‌گذاری شده ارائه شود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای تخمین صرفه‌جویی در زمان یا هزینه ناشی از بهینه‌سازی را اضافه کرد. همچنین می‌توان از عامل خواست که معیارهای کلیدی برای اندازه‌گیری موفقیت فرآیند بهینه شده (مثلاً نرخ تبدیل، زمان پذیرش) را تعریف کند یا سناریوهای مختلفی را برای پیاده‌سازی فرآیند بهینه شده ارائه دهد.

۱۲. برنامه‌ریزی روزانه هوشمند

• هدف: ایجاد یک برنامه روزانه بهینه بر اساس اولویت‌ها، محدودیت‌های زمانی و ترجیحات شخصی.
• پرامپت تخصصی (فارسی): “شما یک دستیار بهره‌وری شخصی هستید. یک برنامه روزانه بهینه برای من، [نقش شما، مثلاً: ‘یک طراح گرافیک فریلنسر’]، برای فردا، [تاریخ]، ایجاد کنید. وظایف کلیدی من عبارتند از: [لیست وظایف با زمان تخمینی و اولویت، مثلاً: ‘جلسه با مشتری (۲ ساعت، بالا)، طراحی لوگو (۴ ساعت، بالا)، یادگیری نرم‌افزار جدید (۱ ساعت، متوسط)، پاسخ به ایمیل‌ها (۱ ساعت، پایین)’]. ساعات کاری ترجیحی من [مثلاً: ‘۹ صبح تا ۶ عصر’] با [مثلاً: ‘یک ساعت استراحت ناهار’] و [مثلاً: ‘دو استراحت ۱۵ دقیقه‌ای کوتاه’] است. این وظایف را در یک برنامه منسجم ادغام کنید، با اولویت‌بندی وظایف با اولویت بالا. از رویکرد زنجیره تفکر (Chain-of-Thought) برای توضیح منطق زمان‌بندی خود استفاده کنید. برنامه را در یک تفکیک ساعتی واضح ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are a Personal Productivity Assistant. Create an optimized daily schedule for me, a, for tomorrow,. My key tasks are:. My preferred working hours are [e.g., ‘9 AM to 6 PM’] with a [e.g., ‘1-hour lunch break’] and [e.g., ‘two 15-minute short breaks’]. Integrate these tasks into a coherent schedule, prioritizing high-priority tasks first. Use a Chain-of-Thought to explain your scheduling logic. Present the schedule in a clear, hourly breakdown.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), بهینه‌سازی (Optimization), خروجی ساختاریافته (Structured Output).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از قابلیت عامل در برنامه‌ریزی و بهینه‌سازی (بر اساس محدودیت‌ها و اولویت‌ها) بهره می‌برد. CoT به عامل کمک می‌کند تا منطق پشت تخصیص زمان به وظایف را توضیح دهد، که برای اعتماد کاربر به برنامه و درک نحوه بهینه‌سازی آن مهم است. این پرامپت به عامل امکان می‌دهد تا به عنوان یک دستیار شخصی عمل کند که نه تنها وظایف را سازماندهی می‌کند، بلکه به کاربر کمک می‌کند تا درک بهتری از نحوه مدیریت زمان خود داشته باشد.
• رفتار و خروجی مورد انتظار Agent: عامل نقش دستیار بهره‌وری را می‌پذیرد. سپس با استدلال گام به گام، وظایف را بر اساس اولویت و زمان‌بندی مورد نظر کاربر در برنامه روزانه قرار می‌دهد، با در نظر گرفتن استراحت‌ها و ساعات کاری ترجیحی. خروجی یک برنامه زمانی ساعتی با توجیهات منطقی برای ترتیب و تخصیص زمان هر وظیفه خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای ادغام تقویم‌های خارجی (مثلاً Google Calendar) یا یادآوری‌های خودکار را اضافه کرد (با فرض دسترسی عامل به این ابزارها). همچنین می‌توان از عامل خواست که زمان‌بندی را برای سناریوهای مختلف (مثلاً روزهای با جلسات زیاد یا روزهای با کارهای خلاقانه) تنظیم کند.

۱۳. تحلیل احساسات نظرات مشتریان

• هدف: تحلیل احساسات مجموعه بزرگی از نظرات مشتریان برای شناسایی نقاط قوت و ضعف محصول و ارائه بینش‌های عملی.
• پرامپت تخصصی (فارسی): “شما یک تحلیلگر تجربه مشتری هستید. احساسات نظرات مشتریان زیر را برای [محصول/خدمت، مثلاً: ‘یک مدل گوشی هوشمند جدید’] تحلیل کنید. هر نظر را به عنوان ‘مثبت’، ‘منفی’ یا ‘خنثی’ طبقه‌بندی کنید و دلایل اصلی (مثلاً: ‘عمر باتری’، ‘کیفیت دوربین’، ‘مشکلات نرم‌افزاری’) برای این احساسات را استخراج کنید. سپس، یک خلاصه کلی از توزیع احساسات ارائه دهید و ۳ نقطه قوت برتر و ۳ نقطه ضعف برتر ذکر شده توسط مشتریان را شناسایی کنید. از رویکرد زنجیره تفکر (Chain-of-Thought) برای توضیح منطق طبقه‌بندی خود برای چند نمونه از نظرات استفاده کنید. نتایج را در یک جدول برای نظرات فردی و یک گزارش خلاصه ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are a Customer Experience Analyst. Analyze the sentiment of the following customer reviews for. Classify each review as ‘Positive,’ ‘Negative,’ or ‘Neutral,’ and extract the key reasons (e.g., ‘battery life,’ ‘camera quality,’ ‘software bugs’) for the sentiment. Then, provide an overall summary of the sentiment distribution and identify the top 3 strengths and top 3 weaknesses mentioned by customers. Use a Chain-of-Thought approach to explain your classification logic for a few example reviews. Present the results in a table for individual reviews and a summary report.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), تحلیل احساسات (Sentiment Analysis), استخراج داده (Data Extraction), خروجی ساختاریافته (Structured Output).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در پردازش و تحلیل حجم زیادی از داده‌های متنی (نظرات مشتریان) و استخراج بینش‌های معنادار بهره می‌برد. CoT به عامل کمک می‌کند تا منطق پشت طبقه‌بندی احساسات را شفاف کند و دلایل خاصی را برای هر طبقه‌بندی ارائه دهد، که برای درک عمیق‌تر بازخورد مشتری حیاتی است. این پرامپت به عامل امکان می‌دهد تا به عنوان یک تحلیلگر داده‌های کیفی عمل کند و اطلاعات خام را به بینش‌های عملی تبدیل کند.
• رفتار و خروجی مورد انتظار Agent: عامل نقش تحلیلگر تجربه مشتری را می‌پذیرد. سپس نظرات را پردازش کرده و برای هر نظر، احساسات و دلایل کلیدی را استخراج می‌کند. عامل با استفاده از CoT، نحوه رسیدن به طبقه‌بندی احساسات را برای چند نمونه توضیح می‌دهد. خروجی یک جدول با جزئیات هر نظر (طبقه‌بندی، دلایل) و یک گزارش خلاصه شامل توزیع احساسات و نقاط قوت و ضعف اصلی ذکر شده توسط مشتریان خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای شناسایی الگوهای نوظهور در نظرات (مثلاً مشکلات جدید) یا مقایسه احساسات با محصولات رقبا را اضافه کرد (با فرض دسترسی به داده‌های رقبا). همچنین می‌توان از عامل خواست که بر اساس این تحلیل، توصیه‌هایی برای بهبود محصول یا خدمات ارائه دهد.

۱۴. ایده‌پردازی ویژگی‌های محصول جدید

• هدف: ایده‌پردازی ویژگی‌های نوآورانه برای یک محصول جدید بر اساس نیازهای بازار و تحلیل رقبا.
• پرامپت تخصصی (فارسی): “شما یک مدیر محصول در یک شرکت فناوری پیشرو هستید. ۵ ویژگی نوآورانه برای [نوع محصول، مثلاً: ‘یک هاب خانه هوشمند’] با هدف [مخاطب هدف، مثلاً: ‘خانواده‌های دارای فرزندان کوچک’] ایده‌پردازی و پیشنهاد دهید. برای هر ویژگی، موارد زیر را توصیف کنید: ۱. مشکلی که حل می‌کند. ۲. ارزش پیشنهادی منحصر به فرد آن. ۳. نحوه ادغام آن با عملکردهای موجود. ۴. چالش‌های فنی بالقوه. ۵. یک تحلیل مختصر از فرصت بازار. از رویکرد زنجیره تفکر (Chain-of-Thought) برای توضیح فرآیند ایده‌پردازی خود استفاده کنید و ویژگی‌ها را به نیازهای کاربر و شکاف‌های بازار مرتبط کنید. ایده‌های خود را در یک قالب ساختاریافته ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are a Product Manager at a leading tech company. Brainstorm and propose 5 innovative features for a new targeting. For each feature, describe: 1. The problem it solves. 2. Its unique value proposition. 3. How it integrates with existing functionalities. 4. Potential technical challenges. 5. A brief market opportunity analysis. Use a Chain-of-Thought approach to explain your ideation process, connecting features to user needs and market gaps. Present your ideas in a structured format.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), ایده‌پردازی (Ideation), تحلیل بازار (Market Analysis).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در ایده‌پردازی خلاقانه و همچنین استدلال منطقی (از طریق CoT) برای توجیه پیشنهادات خود بهره می‌برد. عامل باید نه تنها ایده‌های جدید تولید کند، بلکه آن‌ها را از منظر تجاری و فنی نیز ارزیابی کند و به نیازهای بازار و شکاف‌های موجود پیوند دهد. این قابلیت به عامل امکان می‌دهد تا به عنوان یک مدیر محصول مجازی عمل کند که بینش‌های استراتژیک و ایده‌های عملی را ارائه می‌دهد.
• رفتار و خروجی مورد انتظار Agent: عامل نقش مدیر محصول را می‌پذیرد. سپس با استدلال گام به گام، نیازهای مخاطب و شکاف‌های بازار را تحلیل کرده و ۵ ویژگی نوآورانه پیشنهاد می‌دهد. برای هر ویژگی، توضیحات کامل شامل مشکل حل شده، ارزش پیشنهادی، نحوه ادغام، چالش‌ها و فرصت بازار را ارائه می‌دهد. فرآیند فکری عامل در مورد چگونگی ارتباط ویژگی‌ها با نیازهای کاربر و فرصت‌های بازار به وضوح بیان خواهد شد. خروجی یک سند ساختاریافته با جزئیات هر ویژگی پیشنهادی خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای انجام تحقیقات بازار اولیه (با استفاده از وب‌گردی) برای اعتبارسنجی ایده‌ها یا شناسایی رقبا با ویژگی‌های مشابه را اضافه کرد. همچنین می‌توان از عامل خواست که یک نقشه راه محصول اولیه (product roadmap) بر اساس این ویژگی‌ها ارائه دهد.

۱۵. بومی‌سازی محتوای بازاریابی برای بازار خاص

• هدف: ترجمه و بومی‌سازی یک محتوای بازاریابی با حفظ لحن و پیام اصلی برای یک فرهنگ خاص.
• پرامپت تخصصی (فارسی): “شما یک متخصص بومی‌سازی متخصص در محتوای بازاریابی هستید. متن بازاریابی انگلیسی زیر را به [زبان هدف، مثلاً: ‘فارسی’] برای یک کمپین با هدف [جمعیت/منطقه خاص، مثلاً: ‘متخصصان جوان و آشنا به فناوری در تهران’] ترجمه کنید. متن اصلی عبارت است از: ‘[متن بازاریابی انگلیسی اصلی]’. اطمینان حاصل کنید که ترجمه نه تنها از نظر گرامری صحیح است، بلکه از نظر فرهنگی نیز طنین‌انداز است، لحن متقاعدکننده اصلی را حفظ می‌کند و هر گونه اصطلاح یا ارجاع فرهنگی را به طور مناسب تطبیق می‌دهد. یک توضیح مختصر با رویکرد زنجیره تفکر (Chain-of-Thought) برای هر گونه تطبیق فرهنگی مهم یا انتخاب‌های زبانی که انجام داده‌اید، ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are a Localization Expert specializing in marketing content. Translate the following English marketing copy into for a campaign targeting. The original copy is: ‘[Original English Marketing Copy]’. Ensure the translation not only is grammatically correct but also culturally resonant, maintaining the original persuasive tone and adapting any idioms or cultural references appropriately. Provide a brief Chain-of-Thought explanation for any significant cultural adaptations or linguistic choices you made.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), ترجمه پیشرفته (Advanced Translation), تطبیق فرهنگی (Cultural Adaptation).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در ترجمه فراتر از کلمه به کلمه، با در نظر گرفتن ظرافت‌های فرهنگی و لحن (بومی‌سازی) بهره می‌برد. CoT به عامل کمک می‌کند تا تصمیمات خود را در مورد انتخاب‌های فرهنگی و زبانی توضیح دهد و شفافیت را در فرآیند بومی‌سازی تضمین کند. این قابلیت به عامل امکان می‌دهد تا به عنوان یک متخصص بومی‌سازی عمل کند که نه تنها زبان را ترجمه می‌کند، بلکه پیام را برای مخاطبان محلی نیز بهینه می‌کند.
• رفتار و خروجی مورد انتظار Agent: عامل نقش متخصص بومی‌سازی را می‌پذیرد. سپس متن اصلی را به زبان هدف ترجمه می‌کند، با تمرکز بر حفظ لحن و پیام اصلی و تطبیق فرهنگی (مثلاً تغییر اصطلاحات، ارجاعات فرهنگی). خروجی متن ترجمه شده به همراه توضیحات CoT برای انتخاب‌های بومی‌سازی (مثلاً چرا یک اصطلاح خاص جایگزین شد یا چرا لحن خاصی انتخاب شد) خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای ارائه چندین گزینه ترجمه برای یک عبارت خاص یا توضیح تفاوت‌های ظریف بین آن‌ها را اضافه کرد. همچنین می‌توان از عامل خواست که تحلیل کوچکی از بازار هدف ارائه دهد تا توجیهات فرهنگی را تقویت کند.

۱۶. طراحی سناریوی آموزش امنیت سایبری

• هدف: طراحی یک سناریوی آموزشی واقع‌گرایانه برای تمرین واکنش به حملات سایبری و بهبود آمادگی تیم.
• پرامپت تخصصی (فارسی): “شما یک متخصص آموزش امنیت سایبری هستید. یک سناریوی آموزشی واقع‌گرایانه واکنش به حادثه امنیت سایبری را برای تیمی از طراحی کنید. سناریو باید شامل [نوع حمله، مثلاً: ‘حمله فیشینگ منجر به آلودگی با باج‌افزار’] باشد. جزئیات زیر را ارائه دهید: ۱. محرک/رویداد اولیه. ۲. پیشرفت حمله در طول زمان (مثلاً: ‘سازش اولیه’، ‘حرکت جانبی’، ‘رمزگذاری داده‌ها’). ۳. شاخص‌های کلیدی سازش (IOCs). ۴. اقدامات خاصی که تیم باید در هر مرحله انجام دهد (مثلاً: ‘سیستم‌های آسیب‌دیده را ایزوله کن’، ‘تیم واکنش به حادثه را مطلع کن’). ۵. چالش‌های بالقوه و پیچش‌های غیرمنتظره. از رویکرد زنجیره تفکر (Chain-of-Thought) برای اطمینان از جریان منطقی و واقع‌گرایی سناریو استفاده کنید. سناریو را به عنوان یک روایت زمانی ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are a Cybersecurity Training Specialist. Design a realistic cybersecurity incident response training scenario for a team of. The scenario should involve a. Detail: 1. The initial trigger/event. 2. The progression of the attack over time (e.g., ‘initial compromise’, ‘lateral movement’, ‘data encryption’). 3. Key indicators of compromise (IOCs). 4. Specific actions the team should take at each stage (e.g., ‘isolate affected systems’, ‘notify incident response team’). 5. Potential challenges and unexpected twists. Use a Chain-of-Thought approach to ensure the scenario’s logical flow and realism. Present the scenario as a chronological narrative.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), تولید سناریو (Scenario Generation), واکنش به حادثه (Incident Response).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در تولید سناریوهای پیچیده و واقع‌گرایانه با جزئیات فنی دقیق بهره می‌برد. CoT به عامل کمک می‌کند تا منطق پشت پیشرفت حمله و واکنش‌ها را شفاف کند، که برای یک سناریوی آموزشی مؤثر و قابل اجرا حیاتی است. این قابلیت به عامل امکان می‌دهد تا به عنوان یک متخصص شبیه‌سازی عمل کند و محیط‌های آموزشی عملی را برای بهبود مهارت‌های تیم‌های امنیتی ایجاد کند.
• رفتار و خروجی مورد انتظار Agent: عامل نقش متخصص آموزش امنیت سایبری را می‌پذیرد. سپس با استدلال گام به گام، سناریوی حمله را از آغاز تا پایان با جزئیات فنی و زمانی طراحی می‌کند. این شامل توصیف محرک اولیه، مراحل پیشرفت حمله، شاخص‌های سازش و اقدامات مورد انتظار تیم در هر مرحله است. خروجی یک روایت زمانی از سناریو با نقاط عطف، IOCs و اقدامات مورد انتظار تیم خواهد بود که به صورت یک داستان برای تمرین قابل استفاده است.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای ایجاد چندین سناریوی مختلف با انواع حملات متفاوت (مثلاً حملات DDoS، نفوذ داخلی) یا افزودن معیارهای ارزیابی عملکرد تیم در طول تمرین را اضافه کرد. همچنین می‌توان از عامل خواست که یک لیست از ابزارها و منابع مورد نیاز برای اجرای سناریو را پیشنهاد دهد.

۱۷. مشاوره حقوقی اولیه برای راه‌اندازی استارتاپ

• هدف: ارائه مشاوره حقوقی اولیه در مورد جنبه‌های کلیدی راه‌اندازی یک استارتاپ، با تأکید بر ملاحظات قانونی.
• پرامپت تخصصی (فارسی): “شما یک مشاور حقوقی شرکت‌ها هستید که در قوانین استارتاپ تخصص دارید. مشاوره حقوقی اولیه را به یک استارتاپ فناوری جدید، [نام استارتاپ]، که در حال توسعه [محصول/خدمت، مثلاً: ‘یک پلتفرم تحقیقات حقوقی مبتنی بر هوش مصنوعی’] است، ارائه دهید. حوزه‌های کلیدی زیر را پوشش دهید: ۱. تشکیل نهاد تجاری (مثلاً: ‘C-Corp در مقابل LLC’). ۲. حفاظت از مالکیت فکری (مثلاً: ‘حق چاپ، اختراعات، علائم تجاری’). ۳. مقررات حریم خصوصی و حفاظت از داده‌ها (مثلاً: ‘GDPR، CCPA’). ۴. قراردادهای استخدامی (مثلاً: ‘کارمند در مقابل پیمانکار’). برای هر حوزه، ملاحظات کلیدی و خطرات بالقوه را توضیح دهید. از رویکرد زنجیره تفکر (Chain-of-Thought) برای ساختاردهی مشاوره خود استفاده کنید و منطق پشت هر توصیه را توضیح دهید. تأکید کنید که این مشاوره اولیه است و باید از مشاور حقوقی حرفه‌ای کمک گرفته شود.”
• پرامپت تخصصی (انگلیسی): “You are a Corporate Legal Advisor specializing in startup law. Provide preliminary legal advice to a new tech startup,, that is developing. Cover the following key areas: 1. Business entity formation (e.g., ‘C-Corp vs. LLC’). 2. Intellectual property protection (e.g., ‘copyrights, patents, trademarks’). 3. Privacy and data protection regulations (e.g., ‘GDPR, CCPA’). 4. Employment agreements (e.g., ’employee vs. contractor’). For each area, explain the key considerations and potential pitfalls. Use a Chain-of-Thought approach to structure your advice, explaining the rationale behind each recommendation. Emphasize that this is preliminary advice and professional legal counsel should be sought.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), مشاوره حقوقی (Legal Consultation), سلب مسئولیت (Disclaimer).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از توانایی عامل در ارائه اطلاعات تخصصی و استدلال منطقی در یک حوزه حساس (حقوقی) بهره می‌برد. CoT به عامل کمک می‌کند تا توضیحات و توصیه‌های خود را با دقت و شفافیت ارائه دهد و محدودیت‌های مشاوره خود را نیز بیان کند، که برای حفظ اعتبار و جلوگیری از سوءتفاهمات حقوقی بسیار مهم است. این قابلیت به عامل امکان می‌دهد تا به عنوان یک منبع اولیه برای درک مسائل حقوقی پیچیده عمل کند.
• رفتار و خروجی مورد انتظار Agent: عامل نقش مشاور حقوقی را می‌پذیرد. سپس با استدلال گام به گام، جنبه‌های حقوقی راه‌اندازی استارتاپ را در چهار حوزه مشخص توضیح می‌دهد. برای هر حوزه، ملاحظات کلیدی و خطرات احتمالی را بیان کرده و توصیه‌های اولیه را ارائه می‌دهد، با تأکید بر منطق پشت هر توصیه. خروجی یک سند مشاوره حقوقی اولیه خواهد بود که به وضوح بر ماهیت مقدماتی آن تأکید دارد و توصیه به مشورت با وکیل متخصص را شامل می‌شود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای تمرکز بر قوانین یک حوزه قضایی خاص (مثلاً قوانین ایالات متحده، اتحادیه اروپا یا ایران) را اضافه کرد. همچنین می‌توان از عامل خواست که منابع معتبر برای اطلاعات حقوقی بیشتر را معرفی کند یا چک‌لیستی از اقدامات حقوقی اولیه برای استارتاپ‌ها ارائه دهد.

۱۸. مدیریت ایمیل‌های ورودی و پاسخ خودکار

• هدف: خودکارسازی دسته‌بندی ایمیل‌ها و تولید پاسخ‌های پیش‌نویس برای افزایش کارایی مدیریت صندوق ورودی.
• پرامپت تخصصی (فارسی): “شما یک دستیار اجرایی هوش مصنوعی هستید. ایمیل‌های ورودی من را برای [کلمات کلیدی/موضوعات خاص، مثلاً: ‘درخواست‌های جلسه’، ‘تأیید فاکتور’، ‘تیکت‌های پشتیبانی’] نظارت کنید. برای هر ایمیل شناسایی شده، موارد زیر را انجام دهید: ۱. دسته‌بندی آن را مشخص کنید. ۲. اطلاعات کلیدی (مثلاً: ‘زمان جلسه’، ‘مبلغ فاکتور’) را استخراج کنید. ۳. یک پاسخ مودبانه و مختصر بر اساس دسته‌بندی (مثلاً: ‘تأیید جلسه’، ‘تأیید دریافت فاکتور’، ‘ارسال به تیم پشتیبانی’) پیش‌نویس کنید. از رویکرد ReAct برای نظارت، طبقه‌بندی، استخراج و پیش‌نویس استفاده کنید: فکر (چه چیزی را پردازش کنم)، عمل (ایمیل را پردازش کن)، مشاهده (اطلاعات استخراج شده/طبقه‌بندی)، فکر (پیش‌نویس پاسخ). توجه: ایمیل‌ها را ارسال نکنید، فقط آنها را برای بررسی من پیش‌نویس کنید. پیش‌نویس‌ها را به وضوح ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are an Executive Assistant AI. Monitor my incoming emails for. For each identified email, perform the following: 1. Classify its category. 2. Extract key information (e.g., ‘meeting time’, ‘invoice amount’). 3. Draft a polite and concise response based on the category (e.g., ‘Confirm meeting’, ‘Acknowledge invoice receipt’, ‘Forward to support team’). Use a ReAct approach for monitoring, classification, extraction, and drafting: Thought (what to process), Action (process email), Observation (extracted info/classification), Thought (draft response). Note: Do not send emails, only draft them for my review. Present drafts clearly.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), استدلال و عمل (ReAct), استخراج اطلاعات (Information Extraction), پیش‌نویس خودکار (Automated Drafting), محدودیت ایمنی (Safety Constraint).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از قابلیت عامل در پردازش اطلاعات ورودی (ایمیل‌ها) و انجام اقدامات متوالی (طبقه‌بندی، استخراج، پیش‌نویس پاسخ) بهره می‌برد. ReAct برای مدیریت پویایی‌های ایمیل و اطمینان از صحت هر مرحله حیاتی است، زیرا عامل پس از هر عمل (پردازش ایمیل)، نتایج را مشاهده و بر اساس آن تصمیم‌گیری می‌کند. تأکید بر عدم ارسال ایمیل، جنبه ایمنی و کنترل کاربر بر عامل را نشان می‌دهد. این قابلیت به عامل امکان می‌دهد تا به عنوان یک دستیار کارآمد و قابل اعتماد عمل کند که بار کارهای تکراری را از دوش کاربر برمی‌دارد.
• رفتار و خروجی مورد انتظار Agent: عامل نقش دستیار اجرایی را می‌پذیرد. سپس با چرخه فکر/عمل/مشاهده، ایمیل‌ها را پردازش می‌کند. برای هر ایمیل، آن را طبقه‌بندی کرده، اطلاعات کلیدی را استخراج و یک پیش‌نویس پاسخ آماده می‌کند. عامل در هر مرحله از این فرآیند، نتایج را مشاهده می‌کند و تصمیمات بعدی خود را بر اساس آن تنظیم می‌کند. خروجی پیش‌نویس‌های ایمیل همراه با طبقه‌بندی و اطلاعات استخراج شده خواهد بود که آماده بررسی و ارسال توسط کاربر است.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای اولویت‌بندی ایمیل‌ها بر اساس فرستنده یا فوریت، یا ایجاد الگوهای پاسخ پیچیده‌تر را اضافه کرد. همچنین می‌توان از عامل خواست که خلاصه‌ای از صندوق ورودی روزانه را ارائه دهد یا ایمیل‌های خاصی را به پوشه‌های مربوطه منتقل کند (با فرض دسترسی به سیستم ایمیل).

۱۹. تحلیل جامع رقیب

• هدف: انجام تحلیل جامع یک رقیب خاص در بازار برای شناسایی نقاط قوت و ضعف و ارائه بینش‌های استراتژیک.
• پرامپت تخصصی (فارسی): “شما یک تحلیلگر اطلاعات بازار هستید. یک تحلیل جامع از [نام شرکت رقیب، مثلاً: ‘InnovateCorp’] که در [صنعت، مثلاً: ‘بازار راه‌حل‌های ذخیره‌سازی ابری’] فعالیت می‌کند، انجام دهید. از قابلیت‌های وب‌گردی خود برای جمع‌آوری اطلاعات در مورد: ۱. محصولات/خدمات. ۲. استراتژی قیمت‌گذاری. ۳. بازاریابی و برندینگ. ۴. نظرات/احساسات مشتریان. ۵. اخبار و تحولات اخیر. ۶. سهم بازار (در صورت موجود بودن) استفاده کنید. این اطلاعات را در یک گزارش پروفایل رقیب ساختاریافته ترکیب کنید. برای هر بخش، نقاط قوت و ضعف کلیدی آنها را نسبت به یک رهبر بازار فرضی شناسایی کنید. از رویکرد ReAct برای جمع‌آوری اطلاعات و از رویکرد زنجیره تفکر (Chain-of-Thought) برای ترکیب بینش‌ها استفاده کنید. با پیامدهای استراتژیک برای [شرکت/محصول شما] نتیجه‌گیری کنید.”
• پرامپت تخصصی (انگلیسی): “You are a Market Intelligence Analyst. Conduct a comprehensive analysis of [Competitor Company Name, e.g., ‘InnovateCorp’] operating in the [Industry, e.g., ‘cloud storage solutions market’]. Use your web browsing capabilities to gather information on their: 1. Product/service offerings. 2. Pricing strategy. 3. Marketing and branding. 4. Customer reviews/sentiment. 5. Recent news and developments. 6. Market share (if available). Synthesize this information into a structured competitor profile report. For each section, identify their key strengths and weaknesses relative to a hypothetical market leader. Use a ReAct approach for information gathering and a Chain-of-Thought for synthesizing insights. Conclude with strategic implications for.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), استدلال و عمل (ReAct), زنجیره تفکر (Chain-of-Thought), استفاده از ابزار (Tool Use – Web Browsing), تحلیل بازار (Market Analysis).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت از قابلیت عامل در جمع‌آوری اطلاعات گسترده از وب (از طریق ReAct) و سپس تحلیل عمیق و استراتژیک آن (از طریق CoT) بهره می‌برد. عامل باید نه تنها داده‌ها را جمع‌آوری کند، بلکه بینش‌های رقابتی را نیز استخراج و توصیه‌های استراتژیک ارائه دهد. ترکیب ReAct و CoT به عامل امکان می‌دهد تا فرآیند تحقیق و تحلیل را به صورت پویا و منطقی انجام دهد، که برای ارائه یک گزارش جامع و عملی حیاتی است.
• رفتار و خروجی مورد انتظار Agent: عامل نقش تحلیلگر اطلاعات بازار را می‌پذیرد. سپس از طریق چرخه فکر/عمل/مشاهده، اطلاعات رقیب را از وب جمع‌آوری می‌کند، صفحات را مرور کرده و داده‌های مرتبط را استخراج می‌کند. پس از جمع‌آوری، عامل با استدلال گام به گام (CoT)، اطلاعات را تحلیل کرده و نقاط قوت و ضعف رقیب را نسبت به یک رهبر بازار فرضی شناسایی می‌کند. خروجی یک گزارش جامع پروفایل رقیب با توصیه‌های استراتژیک برای شرکت/محصول شما خواهد بود.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای مقایسه با چندین رقیب، یا تمرکز بر جنبه‌های خاصی از کسب‌وکار رقیب (مثلاً استراتژی جذب استعداد، ساختار سازمانی) را اضافه کرد. همچنین می‌توان از عامل خواست که یک تحلیل SWOT برای رقیب بر اساس اطلاعات جمع‌آوری شده ارائه دهد.

۲۰. بهینه‌سازی پرامپت برای کارایی Agent

• هدف: تحلیل یک پرامپت موجود و پیشنهاد بهبودها برای افزایش کارایی عامل و دستیابی به نتایج بهتر.
• پرامپت تخصصی (فارسی): “شما یک متخصص مهندسی پرامپت هستید که در بهینه‌سازی عامل هوش مصنوعی تخصص دارید. پرامپت زیر را تحلیل کنید: ‘[یک پرامپت مشکل‌ساز یا نامناسب را اینجا وارد کنید، مثلاً: ‘درباره هوش مصنوعی یک پست وبلاگ بنویس.’]’. نقاط ضعف آن را از نظر وضوح، جزئیات، ساختار و توانایی آن در بهره‌برداری از قابلیت‌های عامل‌محور (مثلاً: استفاده از ابزار، اقدامات چندمرحله‌ای) شناسایی کنید. یک نسخه بازنگری شده و بهینه شده از پرامپت را پیشنهاد دهید که نتایج به طور قابل توجهی بهتری از ChatGPT Agent به دست آورد. از رویکرد زنجیره تفکر (Chain-of-Thought) برای توضیح چرا هر تغییر پیشنهادی اثربخشی پرامپت را برای یک عامل بهبود می‌بخشد، استفاده کنید. پرامپت بازنگری شده و توجیه دقیق خود را ارائه دهید.”
• پرامپت تخصصی (انگلیسی): “You are a Prompt Engineering Expert specializing in AI Agent optimization. Analyze the following prompt: ”. Identify its weaknesses in terms of clarity, detail, structure, and its ability to leverage agentic capabilities (e.g., tool use, multi-step actions). Propose a revised, optimized version of the prompt that would yield significantly better results from a ChatGPT Agent. Use a Chain-of-Thought approach to explain why each suggested change improves the prompt’s effectiveness for an agent. Provide the revised prompt and your detailed justification.”
• تکنیک‌های مهندسی پرامپت به‌کاررفته: نقش‌آفرینی (Role-Playing), زنجیره تفکر (Chain-of-Thought), متا-پرامپتینگ (Meta-Prompting), خود-اصلاحی (Self-Correction – ضمنی).
• چرا این پرامپت برای Agent مؤثر است؟: این پرامپت یک مثال عالی از متا-پرامپتینگ است، جایی که عامل خود به عنوان یک مهندس پرامپت عمل می‌کند. این قابلیت عامل را در تحلیل و بهینه‌سازی ورودی‌های خود نشان می‌دهد، که برای یادگیری و بهبود مستمر فرآیند مهندسی پرامپت حیاتی است. CoT به عامل کمک می‌کند تا منطق پشت پیشنهادات خود را برای بهبود پرامپت شفاف کند و نشان دهد که چگونه تغییرات خاص می‌توانند به عامل در استفاده بهتر از قابلیت‌های خود (مانند استفاده از ابزار یا انجام اقدامات پیچیده‌تر) کمک کنند.
• رفتار و خروجی مورد انتظار Agent: عامل نقش متخصص مهندسی پرامپت را می‌پذیرد. سپس پرامپت ارائه شده را تحلیل کرده، نقاط ضعف آن را شناسایی می‌کند (مثلاً ابهام، عدم وجود نقش، عدم درخواست برای استفاده از ابزار). با استدلال گام به گام (CoT)، تغییرات پیشنهادی را توضیح داده و توجیه می‌کند که چگونه این تغییرات به عامل کمک می‌کنند تا خروجی بهتری تولید کند، مثلاً با فعال کردن قابلیت‌های عامل‌محور آن. خروجی پرامپت بهینه‌سازی شده و توضیحات مفصل آن خواهد بود که شامل دلایل منطقی برای هر تغییر است.
• نکات سفارشی‌سازی و پیشرفته: می‌توان درخواست برای ارائه چندین نسخه بهینه‌سازی شده با رویکردهای مختلف (مثلاً یک نسخه با تمرکز بر CoT، یک نسخه با تمرکز بر ReAct) را اضافه کرد. همچنین می‌توان از عامل خواست که معیارهایی برای ارزیابی کیفیت پرامپت‌های بهینه شده ارائه دهد.

V. روندهای آینده در عامل‌های هوش مصنوعی و مهندسی پرامپت

تکامل عامل‌های هوش مصنوعی و مهندسی پرامپت یک حوزه پویا با پتانسیل تحول‌آفرین است. مسیر آینده این فناوری‌ها به سمت افزایش استقلال، قابلیت‌های چندحالتی پیشرفته و سیستم‌های پیچیده‌تر هدایت می‌شود.

قابلیت‌های نوظهور و مسیرهای تحقیقاتی

• افزایش استقلال و تعمیم‌پذیری: جاه‌طلبی برای عامل‌هایی مانند “Operator” از OpenAI به سمت هوش مصنوعی با استقلال فزاینده‌ای اشاره دارد که می‌تواند رایانه‌ها را به صورت مستقل کنترل کند. این نشان‌دهنده حرکت به سمت عامل‌های عمومی‌تر است که قادر به انجام طیف وسیع‌تری از وظایف در محیط‌های نرم‌افزاری مختلف هستند. این توسعه به معنای آن است که پرامپت‌ها باید به طور فزاینده‌ای انتزاعی‌تر شوند و بر اهداف سطح بالا تمرکز کنند، در حالی که عامل جزئیات اجرا را مدیریت می‌کند.
• چندحالتی پیشرفته: همانطور که در قابلیت‌های GPT-5 مشاهده می‌شود ، عامل‌های آینده به طور یکپارچه اطلاعات را از حالت‌های مختلف (متن، صدا، تصویر، ویدئو) ادغام و پردازش خواهند کرد و خروجی‌ها را در این حالت‌ها تولید خواهند کرد. این امر تعاملات طبیعی‌تر و جامع‌تری را امکان‌پذیر می‌سازد. به عنوان مثال، یک عامل ممکن است بتواند یک ویدئو را تحلیل کند، خلاصه‌ای از آن را به صورت متنی ارائه دهد و سپس بر اساس آن، یک تصویر مرتبط تولید کند. این توسعه نیازمند پرامپت‌هایی است که بتوانند ورودی‌ها و خروجی‌های چندحالتی را به طور مؤثر مدیریت کنند.
• یادگیری و سازگاری پیشرفته: عامل‌ها در یادگیری مستمر از تعاملات و بازخوردهای زمان واقعی، اصلاح استراتژی‌های خود و بهبود عملکرد در طول زمان بدون نیاز به بازآموزی صریح، حتی ماهرتر خواهند شد. این قابلیت به عامل‌ها امکان می‌دهد تا به طور خودکار به تغییرات محیطی پاسخ دهند و عملکرد خود را در طول زمان بهینه کنند. پرامپت‌ها می‌توانند برای تشویق این یادگیری و سازگاری طراحی شوند، مثلاً با درخواست از عامل برای بازتاب بر عملکرد گذشته و پیشنهاد بهبودها.
• سیستم‌های چندعاملی پیچیده: تحقیقات در حال حاضر در حال بررسی چارچوب‌هایی برای همکاری چندین عامل مبتنی بر LLM برای حل مشکلات پیچیده، شبیه‌سازی تیم‌های انسانی، و حتی ایجاد جوامع مجازی از عامل‌ها است. این امر نیازمند مهندسی پرامپت است که بتواند هماهنگی، ارتباط و تقسیم وظایف بین عامل‌های مختلف را مدیریت کند و چالش‌های جدیدی را در زمینه کنترل و نظارت ایجاد می‌کند.
• ادغام عمیق‌تر با دنیای فیزیکی: با پیشرفت رباتیک و اینترنت اشیا (IoT)، عامل‌های هوش مصنوعی به طور فزاینده‌ای با دنیای فیزیکی تعامل خواهند داشت. این شامل کنترل دستگاه‌ها، ناوبری در محیط‌های فیزیکی و انجام وظایف فیزیکی پیچیده است. پرامپت‌ها برای این عامل‌ها باید شامل دستورالعمل‌های دقیق برای تعامل فیزیکی، ملاحظات ایمنی و مدیریت عدم قطعیت در محیط‌های واقعی باشند.

چالش‌ها و ملاحظات اخلاقی در آینده

با پیشرفت عامل‌های هوش مصنوعی، چالش‌های اخلاقی و ایمنی نیز پیچیده‌تر می‌شوند.

• مسئولیت‌پذیری و شفافیت: با افزایش استقلال عامل‌ها، تعیین مسئولیت در صورت بروز خطا یا تصمیمات نامطلوب دشوارتر می‌شود. نیاز به “شفافیت افزایش‌یافته” در فرآیندهای فکری عامل برای اشکال‌زدایی و درک دلایل تصمیمات آن حیاتی خواهد بود.
• سوگیری و انصاف: عامل‌ها بر اساس داده‌هایی که آموزش دیده‌اند، عمل می‌کنند و می‌توانند سوگیری‌های موجود در داده‌ها را منعکس یا تقویت کنند. توسعه پرامپت‌ها و سیستم‌هایی که سوگیری را کاهش می‌دهند و انصاف را در تصمیم‌گیری‌ها تضمین می‌کنند، یک چالش مداوم خواهد بود.
• امنیت و حریم خصوصی: با دسترسی عامل‌ها به سیستم‌های بیشتر و اطلاعات حساس، خطرات امنیتی و حریم خصوصی افزایش می‌یابد. اطمینان از اینکه عامل‌ها به طور ایمن عمل می‌کنند و از داده‌های حساس محافظت می‌کنند، نیازمند طراحی دقیق و نظارت مداوم است.
• تأثیر بر نیروی کار: گسترش عامل‌های خودکار می‌تواند تأثیرات قابل توجهی بر بازار کار داشته باشد. مهندسی پرامپت می‌تواند نقش مهمی در تعریف وظایفی ایفا کند که عامل‌ها می‌توانند به طور مؤثر انجام دهند و چگونه می‌توانند با انسان‌ها همکاری کنند تا بهره‌وری کلی را افزایش دهند، نه اینکه صرفاً جایگزین شوند.

VI. نتیجه‌گیری

ظهور ChatGPT Agent و سایر عامل‌های هوش مصنوعی نشان‌دهنده یک نقطه عطف حیاتی در تکامل هوش مصنوعی است. این عامل‌ها با توانایی خود در “فکر کردن و عمل کردن” و تعامل پویا با محیط‌های دیجیتال و فیزیکی، مرزهای آنچه را که هوش مصنوعی می‌تواند انجام دهد، گسترش می‌دهند. این تغییر پارادایم، مهندسی پرامپت را از یک مهارت صرفاً زبانی به یک تخصص استراتژیک تبدیل می‌کند که برای هدایت این سیستم‌های خودکار پیچیده ضروری است.

همانطور که در این گزارش نشان داده شد، پرامپت‌های مؤثر برای عامل‌ها فراتر از دستورالعمل‌های ساده هستند. آنها نیازمند یک رویکرد ساختاریافته هستند که شامل تعیین نقش، تعریف وظیفه، ارائه زمینه، مشخص کردن نیازمندی‌ها، ارائه دستورالعمل‌های دقیق و استفاده از تکنیک‌های پیشرفته مانند زنجیره تفکر (CoT) و استدلال و عمل (ReAct) است. این تکنیک‌ها به عامل‌ها امکان می‌دهند تا به طور شفاف استدلال کنند، با ابزارهای خارجی تعامل داشته باشند و به طور پویا با بازخوردها سازگار شوند.

۲۰ پرامپت تخصصی ارائه شده در این گزارش، طیف وسیعی از کاربردها را از تحلیل مالی و برنامه‌ریزی پروژه گرفته تا تولید کد و شبیه‌سازی بحران پوشش می‌دهند. هر پرامپت به دقت طراحی شده است تا قابلیت‌های منحصر به فرد عامل را به کار گیرد و نشان دهد که چگونه می‌توان با دقت در طراحی پرامپت، به نتایج با کیفیت بالا دست یافت.

با نگاه به آینده، عامل‌های هوش مصنوعی به سمت استقلال بیشتر، قابلیت‌های چندحالتی پیشرفته و سیستم‌های چندعاملی پیچیده‌تر حرکت می‌کنند. این پیشرفت‌ها فرصت‌های بی‌سابقه‌ای را برای خودکارسازی، نوآوری و همکاری انسان و هوش مصنوعی ایجاد می‌کنند. با این حال، آنها همچنین چالش‌های مهمی را در زمینه مسئولیت‌پذیری، سوگیری و امنیت به همراه دارند که نیازمند توجه دقیق و توسعه مداوم چارچوب‌های اخلاقی و ایمنی هستند.

در نهایت، موفقیت در به کارگیری عامل‌های هوش مصنوعی به توانایی ما در مهندسی پرامپت‌های هوشمندانه و مسئولانه بستگی دارد. با تسلط بر این هنر، می‌توانیم پتانسیل کامل این ابزارهای قدرتمند را آزاد کرده و آینده‌ای را شکل دهیم که در آن هوش مصنوعی به طور مؤثر و ایمن به عنوان یک همکار ارزشمند در زندگی شخصی و حرفه‌ای ما عمل کند.