دسترسی سریع
مهندسی پرامپت، هنری است که به ما کمک میکند ورودیهایی طراحی کرده تا با کمک مدل هوش مصنوعی به نتایجی مفید و مطابق انتظارمان برسیم. پرامپت، متنی است که به مدلهای هوش مصنوعی مثل ChatGPT یا Midjourney میدهیم و نقش دستورالعمل را برای پیشبینی پاسخ مورد نظرمان ایفا میکند؛ چه متن از مدلهای زبانی بزرگ (LLM) باشد، چه تصویر از مدلهای مولد مانند Midjourney. در این مقاله، پنج اصل کلیدی برای بهینهسازی پرامپتها را بررسی میکنیم و با مثالهای عملی نشان میدهیم که چگونه میتوانید از این اصول برای بهبود خروجیها استفاده کنید.
مثال ساده: تولید نام محصول
فرض کنید از ChatGPT بخواهیم نامی برای یک کفش که مناسب هر سایز پایی باشد، پیشنهاد دهد:
ورودی:
«لیستی از نامهای محصول برای یک جفت کفش که هر سایز پایی را پوشش دهد، بده.»
خروجی:
- UniFit SoleStrides
- FlexiSize All-Fit Shoes
- OmniFit FootFlex
- AnyStep AdaptiWalkers
- FlexiRange UniversalSteps
- PerfectGlide MultiFit Shoes
این پاسخ برای یک پرامپت ساده، شگفتانگیز است و با کمترین تلاش به نتیجهای جادویی میرسیم. با پیشرفت مدلهای هوش مصنوعی، احتمال گرفتن نتایج مطلوب در اولین تلاش بیشتر میشود. برای استفادههای روزمره و یکباره، همین подход ساده کافی است. اما اگر بخواهید این پرامپت را در یک محصول تجاری با هزاران کاربر به کار ببرید، باید بیشتر تلاش کنید تا مشکلات احتمالی را برطرف کنید. اشتباهات در اینجا هزینهبر هستند؛ هم از نظر هزینههای مالی (مثل هزینههای OpenAI بر اساس طول پرامپت و پاسخ) و هم زمان صرفشده برای اصلاح خروجیها.
چالشهای پرامپت ساده
- جهتگیری مبهم: مشخص نکردهاید که چه سبک نامی میخواهید. تکواژه باشد یا ترکیبی؟ کلمات واقعی باشند یا ساختگی؟ آیا باید از سبک یک شخصیت معروف مثل استیو جابز تقلید کند؟
- خروجی بدون فرمت: لیست نامها خط به خط و با طول نامشخص برگردانده میشود. گاهی شمارهگذاری شده و گاهی با متن اضافی شروع میشود که پردازش برنامهنویسی آن را سخت میکند.
- فقدان مثال: بدون ارائه نمونه، مدل فقط به میانگین دادههای آموزشیاش (کل اینترنت!) تکیه میکند. آیا این چیزی است که شما میخواهید؟
- ارزیابی محدود: هیچ معیار مشخصی برای سنجش کیفیت نامها ندارید و باید دستی بررسی کنید.
- عدم تقسیم وظایف: همه چیز را یکجا از مدل میخواهید، بدون اینکه کار را به بخشهای کوچکتر تقسیم کنید.
پنج اصل مهندسی پرامپت
این چالشها، پایهای برای پنج اصل اساسی هستند که در ادامه بررسی میکنیم:
۱. ارائه جهتگیری مشخص (Give Direction)
مشکل: بدون جهتگیری، مدل نمیداند چه سبکی مد نظر شماست.
راهحل: جزئیات سبک مورد نظر را توضیح دهید یا از یک شخصیت مرتبط الگوبرداری کنید.
مثال بهینهشده:
ورودی ساده: «لیستی از اسامی مناسب برای کفشهایی فریسایز را بنویس.»
ورودی بهبودیافته: «بر اساس سبک استیو جابز، سه نام برای کفش فری سایز را بهصورت لیست جدا شده با کاما پیشنهاد بده: نام۱، نام۲، نام۳.»
خروجی: iFitFoot، iPerfectFit، iShoeSize
با افزودن «سبک استیو جابز»، مدل نامی ساده، مدرن و تأثیرگذار پیشنهاد میدهد که به برندینگ محصول شما کمک میکند.
۲. تعیین فرمت خروجی (Specify Format)
مشکل: خروجیها ممکن است در قالبهای مختلف و غیرقابل پیشبینی باشند.
راهحل: ساختار موردنظرتان را دقیق مشخص کنید.
مثال بهینهشده:
ورودی ساده: «نامهای پیشنهادی را بگو.»
ورودی بهبودیافته: «نامها را بهصورت JSON برگردان: [{“توضیحات”: “کفش مناسب هر سایز”، “نامها”: [“نام۱”، “نام۲”]}]»
خروجی:
json
[{"توضیحات": "کفش مناسب هر سایز"، "نامها": ["FlexFit Footwear"، "OneSize Step"]}] این فرمت برای توسعهدهندگان و سئوکاران ایدهآل است، زیرا قابل پردازش و سازگار با سیستمهای برنامهنویسی است و از خطاهای فرمت جلوگیری میکند.
۳. ارائه مثال (Provide Examples)
مشکل: بدون مثال، مدل به دادههای عمومی و گاه نامناسب وابسته است.
راهحل: نمونههای موفق ارائه دهید تا مدل بهتر متوجه خواستهتان شود.
مثال بهینهشده:
ورودی ساده: «نامی برای یخچال نوشابهخنککن! بنویس.»
ورودی بهبودیافته: «نامی برای یخچال مخصوص نوشابه! پیشنهاد بده، مثل: iBarFridge، iFridgeBeer، iDrinkBeerFridge.»
خروجی: iCoolBeer
مثالها به مدل کمک میکنند تا سبک و لحن موردنظر شما را تقلید کند و خروجی بهتری ارائه دهد که برای مخاطب جذابتر است.
۴. سنجش عملکرد (Evaluate Quality)
مشکل: بدون معیار، به کیفیت خروجی یا نتیجه نهایی اطمینان ندارید.
راهحل: یک سیستم یا معیار مشخص برای سنجش خروجی تعریف کنید.
مثال بهینهشده:
ورودی ساده: «اگر اسامی خوب نبودند، دستی تغییرشان بده.»
ورودی بهبودیافته: «نامها را بررسی کن و اگر کمتر از ۵ حرف بودند، دوباره پیشنهاد بده.»
خروجی: FlexFit (7/10)، Omni (رد شد، کمتر از ۵ حرف)، AnyStep (8/10)
این روش به شما امکان میدهد کیفیت را بهصورت سیستمی سنجیده و هزینه و زمان را کاهش دهید؛ چیزی که در پروژههای بزرگ حیاتی است.
۵. تقسیم تسک به تسک های کوچکتر(Divide Labor)
مشکل: درخواست همه چیز در یک پرامپت، خروجی را ضعیف و غیرقابل پیشبینی میکند.
راهحل: درخواست را به مراحل کوچکتر بشکنید.
مثال بهینهشده:
ورودی ساده: «یک نام جذاب و توضیح کوتاه برای کفش فریسایز پیشنهاد بده.»
ورودی بهبودیافته: «۱. سه نام پیشنهاد بده. ۲. برای هر نام یک توضیح ۲۰ کلمهای بنویس.»
خروجی:
- iFitFoot: کفشی شیک و مدرن که با هر سایز پایی سازگار است و راحتی بینظیری ارائه میدهد.
- iPerfectFit: طراحی خلاقانه برای همه پاها، با انعطافپذیری و سبکی که قدم زدن را لذتبخش میکند.
- iShoeSize: نوآوری در کفش، مناسب هر سایز، با دوام و استایلی که توجهها را جلب میکند.
این روش، کنترل بیشتری به شما داده و برای تولید محتوا یا محصولاتی که نیاز به جزئیات دارند، عالی است.
چرا این اصول مهماند؟
مدلهای هوش مصنوعی مثل ChatGPT یا Midjourney با پیشبینی توکن بعدی کار میکنند و هر کلمه در پرامپت شما احتمال خروجی را تغییر میدهد. این مدلها روی کل اینترنت آموزش دیدهاند و بسته میتوانند بهترین یا بدترین نتایج را تولید کنند، بسته به اینکه چطور از آنها بخواهید. با به کارگیری این پنج اصل، نهتنها کیفیت خروجی را بالا میبرید، بلکه هزینهها (بر اساس تعداد توکنها) و زمان پردازش را هم بهینه میکنید؛ چیزی که برای سئو و توسعه محصول حیاتی است.
جمعبندی
مهندسی پرامپت، کلید تعامل مؤثر با هوش مصنوعی است. با جهتبندی دقیق، فرمت مشخص، مثالهای خوب، ارزیابی کیفیت و شکستن تسک به موارد کوچکتر، میتوانید شاهد نتایجی قابل اعتماد و باکیفیت باشید. این اصول، چه برای تولید متن و چه تصویر، در هر مدل هوش مصنوعی صادق بوده و به شما کمک کرده تا از پتانسیل این فناوری به بهترین نحو بهرهمند شوید. در شمارههای بعدی مجله سیمرغ، به جزئیات بیشتری از این اصول و کاربردهای عملی آنها میپردازیم.
برای مطالعه آموزشهای بیشتر و مثالهای تکمیلی، سایر آموزشهای وبسایت را مطالعه فرمایید.
تاریخ انتشار: ۷ اسفند ۱۴۰۳
منبع: این مطلب برداشت مختصری از کتاب Prompt Engineering for Generative AI میباشد.
