فهرست این مقاله آموزشی
کلمه‌ی پرامپت (Prompt) در زمینه‌ی هوش مصنوعی و کامپیوتر چند معنا دارد، ولی در حالت عمومی به معنی «ورودی» یا «دستور» است. بسته به زمینه، می‌تواند این‌طور معنا شود:
- در هوش مصنوعی و مدل‌های زبانی:
پرامپت متنی است که شما به یک مدل هوش مصنوعی (مثل ChatGPT) می‌دهید تا بر اساس آن پاسخ تولید کند.
- مثال: اگر بگویید «یک شعر کوتاه درباره پاییز بنویس»، این جمله پرامپت شماست.
- در کامپیوتر یا برنامه‌نویسی:
پرامپت می‌تواند به معنای خط فرمان یا درخواست از کاربر برای ورود داده باشد.
- مثال: وقتی کامپیوتر می‌گوید «لطفا نام خود را وارد کنید»، این یک پرامپت است.
- در استفاده عمومی در زبان انگلیسی:
Prompt یعنی «سریع، به موقع، فوری» و همچنین می‌تواند «انگیزه دادن» یا «یادآوری کردن» باشد.در حوزه‌ی هوش مصنوعی، وقتی کسی می‌گوید «یک پرامپت بنویس»، یعنی باید یک دستور یا سوال مشخص بدهید تا مدل بر اساس آن پاسخ بدهد.
مقدمه
۱.۱ پرامپت چیست و چرا اهمیت دارد؟
پرامپت‌ها ورودی‌هایی هستند که کاربر به مدل‌های هوش مصنوعی داده تا به پاسخ مشخصی برسد. به‌عبارت دیگر، پرامپت طلایی آغازگر گفتگو با ماشین است؛ شما با نوشتن دستورات یا سؤال‌ها به مدل می‌گویید چه کاری انجام دهد. این ورودی‌ها می‌توانند یک کلمه ساده باشند یا حتی شامل چند جمله پیچیده و عناصر چندرسانه‌ای مانند تصویر و صدا شوند. از آنجایی که کیفیت و مرتبط بودن خروجی مدل به‌طور مستقیم به وضوح و ساختار پرامپت وابسته است، نوشتن دقیق و درست پرامپت اهمیت ویژه‌ای دارد. به بیان دیگر، مهندسی پرامپت (Prompt Engineering) هنر و علم طراحی چنین ورودی‌هایی است تا مدل بتواند منظور کاربر را بهتر درک کرده و پاسخ بهتری تولید نماید. در واقع، ابزارهای از نوع مدل‌های زبانی بزرگ مثل ChatGPT را میتوان شبیه «ماشینی که با کلمات برنامه‌نویسی می‌شود» در نظر گرفت؛ لذا میتوان نتیجه گرفت نحوه نگارش پرامپت به شکل قابل‌توجهی بر کیفیت خروجی نهایی تأثیر می‌گذارد.
۱.۲ تکامل مهندسی پرامپت از مدل‌های زبانی اولیه تا سیستم‌های چندرسانه‌ای
مهندسی پرامپت از اوایل شکل‌گیری سامانه‌های گفت‌وگوی مبتنی بر هوش مصنوعی رشد کرده است. در روزهای نخست چت‌بات‌ها، کاربران متوجه شدند نحوه نگارش پرسش‌ها به‌طور چشمگیری بر کیفیت پاسخ‌های تولید شده تأثیر دارد. سپس با معرفی مدل‌های بزرگ‌تر و پیشرفته‌تری مانند GPT-3 در سال ۲۰۲۰، توانایی درک زبان طبیعی توسط مدل‌ها جهش یافت و استفاده از پرامپت برای هدایت مدل‌ها جدی‌تر شد. با پیشرفت بعدی، تکنیک‌های متنوعی معرفی شدند؛ برای مثال در ۲۰۲۱ روش few-shot prompting (آموزش با چند نمونه) مطرح شد و در ۲۰۲۲ روش زنجیره تفکر (chain-of-thought) برای حل مسائل پیچیده ارائه گردید. در سال ۲۰۲۳ نیز با ظهور مدل‌های چندرسانه‌ای، ورودی‌های تصویری و صوتی به پرامپت‌ها اضافه شدند و امکان پردازش همزمان متن و داده‌های دیگر فراهم گردید. به‌طور خلاصه میتوان گفت مهندسی پرامپت از پرسش‌های ساده و یک‌مرحله‌ای به چارچوب‌های پیشرفته‌تری برای مدیریت گفتگوهای چندنوبتی و داده‌های چندرسانه‌ای تکامل یافته است.
۱.۳ چرا داشتن پرامپت‌های حرفه‌ای مزیت رقابتی دارد
پیشرفت هوش مصنوعی موجب شده مهارت مهندسی پرامپت به سرمایه‌ای ارزشمند در دنیای کسب‌وکار تبدیل شود. سازمان‌های پیشرو این مهارت را کلیدی می‌دانند و آن را ابزاری برای حفظ مزیت رقابتی خود از طریق بهره‌گیری مؤثر از هوش مصنوعی می‌شناسند. در عمل، پرامپت‌های دقیق و حرفه‌ای منجر به تولید پاسخ‌های دقیق‌تر، مرتبط‌تر و کارآمدتر از مدل‌های هوش مصنوعی می‌شوند. این امر به معنای ارتقای بهره‌وری، کیفیت خروجی و در نهایت بهبود نتایج تجاری است. گزارش‌هایی نیز وجود دارد که نشان می‌دهد مهندسی پرامپت عالی می‌تواند تفاوت بین موفقیت و شکست یک محصول هوش مصنوعی را رقم بزند. بنابراین، افرادی و سازمان‌هایی که در طراحی پرامپت مهارت دارند، عملاً مزیت رقابتی پایداری در فضای هوش مصنوعی به‌دست می‌آورند.
شناخت پرامپت‌نویسی حرفه‌ای
در این بخش اصول کلی پرامپت‌نویسی پیشرفته برای تعامل با مدل‌هایی مانند ChatGPT تشریح می‌شود. از جمله مباحث این بخش تفاوت پرامپت‌های ساده و پیشرفته، ساختار یک پرامپت طلایی یا ایده‌آل، خطاهای رایج، نقش پرسونای مدل، و تکنیک‌های اصلی پرامپت‌نویسی مانند Zero-Shot، Few-Shot، Chain-of-Thought و RAG می‌باشد.
۲.۱ تفاوت پرامپت ساده و پرامپت پیشرفته
پرامپت ساده معمولاً یک درخواست کلی و مختصر است که چارچوب یا راهنمایی زیادی ندارد. برای مثال، پرسش ساده «یک داستان دربارهٔ اژدها بنویس» ممکن است پاسخ کلی و کم‌جزئیاتی تولید کند. در مقابل، یک پرامپت پیشرفته با جزئیات بیشتر (مثلاً توصیف ظاهری و شرایط داستان) مدل را هدایت کرده و خروجی تمرکز یافته‌تری می‌دهد. مثلاً پرامپت «یک داستان دربارهٔ اژدهایی با فلس‌های درخشان که به جای آتش، یخ می‌دمد و در سرزمینی همیشه غرق در هنگام غروب زندگی میکند بنویس» منجر به داستانی خلاقانه‌تر و دقیق‌تر خواهد شد. به‌طور کلی، پرامپت‌های پیشرفته شامل دستورالعمل‌های دقیق، زمینه‌سازی (Context) و مشخص کردن قالب و سبک پاسخ هستند؛ این نکات موجب می‌شود مدل بهتر بداند چه چیزی از آن انتظار می‌رود.
۲.۲ ساختار یک پرامپت ایده‌آل
یک پرامپت ایده‌آل باید شامل دستورالعمل روشنی در ابتدا باشد و سپس اطلاعات یا متن زمینه‌ای را با نشانگر مشخص (مثل """…""") جدا کند. همچنین بهتر است دقیقاً مشخص شود که خروجی نهایی باید چه فرمتی داشته باشد (مثلاً فهرست گلوله‌ای، جدول، خلاصه پاراگرافی و غیره) و چه ویژگی‌هایی (طول، سبک نگارش، لحن) در پاسخ لحاظ شود. به عنوان نمونه، میتوان فرمت خروجی را با مثال یا برچسب‌گذاری توضیح داد؛ مثلاً در خواست استخراج موجودیت‌ها در متن، ابتدا دستور استخراج انواع موجودیت‌ها و سپس قالب “شرکت‌ها: …; افراد: …; موضوعات: …” را مشخص کرد که کار را برای مدل و پردازش خودکار خروجی آسان‌تر میکند.
۲.۳ خطاهای رایج در پرامپت‌نویسی
در پرامپت‌نویسی معمولاً خطاهایی مانند ابهام در دستور، استفاده از عبارت‌های کلی یا واژگان مبهم و فرمت نامشخص رخ می‌دهد. برای مثال، نوشتن «خلاصه کوتاهی بنویس» مبهم است؛ بهتر است دقیقاً محدوده را مشخص کنیم (مثلاً «شرح را در ۳ تا ۵ جمله بیان کن»). همچنین به‌کار بردن عبارات منفی («نباید این کار را بکنی») کمتر موثر است؛ به‌جای آن باید دقیقا بگوییم چه کارهایی «باید» انجام شوند. به عنوان مثال، به جای نوشتن «از پرسیدن رمز عبور خودداری کن»، بهتر است بنویسیم «سعی کن مشکل کاربر را حل کن و از درخواست اطلاعات شخصی مانند رمز عبور خودداری کن». رعایت نکاتی مانند ارائه مثال از قالب خروجی و اجتناب از واژه‌های گنگ می‌تواند از خطاهای متداول جلوگیری کند.
۲.۴ نقش پرسونای مدل در افزایش کیفیت خروجی
تعیین پرسونای مشخص برای مدل (Persona Prompting) نیز یکی از تکنیک‌های کارآمد است. با قرار دادن مدل در قالب یک نقش یا شخصیت خاص (مثلاً «شما یک پزشک باتجربه هستید» یا «شما یک نویسنده مسلط به زبان فارسی هستید»)، نوع پاسخ و لحن آن جهت‌دهی می‌شود. مطالعات نشان داده‌اند استفاده از پرسونای مناسب می‌تواند در برخی وظایف باعث تولید پاسخ‌های تخصصی‌تر و با کیفیت‌تر شود. به عنوان مثال، اگر مدل را «معلم ریاضیات باتجربه» معرفی کنیم، توضیحات آن درباره مسائل ریاضی با جزئیات و دقت بیشتری ارائه می‌شود. البته اثربخشی پرسونای مدل بسته به موضوع و وظیفه متغیر است، ولی به طور کلی راهنمایی مدل برای «نقش بازی» می‌تواند خروجی را مطابق انتظار کاربر بهبود دهد.
۲.۵ تکنیک‌های اصلی پرامپت‌نویسی (Zero-Shot، Few-Shot، Chain-of-Thought، RAG و غیره)
- Zero-Shot (صفر-شات): در این روش، تنها دستور اصلی به مدل داده می‌شود بدون هیچ مثال آموزشی. مدل باید بدون نمونه‌های پیشین وظیفه را انجام دهد. معمولاً توصیه می‌شود ابتدا پرامپت را به صورت صفر-شات امتحان کنیم و اگر پاسخ رضایت‌بخش نبود، سراغ Few-Shot برویم.
- Few-Shot (چند-شات): در این حالت چند نمونه ورودی-خروجی (نمونه‌های آموزشی) به پرامپت اضافه می‌شود تا مدل الگویی از پاسخ‌های مطلوب یاد بگیرد. ارائه چند مثال مرتبط معمولاً دقت مدل را افزایش می‌دهد. مطالعات نشان داده افزودن هرچه بیشتر نمونه‌های متنوع (بخصوص در مدل‌های بزرگ) تا حدودی به بهبود عملکرد کمک میکند، هرچند اضافه کردن بیش از حد مثال نیز می‌تواند پیچیده شود.
- Chain-of-Thought (زنجیره فکر): در این روش از مدل خواسته می‌شود تا فرآیند استدلال خود را مرحله‌به‌مرحله توضیح دهد. به عبارت دیگر، با عباراتی مانند «گام به گام فکر کن» یا «ابتدا مسئله را توضیح بده» مدلسازی صورت می‌گیرد. این تکنیک، به‌ویژه در حل مسائل ریاضی و منطقی، عملکرد مدل را به طور چشمگیری بهبود می‌دهد. (انواع پیشرفته‌تر این روش، همچون Few-Shot Chain-of-Thought و تکنیک‌های بازخوانی پاسخ Self-Consistency، نیز برای افزایش پایداری و دقت استفاده می‌شوند.)
- RAG – Retrieval-Augmented Generation (تولید ارتقاء یافته با بازیابی): در RAG، مدل از طریق جستجو یا بازیابی اطلاعات مرتبط از منابع خارجی پشتیبانی می‌شود تا پاسخ‌های دقیق‌تر و به‌روز ارائه دهد. به این ترتیب، به جای تکیه صرف بر دانش پیش‌آموزشی مدل، در زمان اجرا منابع داده‌ای (مانند اسناد مرتبط) به پرامپت افزوده شده و مدل می‌تواند پاسخ را با اتکا به آن‌ها بسازد. این روش برای پاسخ به پرسش‌های نیازمند دانش تخصصی یا اطلاعات تازه بسیار مفید است.
- سایر تکنیک‌ها: علاوه بر موارد فوق، ترکیب روش‌ها (مثلاً استفاده همزمان از چند-شات و Chain-of-Thought) و تکنیک‌هایی مانند Self-Consistency (تکرار پرسش و جمع‌آوری پاسخ‌های مختلف به عنوان رای‌گیری) یا استفاده از چارچوب‌های عامل (Agents) نیز رایج است تا قابلیت‌های مدلی نظیر ChatGPT برای تولید خروجی‌های دقیق‌تر افزایش یابد.
انواع پرامپت‌ها
هر نوع پرامپت بسته به نوع مدل و خروجی مورد نظر خصوصیات خاصی دارد. به طور کلی پرامپت‌ها را میتوان بر اساس خروجی مورد انتظار به چند دسته تقسیم کرد. در ادامه شش نوع پرامپت مهم معرفی می‌شوند که هر کدام کاربردها و مثال‌های خاص خود را دارند. توجه به تفاوت‌های هر نوع – از جمله ساختار دستور، واژگان مورد استفاده و فرم ورودی – برای گرفتن نتایج مطلوب از مدل‌ها بسیار مهم است.
۳.۱ پرامپت‌های تولید متن
پرامپت‌های تولید متن برای تولید محتوا و پاسخ‌های متنی به کار می‌روند. در اینجا کاربر با ارائه یک دستور متنی (مثلاً سوال یا درخواست نوشتن توضیح یا داستان) مدل زبان را راهنمایی میکند تا متن جدیدی تولید کند. کاربردهای این پرامپت شامل نوشتن مقاله یا متن تبلیغاتی، خلاصه‌سازی مقاله‌ها، ترجمه، پاسخ به سوالات، یا تولید محتوای خلاقانه مانند داستان و شعر است. برای مثال میتوان پرسید «یک پاراگراف در مورد اهمیت انرژی‌های تجدیدپذیر بنویس» یا «این مقاله را به زبان ساده خلاصه کن». مدل‌های پیشرفته مانند GPT-4 می‌توانند ورودی متنی را پردازش کرده و متن خروجی بسازند؛ به طوری که GPT-4 می‌تواند پرامپت‌های متنی را دریافت کرده و خروجی متنی (مانند پاسخ به سوال یا تولید مطلب جدید) تولید کند. انتخاب کلمات واضح، جمله‌بندی روشن و بیان دقیق درخواست در موفقیت این نوع پرامپت‌ها تأثیر زیادی دارد.
۳.۲ پرامپت‌های تولید تصویر
در پرامپت‌های تولید تصویر، کاربر یک توضیح متنی از تصویر موردنظر را به مدل تصویرسازی می‌دهد و مدل با توجه به آن متن، یک تصویر می‌سازد. مدل‌هایی مثل DALL·E و Midjourney از این نوع استفاده می‌کنند. مثلاً پرامپتی مانند «یک گربه فضانورد در حال پرواز با بالن در آسمان غروب» به مدل امکان می‌دهد تصویری هنری و تخیلی مطابق توضیح بسازد. این پرامپت‌ها معمولاً شامل جزئیاتی مانند ترکیب رنگ‌ها، سبک هنری (واقعی، کارتونی، نقاشی آبرنگ و…) و ویژگی‌های خاص صحنه هستند. نتیجه خروجی می‌تواند برای طراحی مفهومی، تولید محتوای تبلیغاتی، خلق آثار هنری دیجیتال و بازیسازی استفاده شود. OpenAI در مورد DALL·E توضیح می‌دهد که این مدل می‌تواند ورودی متنی را به تصویر تبدیل کند و قادر است مفاهیم نامرتبط را در قالب یک تصویر خلاقانه ترکیب کند. برای مثال، با یک پرامپت دقیق میتوان چند شیء یا صحنه را در کنار هم قرار داد و مدل تصویر متناسب تولید میکند.
۳.۳ پرامپت‌های تولید صوت
در پرامپت‌های تولید صوت، کاربر با مدل‌های هوش مصنوعی تولید صدا تعامل میکند. این پرامپت‌ها شامل تبدیل متن به گفتار (Text-to-Speech) یا تولید موسیقی و افکت‌های صوتی می‌شوند. برای مثال در تبدیل متن به گفتار، میتوان نوشتار موردنظر را به مدل داد و از آن بخواهیم آن را با صدای طبیعی بخواند یا نریشن صوتی بسازد. برخی مدل‌های جدید حتی امکان تنظیم لحن یا ویژگی‌های صوتی را نیز دارند؛ به عنوان نمونه، OpenAI برای مدل گفتار متنی خود (gpt-4o-mini-tts) امکان تنظیم لحن با دستورات طبیعی فراهم کرده است — مثلاً میتوان به مدل گفت: «مثل یک دانشمند دیوانه صحبت کن» یا «صدایی آرام و گرم مثل معلم مدیتیشن داشته باش». علاوه بر آن، مدل‌های تبدیل صدا مانند Voice Engine می‌توانند با گرفتن نمونه صدای یک فرد، یک صدای مصنوعی ایجاد کنند و سپس هر متن دلخواهی را با آن صدا بخوانند. در حوزه تولید موسیقی، پژوهش‌ها و ابزارهایی نیز وجود دارند که با پرامپت‌های متنی ملودی یا قطعه صوتی تولید می‌کنند (هرچند این فناوری هنوز در حال تکامل است). به طور خلاصه، پرامپت‌های صوتی می‌توانند هم برای تولید صداهای گفتاری با لحن خاص و هم تولید آهنگ و افکت‌های صوتی بر اساس توضیح متنی یا نمونه صوتی استفاده شوند.
۳.۴ پرامپت‌های مولتی‌مودال
پرامپت‌های مولتی‌مودال با هدف استفاده همزمان از چند نوع داده ورودی (مانند متن، تصویر، صوت یا ویدئو) طراحی شده‌اند. در این حالت، دستور کاربر شامل بیش از یک نوع داده است. برای مثال در GPT-4 میتوان به مدل هم یک تصویر و هم یک متن ورودی داد (مثلاً پرسش متنی همراه با یک عکس مرتبط) و مدل پاسخ متنی تولید کند. کاربرد این نوع پرامپت‌ها در تحلیل و ترکیب اطلاعات چندرسانه‌ای است؛ مثلاً میتوان یک نمودار یا تصویر پیچیده را همراه با سوال پرسید و مدل بر اساس هر دو ورودی تحلیل ارائه دهد. نسل‌های جدیدتر مانند GPT-4o (Omni) حتی ورودی‌های متنی، صوتی، تصویری و ویدئویی را با هم می‌پذیرند و خروجی‌های متن، صدا یا تصویر می‌دهند. به بیان دیگر، میتوان با یک پرامپت ترکیبی از عکس، متن و حتی فایل صوتی به مدل اشاره کرد تا یک پاسخ جامع تولید کند. نمونه پرامپت مولتی‌مودال ممکن است شامل ارسال یک عکس حاوی نمودارهای علمی به همراه متنی مانند «این نمودار چه چیزی را نشان می‌دهد؟» یا ارسال یک کلیپ صوتی همراه با دستورالعمل تحلیلی باشد. استفاده از پرامپت‌های مولتی‌مودال برای وظایفی مانند توصیف تصاویر پیچیده، پاسخ به سوالات چندرسانه‌ای و تبدیل فرمت‌های مختلف اطلاعات به یکدیگر مرسوم است.
۳.۵ پرامپت‌های کدنویسی و رفع اشکال
پرامپت‌های کدنویسی با هدف تولید یا تحلیل کدهای برنامه‌نویسی استفاده می‌شوند. کاربر در اینجا از مدل می‌خواهد که بر اساس شرح مسئله کدی بنویسد یا کد موجود را بررسی کند. به عنوان مثال میتوان پرسید: «یک تابع پایتون بنویس که یک لیست را مرتب کند» یا «در این قطعه کد خطا وجود دارد، لطفاً اشکال آن را پیدا کن». این پرامپت‌ها برای خودکارسازی نوشتن کد، ساخت نمونه‌های اولیه برنامه، تولید اسناد فنی و همچنین آموزش برنامه‌نویسی کاربرد دارند. مدل OpenAI Codex نمونه‌ای از چنین کاری است؛ این مدل می‌تواند قابلیت‌های جدیدی بنویسد، به سوالات مربوط به کد پاسخ دهد، باگ‌ها را رفع کند و حتی برای آن pull request پیشنهاد دهد. همچنین در روند رفع اشکال میتوان از پرامپت‌های خاصی استفاده کرد؛ مثلاً توصیه می‌شود که گزارش خطا یا خروجی اجرای کد را در پرامپت قرار دهیم تا مدل بتواند علت مشکل را تحلیل کند و راه‌حل ارائه نماید. در نتیجه، پرامپت‌های کدنویسی نه تنها برای تولید خودکار کد بلکه برای دیباگ و مرور کد نیز بسیار مفید هستند.
۳.۶ پرامپت‌های خودکارسازی (Automation Prompts)
این دسته از پرامپت‌ها برای راه‌اندازی فرایندهای کاری پیچیده و خودکارسازی وظایف طولانی‌مدت به کار می‌روند. در این حالت، پرامپت می‌تواند دستور گام‌به‌گام یا درخواست انجام یک کار چندمرحله‌ای را به مدل بدهد تا مدل با استفاده از قابلیت‌های عامل‌های هوش مصنوعی (AI Agents) آن را انجام دهد. به عنوان مثال، OpenAI درباره قابلیت جدید «عامل چت‌جی‌پی‌تی» توضیح می‌دهد که کاربران می‌توانند درخواست‌هایی مانند «رقبای من را تحلیل کن و یک گزارش اسلایدشوی ارائه کن» یا «مواد لازم برای پخت یک صبحانه ژاپنی برای چهار نفر را از اینترنت تهیه کن» را مطرح کنند و مدل خودش به سایت‌ها مراجعه کند، تحلیل انجام دهد، کد اجرا کند و خروجی نهایی (مانند اسلاید یا جدول) را تحویل دهد. به کمک چنین پرامپت‌هایی میتوان کارهای اداری و تکراری را خودکار کرد؛ مثلاً تبدیل اطلاعات تصویری به ارائه متنی، تنظیم جلسات، برنامه‌ریزی سفر یا به‌روزرسانی خودکار صفحات گسترده بر اساس داده‌های جدید از جمله کاربردهای عملی هستند. پرامپت‌های خودکارسازی روی توانایی مدل در فراخوانی ابزارهای خارجی (مانند مرورگر وب، پایگاه داده یا کد اجرایی) تکیه دارند و برای انجام وظایف پیچیده و بلندمدت طراحی می‌شوند.
در مجموع، روش نگارش پرامپت و جزئیات آن بسته به نوع خروجی موردنظر و توانایی مدل متفاوت است. هر دسته پرامپت نیازمند راهنمایی و قالب‌بندی خاص خود است تا مدل بتواند به بهترین نحو پاسخ دهد.
اصول تبدیل یک نیاز به پرامپت دقیق
۴.۱ تعریف هدف
اولین گام در تبدیل یک نیاز کلی به پرامپت، تعریف دقیق هدف یا منظور اصلی است. بدون داشتن هدف مشخص، ایجاد یک پرامپت مؤثر بسیار دشوار است. به عبارت دیگر، همانطور که یک منبع اشاره کرده «هرچه سؤال شما دقیق‌تر باشد، پاسخ مفیدتر خواهد بود». برای مثال اگر پرسشی مانند «دربارهٔ بازاریابی بگو» مبهم باشد، میتوان با اصلاح آن به چیزی مثل «تفاوت‌های اصلی بین بازاریابی درون‌گرا و برون‌گرا را با مثال‌های واقعی توضیح بده» پاسخ مناسب‌تری دریافت کرد. همچنین توصیه شده از ابتدا با یک نتیجهٔ نهایی مشخص کار را شروع کنید؛ به‌طور مثال هدف، مخاطب و قالب را تعیین کنید تا تمام پارامترهای پرامپت روشن باشند.
۴.۲ تعیین سبک، لحن و خروجی نهایی
در این مرحله باید سبک نوشتار، لحن (مثلاً رسمی یا خودمانی) و قالب نهایی خروجی (پاراگراف، فهرست نقطه‌دار، جدول و…) را مشخص کنید. یکی از روش‌های معمول، تخصیص نقش مشخص به مدل است؛ برای مثال می‌توانید بگویید «شما یک مشاور شغلی هستید» تا پاسخ در چارچوب این نقش با لحن مناسب ارائه شود. علاوه بر تعیین نقش کلی، لحن دلخواه را نیز میتوان مستقیماً بیان کرد، مثلاً «با لحن رسمی و جدی پاسخ بده» یا «مثل یک نویسندهٔ طنز پاسخ بده» همچنین بهتر است فرمت خروجی را معین کنید. برای نمونه می‌توانید بخواهید «جواب را به صورت یک فهرست نقطه‌دار ارائه کن» یا «نتیجه را در قالب جدول نمایش بده»، تا خروجی دقیقاً با نیاز شما تطبیق یابد.
۴.۳ تعیین محدودیت‌ها
گام بعدی، تعیین محدودیت‌ها و پارامترهای خاص است. این محدودیت‌ها می‌تواند شامل حجم پاسخ (مثلاً حداکثر تعداد کلمات یا تعداد نکات) یا قواعد زبانی و محتوایی باشد. به عنوان مثال می‌توانید بگویید «متن را در کمتر از ۲۰۰ کلمه خلاصه کن» یا «مفهوم را به زبان ساده برای کودکان توضیح بده». یک راهنمای جامع توصیه میکند معیارهای خروجی را دقیقاً مشخص کنید؛ برای نمونه درخواست دهید خروجی پنج نکته برای مدیران باشد یا قالب JSON داشته باشد و محدودیت‌هایی مثل تعداد کلمات، لحن یا موضوعات ممنوعه را تعیین کنید
۴.۴ تعریف سناریو
در این مرحله با ایجاد یک سناریو یا پیش‌زمینه، چارچوب درخواست را مشخص می‌کنیم. اضافه کردن زمینه یا نقش مشخص (مثلاً «شما یک پزشک هستید» یا «فرض کن در یک جلسهٔ تجاری هستید») به شفاف‌شدن درخواست کمک میکند. برای نمونه، به جای پرسش کلی «تأثیر تغییر نرخ بهره چیست»، میتوان گفت «به عنوان یک تحلیلگر مالی با در نظر گرفتن داده‌های زیر، تأثیر تغییرات نرخ بهره را توضیح بده». این تعریف زمینه باعث می‌شود مدل دقیق‌تر بداند در چه شرایطی عمل میکند و چه اطلاعاتی برای پاسخ ضروری است.
۴.۵ ایجاد چند نسخه و مقایسه خروجی
در این مرحله چند نسخه از پرامپت را با تغییرات جزئی ایجاد و خروجی‌های هر نسخه را مقایسه می‌کنیم. یک روش معمول این است:
- ابتدا با یک پرامپت ساده شروع کنید.
- خروجی مدل را دریافت و بررسی کنید.
- سپس از مدل بخواهید اصلاحات یا نسخه‌های جایگزین ارائه دهد؛ برای مثال بگویید «این پاسخ را کمی غیررسمی‌تر بنویس» یا «خلاصه را به ۳ نکته تقسیم کن».
با تکرار این چرخه بازخورد، هر پاسخ به گامی برای بهبود پرامپت تبدیل می‌شود. همچنین توصیه می‌شود چند نسخه با تغییرات کوچک در واژه‌ها یا ترتیب ایجاد کنید و در نهایت عبارات را تست کرده و موثرترین آن‌ها را انتخاب نمایید
پرامپتِ ممنوعه
در هر متن راهنما یا کتابخانه پرامپت، لازم است بخشی روشن و عملی دربارهٔ «پرامپت‌های ممنوعه» وجود داشته باشد تا کاربران و توسعه‌دهندگان بدانند چه پرسش‌هایی نباید به مدل داده شود و چرا. در ادامه تعریف، دستهبندی، نمونه‌های نمادین و روش‌های مقابله و جایگزین‌های امن آورده شده‌اند.
۵.۱. تعریف کوتاه
پرامپت ممنوعه یعنی هر ورودی‌ای که درخواستِ تولید محتوای غیرقانونی، خطرناک، محرمانه، مداخله‌گرانه یا خلاف سیاست‌های اخلاقی و ایمنی یک سرویس را میکند. این پرامپت‌ها معمولاً توسط دستورالعمل‌های اخلاقی، قوانین ملی یا سیاست‌های پلتفرم منع شده‌اند و پاسخ دادن به آن‌ها می‌تواند به آسیب فیزیکی، نقض حریم خصوصی، ارتکاب جرم یا انتشار اطلاعات نادرست منتهی شود.
۵.۲. دستهبندی پرامپت‌های ممنوعه (نمونه‌ها و توضیح کلی)
توجه: در مثال‌ها از ارائه جزئیات فنی یا آموزشی برای انجام کارهای خطرناک خودداری شده و فقط نوع درخواست نشان داده می‌شود.
- دستورالعمل‌های مربوط به ارتکاب جرم یا آسیب‌رسانی فیزیکی
مثال: «چگونه یک سلاح بسازم؟» — این گونه درخواست‌ها روشن و صریح ممنوع‌اند. - ایجاد یا توزیع بدافزار و هک کردن سیستم‌ها
مثال: «کدی بزن که فایل‌ها را قفل کند و از کاربر باج بگیرد.» (نمونهٔ ممنوع) - تولید محتوای مرتبط با مواد منفجره، سمی یا ساخت کلاهک‌های شیمیایی/بیولوژیک
مثال: «دستور ساخت مواد سمی خانگی» — ممنوع و خطرناک. - افشای یا طلب اطلاعات حساس و محرمانه (حریم خصوصی، اطلاعات مالی، دسترسی‌ها)
مثال: «چگونه رمز عبور کسی را سرقت کنم؟» یا «فهرست و اطلاعات کارت اعتباری را بده.» - تولید یا کمک به جعل، جعل هویت، deepfake برای فریب یا آسیب به دیگران
مثال: «یک ایمیل جعل‌شده شبیه به حساب بانکی X بنویس که گیرنده را فریب دهد.» - مشاوره پزشکی، حقوقی یا مالی دقیق و قابل اجرا که می‌تواند زیان‌بار باشد (موارد پرخطر بدون تایید متخصص)
مثال: «برای بیمار با این علائم دقیقاً چه دارویی بده» — نیاز به مراجعه به متخصص دارد. - محتوای جنسی صریح، بهره‌کشی جنسی یا تولید مواد نامناسب برای افراد کم‌سن
مثال: محتوای جنسی صریح که قوانین محلی یا پلتفرم را نقض کند. - درخواست‌های ترویج نفرت، خشونت یا تبعیض
مثال: «چگونه گروه X را از جامعه حذف کنیم؟» — ممنوع.
۵.۳. چرا این پرامپت‌ها ممنوع‌اند؟ (خلاصه‌وار)
- خطر واقعی برای انسان‌ها و اموال (آسیب فیزیکی، سلامت، امنیت سایبری).
- نقض قوانین ملی و بین‌المللی.
- تهدید حریم خصوصی و اطلاعات حساس افراد.
- آسیب‌زدن به اعتماد عمومی و اعتبار سرویس/سازمان.
- مسئولیت حقوقی و اخلاقی برای توسعه‌دهنده و ناشر محتوا.
۵.۴. مثال‌های جایگزینِ امن (چطور پرامپت را اصلاح کنیم)
به‌جای سؤال‌های ممنوعه میتوان از قالب‌های امن و آموزنده استفاده کرد:
- ممنوع: «چگونه بمب بسازم؟»
جایگزین امن: «تاثیرات اجتماعی و حقوقی تولید و استفاده از مواد منفجره را توضیح بده» یا «چگونه میتوان خطرات انفجار را در محیط‌های صنعتی کاهش داد؟» - ممنوع: «کد ساختن باج‌افزار را بنویس»
جایگزین امن: «چه روش‌های دفاعی و بهترین شیوه‌ها برای جلوگیری از باج‌افزار وجود دارد؟» - ممنوع: «چگونه رمز عبور کسی را هک کنم»
جایگزین امن: «چطور میتوان امنیت رمز عبور را برای کاربران ارتقا داد؟» - ممنوع: «یک ایمیل جعل‌شده تهیه کن که پول بگیرم»
جایگزین امن: «نمونه‌ای از ایمیل آگاه‌سازی دربارهٔ فیشینگ بنویس تا کاربران بتوانند چنین حملاتی را تشخیص دهند.»
هدف جایگزین‌ها آموزش، پیشگیری و بحث اخلاقی است — نه آموزش روش‌های انجام جرم.
۵.۵. راهکارهای عملی برای تشخیص و جلوگیری (برای توسعه‌دهندگان و ناشران)
- فیلترهای ورودی و طبقه‌بندی‌کننده‌ها: از مدل‌های طبقه‌بندی برای شناسایی رده‌های خطر (جرم، پزشکی حساس، محتوای جنسی، نفرت‌پراکنی) پیش از ارسال به مدل تولیدی استفاده کنید.
- قواعد (rules) و لیست‌های سیاه/سفید: واژگان و الگوهای مشکوک را شناسایی و مسدود کنید؛ همزمان گزینه‌های امن و آموزشی را توصیه کنید.
- مکانیزم رد/ارجاع: در صورت تشخیص پرامپت ممنوع، به‌جای تولید پاسخ فنی، پیام رد شفاف همراه با توضیح و راهنمایی امن ارائه دهید (مثلاً ارجاع به منابع رسمی یا پیشنهاد جایگزین).
- بازبینی انسانی: برای موارد مرزشکن یا پرخطر، خروجی را به بازبینی انسان محول کنید.
- آموزش کاربران: در مستندات و رابط کاربری، فهرست نمونه‌های ممنوعه و نمونه‌های جایگزین را قرار دهید تا کاربران بدانند چه نباید بپرسند.
- کنترل‌های دسترسی و لوگینگ (ثبت رویدادها): ثبت درخواست‌های مشکوک برای پیگیری و پاسخگویی قانونی و امنیتی.
۵.۶. نکات حقوقی و اخلاقی (خلاصه)
- حتی اگر مدل از نظر فنی قادر به تولید پاسخ خطرناک باشد، منتشر کردن یا کمک به تولید محتوای ممنوع معمولاً مسئولیت‌زا و غیرقانونی است.
- سازمان‌ها باید با مشاوران حقوقی و تخصصی همکاری کنند تا سیاست‌های پرامپت و اجرای آن‌ها با قوانین محلی و بین‌المللی همسو باشد.
- اخلاق علمی و مسئولیت اجتماعی را در اولویت قرار دهید: مهندسی پرامپت باید همواره با هدف کاهش آسیب و ارتقای ایمنی طراحی شود.
کتاب‌های آموزش پرامپت نویسی
یکی از منابع ارزشمند برای یادگیری مهارت پرامپت‌نویسی حرفه‌ای، مطالعه کتاب‌های تخصصی است. این کتاب‌ها معمولاً شامل اصول، مثال‌ها، تمرین‌های عملی و بهترین روش‌ها برای تعامل با مدل‌های زبان و مولتی‌مودال هستند. در ادامه برخی دسته‌بندی‌ها و نمونه‌های مهم معرفی شده‌اند.
۵.۷. معیارهای ارزیابی خروجی پرامپت (Metrics & Evaluation)
برای سنجش کیفیت خروجی مدل و اثربخشی یک پرامپت، استفاده از معیارهای ارزیابی دقیق ضروری است. این معیارها به ما کمک می‌کنند تا مشخص کنیم آیا پاسخ تولید شده به هدف مورد نظر نزدیک است، صحیح و کامل است و از نظر سبک و لحن با خواستهٔ ما مطابقت دارد یا خیر. معیارهای رایج شامل دقت اطلاعات (Accuracy)، انسجام و روانی متن (Coherence & Fluency)، تطابق با فرمت مورد نظر (Format Compliance)، خلاقیت و نوآوری (Creativity) و میزان مرتبط بودن پاسخ با ورودی (Relevance) هستند. علاوه بر این، مقایسه چند نسخه خروجی و بازخورد انسانی (Human-in-the-loop) یکی از بهترین روش‌ها برای بهینه‌سازی پرامپت‌ها محسوب می‌شود. به کمک این معیارها، میتوان پرامپت‌ها را به شکل سیستماتیک و داده‌محور بهبود داد و مطمئن شد که مدل به شکل مؤثری نیاز کاربر را برآورده میکند.
۶.۱ کتاب‌های پایه و مقدماتی
این کتاب‌ها برای کسانی مناسب‌اند که تازه با هوش مصنوعی و پرامپت‌نویسی آشنا شده‌اند و می‌خواهند اصول اولیه را یاد بگیرند. معمولاً شامل توضیح مفهوم پرامپت، ساختارهای ساده و نمونه‌های عملی هستند.
نمونه‌ها:
- Prompt Engineering for Beginners : معرفی مفاهیم پایه، تفاوت پرامپت ساده و پیشرفته، و مثال‌های متنی.
- The Art of Prompting: تمرکز بر خلاقیت و روش‌های بهینه‌سازی خروجی مدل‌های متنی.
۶.۲ کتاب‌های پیشرفته و کاربردی
این دسته برای کاربران حرفه‌ای یا توسعه‌دهندگانی که با مدل‌های پیشرفته مثل GPT-4 و مدل‌های مولتی‌مودال کار می‌کنند مناسب است.
نمونه‌ها:
- Mastering Prompt Engineering : آموزش تکنیک‌های Zero-Shot، Few-Shot و RAG، و مثال‌های واقعی از کسب‌وکار و تحلیل داده.
- Practical Guide to AI Prompting : شامل سناریوهای عملی، خودکارسازی وظایف و ترکیب پرامپت‌های متنی و تصویری.
۶.۳ کتاب‌های تخصصی حوزه تصویر و صدا
این کتاب‌ها به پرامپت‌نویسی برای تولید تصویر، ویدئو و صوت می‌پردازند و برای طراحان، هنرمندان دیجیتال و تولیدکنندگان محتوا مفید هستند.
نمونه‌ها:
- Text-to-Image Prompts Explained: راهنمای دقیق پرامپت‌های تولید تصویر با DALL·E و Midjourney.
- Prompting for Audio and Music Generation: آموزش تولید موسیقی و صدا با پرامپت و نمونه‌های عملی.
۶.۴ کتاب‌های اخلاق، امنیت و مدیریت ریسک
این دسته روی محدودیت‌ها، پرامپت‌های ممنوعه و امنیت داده‌ها تمرکز دارد و برای توسعه‌دهندگان و مدیران بسیار حیاتی است.
نمونه‌ها:
- Safe and Ethical Prompting: راهکارهای جلوگیری از تولید محتواهای خطرناک و رعایت اصول اخلاقی.
- AI Governance and Prompt Engineering : چگونگی تنظیم سیاست‌های داخلی برای پرامپت‌نویسی و مدیریت ریسک.
۶.۵ نکات عملی برای انتخاب کتاب
- سطح دانش خود را مشخص کنید: مبتدی، متوسط یا حرفه‌ای.
- هدف استفاده: متن، تصویر، صدا، خودکارسازی یا کاربردهای ترکیبی.
- بررسی تاریخ انتشار: هوش مصنوعی و پرامپت‌نویسی حوزه‌ای پویا است، کتاب‌های جدید معمولاً نکات به‌روزتری دارند.
- تمرین و مثال عملی: بهترین کتاب‌ها آن‌هایی هستند که تمرین‌های واقعی و مثال‌های ملموس ارائه می‌دهند.
پرامپت‌های آماده و از پیش نوشته شده
بیش از ۱۰ ایده برای تبدیل تصاویر شخصی به تصاویر سینمایی(مناسب برای نانو بنانا)
اگر شما هم در صنعت سینما دستی بر آتش داشته باشید حتما میدانید که یک عکس سینمایی، دقیقاً مانند یک فریم از یک فیلم است؛
تصویری که حس، نور، داستان و اتمسفر را در یک لحظه منتقل کرده و هر عنصر آن هدفمند قرار داده شده است:
- نورپردازی حساب‌شده
- ترکیب‌بندی دقیق عناصر و جزپیات
- رنگ‌هایی که حس را می‌سازند
- و یک داستان که در همان نگاه اول روایت می‌شود
اما رسیدن به چنین کیفیتی همیشه ساده نیست.
ویرایش حرفه‌ای هزینه دارد، یادگیری تکنیک‌های پیشرفته زمان‌بر است، و اغلب عکس‌هایی داریم که “خوب” هستند… اما هنوز سینمایی نیستند.
اینجاست که Google Gemini Nano Banana وارد می‌شود؛
مدلی تازه که مخصوص ویرایش تصویری طراحی شده و در عمل واقعاً عالی عمل میکند.
من این مدل را با بیش از ۱۰ پرامپت مختلف آزمایش کرده‌ام و نتایج بینظیر بودند.
چرا؟ چون مدل Gemini تمام مفاهیم سینمایی را فهمیده و بخوبی درک میکند:
۱. Sunset Muscle Car Power
Create cinematic photo of a man standing confidently in front of a vintage black muscle car parked in the middle of a deserted road at sunset. Behind the car, massive flames and dark smoke rise dramatically into the sky, illuminating the scene with fiery light. The man wears an all-black suit with a crisp shirt, dark sunglasses, and polished shoes, exuding power and calm intensity. His hands are clasped in front of him, showcasing a luxury watch and tattoos on his hands. The lighting is moody and high contrast, with warm orange tones from the fire blending with the cool twilight sky. The overall atmosphere feels like a movie still.
۲. Dawn Basketball Court
Create a young man stands on an outdoor basketball court at sunrise, holding a basketball in one hand and gazing thoughtfully toward the hoop. He wears a gray hoodie with a minimalist sports logo, black basketball shorts with red and white trim, and white sneakers with red accents. Soft morning light and mist create a calm, atmospheric background, with the faint outline of a chain-link fence behind him. The ground is slightly wet, reflecting the warm light of dawn. The scene captures a quiet, motivational moment before practice.
۳. City Crosswalk Isolation
Create photo of a man stands still at the center of a busy city crosswalk during twilight, surrounded by a crowd of people in motion. The background is full of blurred figures walking in different directions, capturing the feeling of movement and chaos around him. He wears a black jacket over a white shirt, olive-green cargo pants, and black sneakers. His calm, serious expression contrasts with the surrounding blur, symbolizing isolation, focus, or introspection amidst urban life. The wet pavement reflects city lights, adding subtle texture and realism.
۴. Billiards Focus
Create photo of a cinematic, ultra-realistic close-up of a man playing billiards, captured mid-focus as he leans forward to strike the cue ball. The composition emphasizes precision and confidence, the man’s eyes locked on the shot, his hand steady on the table guiding the cue stick. He wears a crisp white dress shirt with the sleeves rolled up and the top buttons slightly undone, exuding a relaxed but focused energy. His hair is tied neatly back, and he sports clear-framed glasses that reflect the warm glow of overhead lights.
۵. Minimalist Studio Portrait
Create a high-fashion cinematic studio portrait of a man posing confidently against a smooth, minimalist gray background. He wears a fitted black turtleneck and high-waisted beige trousers with sharp pleats, blending modern elegance with classic minimalism. His pose is relaxed yet intentional, one hand in his pocket, the other lightly touching his chin, conveying calm confidence and refined style. The lighting is soft and diffused, casting gentle shadows that accentuate the texture of the fabric and the contours of his face.
۶. Velvet Sofa Comfort
Create a cinematic portrait of a man relaxing outdoors on a rust-orange velvet sofa placed on a sunlit gravel patio. The man lies comfortably along the length of the sofa, one arm resting behind his head and the other casually placed on his torso, conveying effortless calm and quiet confidence. He wears a soft, textured white outfit — a knit sweater and matching pants — with realistic fabric folds and a cozy, refined feel. Only half of the sofa can be seen.
۷. Golden Hour Terrace
Create a cinematic golden-hour portrait of a young man sitting at an outdoor terrace with a scenic view in the background. The warm sunlight of late afternoon casts a golden glow on his face, highlighting his calm, reflective expression. He’s wearing a navy polo shirt with red trim, round-tinted sunglasses, and a silver wristwatch that subtly catches the light. His pose is thoughtful, one hand resting on his chin as he gazes slightly into the distance, exuding quiet confidence and sophistication.
۸. Subway Train Motion
Create a cinematic urban portrait of a man standing on a subway platform as a yellow train rushes by in the background. The motion blur of the train creates a dynamic sense of movement and energy, contrasting with the subject’s calm and composed stance. He wears a sleek black blazer over a white shirt, paired with round glasses and a subtle earring, a modern, minimalist look that conveys quiet confidence and sophistication.
۹. Foggy Bird Flight
Create a cinematic close up portrait of a man standing outdoors on a foggy, overcast day, looking upward as a flock of birds flies dramatically across the sky above him. The atmosphere is moody and introspective, filled with mist that softens the background and creates a haunting, ethereal quality. The man wears a dark overcoat layered over a black shirt, his expression calm yet contemplative, evoking a sense of solitude and quiet strength.
۱۰. Golden Hour Street Stance
Create a cinematic golden-hour street portrait of a man standing confidently in the middle of a softly lit urban street. He wears dark round sunglasses, a neatly trimmed beard, and a black overcoat layered over a black shirt, a sleek, minimalist look that radiates quiet confidence and sophistication.
۱۱. Urban Architecture Casual
Create a modern urban fashion portrait of a man standing confidently in a city setting, surrounded by tall modern buildings with clean architectural lines. The subject wears a minimalist beige knitted cardigan over a crisp white T-shirt, paired with light beige trousers, a refined, casual look that conveys effortless sophistication. His pose is relaxed, with hands in pockets and a calm, composed expression, giving off a natural sense of confidence and style. The overall mood is cinematic.
۱۲. Metallic Elevator Cool
Create a cinematic, fashion-forward portrait of a stylish man standing inside a sleek metallic elevator, bathed in warm, diffused lighting. The man wears a dark pinstriped suit with a black shirt unbuttoned slightly at the top, blending vintage elegance with modern cool. He holds a takeaway coffee cup in one hand and wears dark sunglasses, exuding a mysterious, effortlessly confident presence.
۱۳. Dog and Dominance
Create a cinematic, urban-style portrait of a man standing confidently with a powerful German Shepherd dog in front of him, set against a gritty brick wall covered in graffiti. The low camera angle emphasizes dominance and strength, with the dog in the foreground, mouth open mid-snarl or bark, exuding energy and intensity. The man stands tall behind the dog, holding the leash firmly, wearing a beige windbreaker with black stripes, black pants, dark sunglasses with amber-tinted lenses, and a black bandana around his neck.
۱۴. Library Authority
Create a professional, cinematic portrait of a man standing confidently in a warmly lit library filled with tall shelves of old leather-bound books. The subject is dressed in a sharp black suit with a white shirt and black tie, arms crossed and expression composed, exuding authority, intelligence, and sophistication. The lighting is soft and golden, emanating from warm ambient sources that highlight the textures of the wood and the glossy spines of the books. The composition focuses closely on the subject from the waist up, with a shallow depth of field that keeps the background softly blurred while maintaining a sense of depth and refinement.
۱۵. Rainy Bridge Contemplation
Create a cinematic, moody portrait of a man standing on a rainy bridge at dusk, gazing out over the city skyline. The background features blurred city lights and the faint silhouette of an arched bridge structure, softly glowing through the mist and rainfall. The wet pavement reflects the headlights of distant cars, adding depth and atmosphere to the scene. The man leans against the railing, dressed in a dark waterproof jacket with a hood, his hair damp from the rain. He wears dark sunglasses, giving him a mysterious, introspective presence.
ساخت پرتره‌های سینمایی رنگارنگ و سرشار از احساسات با ChatGPT
#۱. Neon Dreams
Prompt: “A young woman standing under glowing pink and blue neon lights on a rainy night, reflections glimmering on wet pavement, cinematic lighting, film grain, moody tone.”
#۲. Golden Hour Glow
Prompt: “A man with tousled hair bathed in golden sunset light, warm highlights, soft shadows, lens flare, cinematic portrait with dreamy depth and emotion.”
#۳. Noir Shadows
Prompt: “A black-and-white portrait of a mysterious woman wearing a fedora, smoke curling in the air, harsh side lighting, film noir mood, high contrast.”
#۴. Streetlight Solitude
Prompt: “A lone figure under a flickering streetlight at midnight, mist swirling around, high-contrast moody lighting, cinematic bokeh background, emotional tone.”
#۵. Retro Film Frame
Prompt: “A 1970s-style portrait with muted tones, soft focus, visible film grain, vintage color palette, cinematic lighting that feels nostalgic and timeless.”
#۶. Rain-Soaked Reflections
Prompt: “A close-up portrait through a rainy car window, soft focus water droplets, blurred city lights in background, high-contrast cinematic mood.”
#۷. Midnight Blues
Prompt: “A young musician sitting in a dimly lit bar, blue and red light painting his face, moody cinematic tone, smoky air, emotional expression.”
#۸. Desert Sun Drama
Prompt: “A traveler standing in the burning desert, golden dust swirling, cinematic backlight, faded film texture, intense contrast and emotional heat.”
#۹. Lovers in the Fog
Prompt: “A cinematic portrait of two silhouettes close together in dense fog, soft diffused light, muted colors, emotional atmosphere, film grain texture.”
#۱۰. City Glow Portrait
Prompt: “A woman looking out a high-rise window at night, city lights reflecting in glass, colorful cinematic lighting, bokeh, subtle melancholy expression.”
#۱۱. Vintage Studio Look
Prompt: “A classic 1950s portrait setup, Rembrandt lighting, medium format film style, rich contrast, warm skin tones, subtle vignette, cinematic emotion.”
#۱۲. Cyberpunk Color Burst
Prompt: “A futuristic portrait under neon signs, blue-magenta glow on skin, digital rain effects, high contrast, cinematic cyberpunk style, emotional intensity.”