پرامپت‌نویسی حرفه‌ای؛ به ارباب هوش مصنوعی تبدیل شوید

امروزه با گره‌خوردن هوش مصنوعی در تمام ابعاد زندگی، نوشتن دستورات دقیق یا همان پرامپت‌نویسی به یکی از مهارت‌های حیاتی تبدیل شده است. یک پرامپت ضعیف حتی از پیشرفته‌ترین مدل‌های هوش مصنوعی ممکن است پاسخ‌های مبهم یا نادرست دریافت کند. اگر می‌خواهید بهترین نتیجه را از تعامل با ابزارهایی مانند چت جی‌پی‌تی بگیرید، رعایت اصول پرامپت ‌نویسی نه یک انتخاب، بلکه یک ضرورت است.

در این مقاله، رازهای طراحی پرامپت‌های حرفه‌ای، تکنیک‌های مهندسی‌شده و منابع برتر آموزشی را به زبانی ساده و کاربردی بررسی می‌کنیم. از مبتدی تا حرفه‌ای، هرآنچه برای تبدیل شدن به یک استاد پرامپت‌نویسی نیاز دارید، اینجاست!

پرامپت چیست؟ 

در ابتدا بهتر است که مهمترین منبع این حوزه یعنی OpenAI را بررسی کنیم تا دریابیم  پرامپت‌نویسی هوش مصنوعی چیست و چگونه می‌توان مهندسی پرامت انجام داد. OpenAI در سایت خود پرامت‌نویسی را اینگونه تعریف کرده است: پرامپت (Prompt)  به هرگونه دستور، سؤال یا متن ورودی گفته می‌شود که به یک مدل هوش مصنوعی داده می‌شود تا براساس آن، خروجی مرتبط و هدفمند تولید کند. OpenAI تأکید می‌کند: «پرامپت‌ها نقشِ راهنمای مدل را ایفا می‌کنند. هرچه این راهنما دقیق‌تر، واضح‌تر و ساختاریافته‌تر باشد، احتمال دریافت پاسخ مطلوب بیشتر می‌شود.»

12,950,000

12,799,000

تومان

برای بهتر نتیجه گرفتن در یک پرامت‌نویسی حرفه ای باید به نکات زیر دقت داشته باشید:

• تعیین وظیفه: مشخص کنید دقیقاً چه انتظاری از مدل دارید (مثال: ترجمه، خلاصه‌سازی، تولید ایده)
• اضافه کردن زمینه  (Context): اطلاعات مرتبط را به پرامپت اضافه کنید تا مدل بهتر درک کند.
• قالب‌دهی پاسخ: فرمت خروجی را تعیین کنید مثال: لیست، پاراگراف
• آزمون و اصلاح: پرامپت را آزمایش کنید و براساس نتایج، آن را بهبود بخشید.

مهندسی پرامپت چیست؟

اگر کلمه پرامپت‌نویسی را سرچ کرده باشید مطمئنا با الفبای آن آشنایی دارید و شاید به دنبال مهندسی پرامت نویسی باشید، پس بهتر است  زودتر به اصل مطلب یعنی آموزش پرامپت‌نویسی بپردازیم. در اینجا بهترین تاکتیک‌هایی را معرفی می‌کنیم که می‌تواند به شما در گرفتن نتایج بهتر از این مدل‌ها کمک کند. شاید جالب باشد که بدانید می‌توانید از ترکیبی از این روش‌ها برای تأثیرگذاری بیشتر استفاده کنید. 

• تقسیم وظایف پیچیده به مراحل ساده‌تر

 اگر پرامت خیلی طولانی یا پیچیده ‌است، آن را به بخش‌های مختلف تبدیل کنید. همانطور که در مهندسی نرم‌افزار، تجزیه سیستم‌های پیچیده به اجزای کوچکتر یک اصل مهم است، در کار با مدل‌های زبانی هم همین قاعده صدق می‌کند. وظایف پیچیده معمولاً خطای بیشتری دارند و می‌شود آن‌ها را به مجموعه‌ای از وظایف ساده‌تر تبدیل کرد. برای این کار شما می‌توانید برای پرامپت‌نویسی روش‌های زیر را امتحان کنید:

طبقه‌بندی هدف نهایی‌
هدف نهایی‌ را برای شناسایی دستورالعمل مرتبط طبقه‌بندی کنید. به زبان ساده‌تر با دسته‌بندی هدفی که از پرامت دنبال می‌کنید، دستورالعمل‌های مرتبط را به هر پرسش اختصاص دهید. در این صورت، می‌توانید از این روش به‌صورت مرحله‌به‌مرحله استفاده کنید. برای مثال برای سوال «فیل کجا زندگی می‌کند؟» می‌توانید مراحل زیر را طی کنید:

1. تعیین هدف اصلی: ابتدا هدف اصلی خود را از پرامپت‌نویسی مشخص کنید. مثلاً، اگر می‌خواهید بدانید فیل‌ها کجا زندگی می‌کنند، هدف شما «زیستگاه فیل‌ها» است.
2. شناسایی زیرمجموعه‌ها: سپس، زیرمجموعه‌های مرتبط با هدف اصلی را شناسایی کنید. برای مثال، «زیستگاه فیل‌ها» می‌تواند شامل «جنگل‌های گرمسیری» باشد.
3. تدوین پرسش‌های مرحله‌ای: بر اساس زیرمجموعه‌ها، پرسش‌های مرحله‌ای طراحی کنید. برای مثال: فیل‌ها در کدام زیستگاه‌ها زندگی می‌کنند؟ جنگل‌های گرمسیری چه ویژگی‌هایی دارند؟ فیل‌ها چگونه در جنگل‌های گرمسیری زندگی می‌کنند؟
4. استفاده از دستورالعمل‌های مرتبط: برای هر پرسش، دستورالعمل‌های مرتبط را ارائه دهید تا هوش مصنوعی بتواند پاسخ‌های دقیق‌تری ارائه دهد.

این روش دو مزیت دارد:

کاهش خطا: چون فقط دستورالعمل‌های مرتبط برای هر مرحله ارائه می‌شود، احتمال خطا کمتر می‌شود.

کاهش هزینه: چون پرامپت‌های بزرگ هزینه بیشتری دارند، استفاده از پرامپت‌های کوچک‌تر به صرفه‌تر است. این به این معناست که وقتی از پرامپت‌های کوچکتر استفاده می‌کنیم، میزان محاسباتی که مدل باید انجام دهد کمتر می‌شود. از آنجا که اکثر سرویس‌های هوش مصنوعی هزینه‌های پردازشی براساس تعداد توکن‌های مصرفی دارند، استفاده از پرامپت‌های کوتاه‌تر برای شما از لحاظ مالی به صرفه‌تر است. به عبارت دیگر، اگر از پرامپت‌های کوچک‌تر استفاده کنیم، هم مدل کارآمدتر عمل می‌کند (چون بار محاسباتی کمتری دارد) و هم شما هزینه کمتری بابت استفاده از API یا سرویس پرداخت می‌کنید. این تعامل کم‌هزینه بهینه است چون هم زمان پاسخگویی سریع‌تر می‌شود و هم از نظر اقتصادی به صرفه‌تر عمل می‌کند. این روش به بهینه‌تر شدن تعامل با مدل کمک زیادی می‌کند.

در چت طولانی، چت قبلی را خلاصه یا فیلتر کنید
از آنجایی که مدل‌ها طول ثابتی دارند یعنی در یک چت بیشتر از یک عدد خاصی نمی‌توان پیام رد و بدل کرد و گفتگو بین کاربر و هوش نمی‌تواند تا بی‌نهایت ادامه پیدا کند. گفتگوی طولانی را خلاصه یا فیلتر کنید.

اسناد طولانی را بخش‌بخش خلاصه کنید
ما نمی‌توانیم از مدل‌ها برای خلاصه کردن متن‌های خیلی طولانی، مثل یک کتاب استفاده کنیم. مدل‌های هوش مصنوعی نمی‌توانند کل متن را به صورت یکجا خلاصه کنند؛ چون ظرفیت محدودی دارند و نمی‌توانند همه اطلاعات را در یک پرسش پردازش کنند. بنابراین، بهترین راه این است که متن را به بخش‌های کوچک‌تر تقسیم کنیم و هر بخش را جداگانه خلاصه کنیم.

• ارائه متن مرجع

شاید برای شما هم پیش آمده باشد که از هوش مصنوعی سوالی بپرسید که جوابش را می‌دانید اما به شما اشتباه جواب داده باشد! یا اگر دقت کرده باشید تقریبا به ندرت ممکن است چت جی‌پی‌تی در پاسخ به کاربرها از جواب «نمی‌دانم» استفاده کند. پس به یاد داشته باشید که مدل‌های زبانی ممکن است با اطمینان پاسخ‌های غیرواقعی تولید کنند، به‌خصوص در مورد موضوعات تخصصی یا هنگام درخواست منابع و لینک‌ها. درست مثل دانش‌آموزی که با جزوه‎هایش عملکرد بهتری در امتحان دارد، ارائه متن مرجع به این مدل‌ها می‌تواند به کاهش خطاها کمک کند. 

برای حل این مشکل می‌توانید از مدل این درخواست‌ها را داشته باشید:

با استفاده از متن مرجع پاسخ بده
اگه بتوانیم اطلاعات مورد اعتمادی را که مرتبط با پرسش فعلی است در اختیار مدل قرار دهیم، می‌توانیم در پرامت خود به این اشاره کنیم که از این اطلاعات برای تنظیم پاسخ استفاده کند. برای مثال اگر در حال نوشتن یک مقاله هستند و می‌خواهید از یک مرجع در متن خود استفاده کنید می‌توانید فایل پی‌دی‌اف مرجع را در چت بارگذاری کنید و از مدل بخواهید بر اساس فایل به سوالات شما پاسخ دهد. 

با نقل قول از متن مرجع پاسخ بده
حتی بعد از آپلود کردن یک مرجع در چت مدل‌های هوش مصنوعی هنوز این امکان وجود دارد که مدل مستقیما از مرجع پاسخ خود را ارجاع ندهد. برای رفع این مشکل می‌توانید از مدل بخواهید اشاره کند به عنوان مثال از کدام صفحه یا کدام خط و یا کدام بخش مرجعی که در اختیارش قرار دادید پاسخش را برای شما آماده کرده‌ است. 

امروزه اکثر مدل‌ها مانند چت‌ جی‌پی‌‌تی سرچ بر اساس وب را به داشبود چت خود اضافه کرده‌اند، مرجع اطلاعاتی که در اختیار کاربر می‌گذارند را با لینک آن به هر جمله وصل می‌کنند و در آخر منبع را نیز مشخص می‌کنند. شما خود می‌توانید منبع را به صورت فایل یا نوشته در اختیار این مدل‌ها قرار دهید و از آن‌ها بخواهید مشخص کنند از کدام قسمت منبع به شما جواب می‌دهند یا تحلیل می‌کنند. 

• استفاده از ابزارهای خارجی

برای جبران نقاط ضعف مدل، می‌توانید از خروجی ابزارهای دیگر استفاده کنید. مثلاً یک سیستم بازیابی متن یا موتور اجرای کد می‌تواند به مدل در انجام محاسبات و فراخوانی APIها کمک کند. البته این شاید برای همه کاربرهای عادی که با کد آشنایی ندارند کار سختی به نظر برسد. 

اگر قصد دارید از این روش استفاده کنید این موارد را به یاد داشته باشید:

استفاده از جستجوی هوشمند
یک مدل می‌تواند از منابع اطلاعاتی خارجی که به عنوان بخشی از ورودی به آن داده می‌شود بهره ببرد. این کار به مدل کمک می‌کند تا پاسخ‌های دقیق‌تر و به‌روزتری ارائه دهد. یعنی اطلاعات مرتبط و مفید از یک مجموعه داده یا منابع اطلاعاتی (مثل متن‌ها، مقالات، یا حتی پایگاه داده‌ها). برای مثال، اگر کاربری درباره‌ی یک فیلم خاص سوال بپرسد، اضافه کردن اطلاعات باکیفیت درباره‌ی آن فیلم (مثل بازیگران، کارگردان و غیره) به ورودی مدل در پرامپت‌نویسی می‌تواند مفید باشد. با استفاده از تعبیک‌ها (embeddings)، می‌توان بازیابی دانش را به‌طور کارآمدی پیاده‌سازی کرد؛ به این صورت که اطلاعات مرتبط به‌صورت داینامیک در زمان اجرا به ورودی مدل اضافه شود.

استفاده از کد برای انجام محاسبات 

مدل‌های زبانی به تنهایی قابل اعتماد نیستند که محاسبات طولانی را با دقت بالا انجام دهند. در مواردی که چنین نیازی وجود داشته باشد، می‌توان به مدل دستور داد به جای انجام محاسبات خود، کد بنویسد و اجرا کند. 

دسترسی به توابع خاص 

مدل هوش مصنوعی OpenAI می‎تواند به جای پاسخ دادن مستقیم، یک دستور JSON ایجاد کند تا شما آن را به تابع/کد خودتان دهید و نتیجه بگیرید. مثال:

فرض کنید میخواهیم یادداشت ذخیره کنیم. این مراحلی است که اتفاق می‌افتد:

پرامتی که می‌نویسید:

«یادداشت جدید با عنوان ‘خرید’ و متن ‘شیر و نان’ بساز»

مدل به جای پاسخ متن، یک خروجی شبیه آنچه در ادامه می‌بینید، ارائه می‌دهد:

شما این JSON را به کد/برنامه خودتان وارد می‌کنید:

مثلاً تابع save_note(title, content) شما اجرا شده و یادداشت ذخیره می‌شود.

نتیجه را دوباره به مدل می‌فرستید:

مثلاً برنامه شما اعلام می‌کند: «یادداشت ذخیره شد ✅»

حالا مدل می‌تواند پاسخ دوستانه دهد:

«یادداشت شما با موفقیت ذخیره شد! نیاز به کار دیگری هست؟»

در این حالت مدل مستقیماً به دیتابیس یا سیستم شما دسترسی ندارد، اما با تولید JSON به شما کمک میکند خودتان عملیات را انجام دهید. برای توسعه‌دهندگان، ساخت این سیستم ساده است (حدود ۱۰ خط کد). کاربران عادی نیاز به کدنویسی ندارند، فقط از ابزارهای آماده استفاده می‌کنند (مثل ربات‌های تلگرام).

برای مثال اگر اپلیکیشن هواشناسی دارید، مدل می‌تواند  JSON تولید کند تا موقعی که کاربر بپرسد «هوا فردا در تهران چطوره؟»، سیستم شما مستقیم به API آب‌وهوا وصل شود و پاسخ دقیق دهد! 🌤️

• نوشتن دستورات شفاف

توجه داشته باشید که هوش مصنوعی باهوش هست اما ذهن‌خوان نیست، پس باید همیشه به شفاف‌ترین شکل ممکن درخواست خودتان  را با جزئیات کمک کننده مطرح کنید. اگه خروجی‌ها خیلی طولانی هستند، درخواست پاسخ‌های مختصر کنید. اگه خیلی ساده‌اند، نگارش تخصصی درخواست کنید. اگه از قالب راضی نیستید، قالب مورد نظرتان را نشان دهید. هرچه مدل کمتر مجبور به حدس زدن خواسته‌های شما باشد، احتمال دریافت نتیجه مطلوب بیشتر می‌شود.

بهترین تاکتیک‌هایی که برای نوشتن یک پرامت شفاف می‌توانید به کار ببرید شامل موارد زیر است:

به جزئیات توجه کنید
برای دریافت یک پاسخ کاملاً مرتبط در پرامپت‌نویسی باید مطمئن باشید که درخواست‌های شما هر جزئیات یا زمینه مهمی را شامل می‌شوند. در غیر این صورت، به مدل اجازه می‌دهید که منظور شما را حدس بزند.
مثال:

به مدل شخصیت خاص دهید
می‌توانید از پیام سیستمی برای تعیین شخصیتی که مدل در پاسخ‌هایش استفاده می‌کند، استفاده کنید. برای مثال اگر به دنبال یک سوال از زبان انگلیسی هستید می‌توانید از مدل‌ بخواهید که فرض کند یک معلم زبان انگلیسی است که می‌خواهد سوال شما را از نظر دانش زبان انگلیسی پاسخ دهد. سعی کنید برای شخصیتی که خلق می‌کنید جزییات به کار ببرید.

به پرامت نظم نگارشی دهید
بخش‌های مختلف پرامت را مشخص کنید. جداکننده‌هایی مثل علامت نقل قول سه‌گانه، تگ‌های XML، عناوین بخش‌ها و غیره می‌توانند به تفکیک بخش‌هایی از متن که باید با شیوه متفاوت بررسی شوند، کمک کنند.

مرحله‌بندی کنید
مراحل لازم برای تکمیل یک وظیفه را مشخص کنید. بعضی وظایف را بهتر است به صورت یک توالی از مراحل مشخص کنید. نوشتن مراحل به صورت صریح می‌تواند پیروی از آن‌ها را برای مدل راحت‌تر کند.

مثال‌ ارائه دهید
با ارائه چند مثال (few-shot)، نحوه پاسخ‌دهی مدل را هدایت کنید. مثال‌ها همیشه می‌توانند نمونه روشن و صریحی برای مدل باشند. برای مثال اگر می‌خواهید بین کلمات یک نوشته یک حرف یا یک شکل اضافه کنید بهتر است که برای چند کلمه این کار را دستی انجام دهید و به عنوان نمونه در اختیار مدل قرار دهید.

طول مورد نظر خروجی را تعیین کنید
می‌توانید از مدل بخواهید خروجی‌هایی با طول مشخص تولید کند. طول خروجی مورد نظر را می‌شود بر حسب تعداد کلمات، جمله‌ها، پاراگراف‌ها، نکات بولت پوینتی و غیره مشخص کرد. با این حال توجه داشته باشید که دستور به مدل برای تولید تعداد مشخصی کلمه با دقت بالا کار نمی‌کند. مدل می‌تواند با اطمینان بیشتری خروجی‌هایی با تعداد مشخصی پاراگراف یا نکات بولت پوینتی تولید کند.

• به مدل فرصت “فکر کردن” دهید

شاید به این مورد برخورده باشید که در برخی از موارد مدل درخواست زمان برای پاسخ می‌کند و این برخلاف تصور برخی از افراد مسئله بدی نیست. درست مثل وقتی که از شما خواسته می‌شود ۱۷ را در ۲۸ ضرب کنید – شاید جواب را فوری ندانید اما با کمی وقت می‌توانید به جواب برسید. مدل‌ها هم وقتی مجبور به پاسخ فوری هستند، خطای استدلال بیشتری دارند. درخواست “زنجیره فکری” قبل از پاسخ می‌تواند به استدلال دقیق‌تر مدل کمک کند.

اگر قصد دارید که از مدل بخواهید در مورد جوابش خوب فکر کند می‌توانید این درخواست‌ها را داشته باشید.

درخواست راه‌حل کنید
گاهی اوقات از پرامپت‌ نتایج بهتری می‌گیریم وقتی به مدل به صورت واضح می‌گوییم قبل از اینکه سریع به نتیجه برسد، از اصول اولیه شروع به استدلال کند. از مدل بخواهید مراحل استدال و نحوه به جواب رسیدن را با شما در میان بگذارد. البته امروزه فیچر reason در چت جی‌پی‌تی و deepthink (R1) در مدل دیپ‌سیک این امکان را در اختیار شما قرار می‌دهند که نحوه استدلال مدل را مشاهده کنید و هر جا که استدلال غلطی مشاهده کردید می‌توانید از مدل بخواهید دوباره این کار را انجام دهد.

صحت‌سنجی کنید
از مدل بپرسید آیا در گذرهای قبلی چیزی را از قلم انداخته است. فرض کنید از یک مدل استفاده می‌کنیم تا گزیده‌هایی از یک منبع را که به یک سوال خاص مرتبط هستند، لیست کند. بعد از لیست کردن هر گزیده، مدل باید تعیین کند آیا باید ادامه دهد یا متوقف شود. اگر منبع بزرگ باشد، معمولاً مدل زودتر متوقف می‌شود و تمام گزیده‌های مرتبط را لیست نمی‌کند. در این حالت، با استفاده از پرسش‌های پیگیری می‌توان عملکرد بهتری از پرامپت‌نویسی به دست آورد تا مطمئن شویم هیچ گزیده مرتبطی از قلم نیفتاده است.

• تست سیستماتیک تغییرات

بهبود عملکرد زمانی راحت‌تر است که بتوانید آن را اندازه‌گیری کنید. گاهی یک تغییر در پرامپت ممکن است روی چند مثال خاص عملکرد خوبی داشته باشد اما در مجموعه بزرگتری از نمونه‌ها به نتایج ضعیف‌تری منجر شود. پس برای اطمینان از مثبت بودن تأثیر تغییرات، تعریف یک مجموعه تست جامع پرامپت‌‌ها ضروری است.

برای این کار می‌توانید پرامپت‌نویسی زیر را دنبال کنید:

جواب را بررسی کنید
خروجی‌های مدل را با مراجعه به پاسخ‌های استاندارد موجود ارزیابی کنید. خروجی‌های مدل را با مراجعه به پاسخ‌های استانداردهای مشخص سنجیده و تغییرات را ارزیابی کنید. برای مثال اگر به دنبال سهم ایران در صادرات نقت هستید باید علاوه بر پاسخ مدل، منابع رسمی را نیز چک کنید تا از صحت اطلاعات مطمئن شوید. 

سایت پرامپت‌نویسی 

برای بهبود مسیر پرامت‌نویسی حرفه‌ای سایت‌های زیادی فعالیت می‌کنند که شما می‌توانید با استفاده از آن‌ها یک پرامت مهندسی شده به مدل‌های هوش مصنوعی دهید و کاملترین جواب را بگیرید. 

این ابزار یک بهینه‌ساز پرامپت است که ایده‌های شما را به دستورات دقیق و بهینه برای مدل‌های هوش مصنوعی مانند ChatGPT، Stable Diffusion، MidJourney، Claude و GPT-4 تبدیل می‌کند. این سیستم با استفاده از الگوریتم‌های پیشرفته، بهترین نتایج را در کمترین زمان ممکن برای شما فراهم می‌کند و به سادگی قابل استفاده است.

DocsBot AI یک ابزار رایگان است که بدون نیاز به ورود، پرامپت‌های بهینه و کاربردی را برای مدل‌هایی مانند ChatGPT، Claude و Gemini ارائه می‌دهد. این پلتفرم با دسته‌بندی‌های متنوع شامل نوشتن و ویرایش، کسب‌وکار، آموزش، فنی، برنامه‌نویسی و خلاقانه، به شما امکان می‌دهد تا به راحتی دستورات مناسبی برای استفاده از هوش مصنوعی ایجاد کنید و یک پرامپت‌نویسی عالی داشته باشید.

WebUtility ابزاری است که به شما کمک می‌کند تا پرامپت‌های دقیق و جامع برای ChatGPT تولید کنید. این سیستم با ارائه گزینه‌های مختلف مانند تحلیل، توضیح و مقایسه، به شما امکان می‌دهد تا پرسش‌های خود را به شکلی ساختارمند تنظیم کنید تا پاسخ‌های بهتری دریافت کنید و پرامپت‌نویسی بهینه‌ای داشته باشید.

AI Mind یک واسط ساده است که با دریافت یک ایده از شما، به صورت خودکار پرامپت‌های بهینه ایجاد می‌کند. این ابزار پرامپت‌نویسی همچنین امکان انتخاب سبک پاسخ (سرگرم‌کننده، حرفه‌ای یا آکادمیک) را به شما می‌دهد تا دستورات مطابق با نیاز و سلیقه خود داشته باشید.

Reliablesoft  یک پرامپت جنراتور رایگان است که برای تولید دستورات متنی با کیفیت بالا با استفاده از مدل‌هایی مانند ChatGPT، Microsoft CoPilot و Google Gemini طراحی شده است. این ابزار با بهره‌گیری از فناوری هوش مصنوعی، به شما کمک می‌کند تا به راحتی و با دقت دستورات مناسبی برای پروژه‌های خود ایجاد کنید.

12,950,000

12,799,000

تومان

پرامپت‌نویسی چت جی‌پی‌تی

پرامت‌نویسی برای چت جی‌پی‌تی مانند دیگر مدل‌ها که تا اینجا به آن اشاره کردیم است و گرفتن بهترین ریسپانس باید مراحلی که تا اینجا به آن اشاره شد را در نظر بگیرید. با این حال OpenAI  در راهنمای خود نکاتی کاربردی برای نوشتن پرامپت‌های موثر ارائه می‌کند که می‌تواند کمک زیادی به گرفتن پاسخ‌های دقیق‌تر و باکیفیت‌تر از مدل‌های هوش مصنوعی کند. یکی از توصیه‌‌های اصلی این است که دستورات همیشه شفاف، دقیق و با جزئیات کافی باشند. مدل ذهن‌خوان نیست و نیاز دارد که شما تمام اطلاعات لازم را برای درک دقیق خواسته‌های خودتان به آن ارائه دهید. اگر سوال پیچیده‌ای دارید، بهتر است آن را به مراحل ساده‌تر تقسیم کنید تا مدل بتواند مرحله به مرحله وظیفه را انجام دهد. 

یکی دیگر از پیشنهادات OpenAI این است که از تکنیک «زنجیره فکری» (Chain of Thought)  استفاده کنید، به این معنی که از مدل بخواهید به جای رسیدن سریع به نتیجه، به اصول و مراحل استدلال خودش فکر کند. این روش به خصوص برای مسائل پیچیده و تحلیلی نتیجه بهتری می‌دهد. همچنین ارائه مثال‌های واضح به مدل برای تعیین قالب و سبک پاسخ‌ها از دیگر تکنیک‌های مهم در پرامپت‌نویسی به شمار میاد.

اهمیت بهینه‌سازی پرامپت‌نویسی به صورت تکراری مورد دیگری است که زیاد به آن اشاره شده است؛ یعنی ممکن است لازم باشد بعد از هر بار گرفتن پاسخ، پرامپت خودتان را بازبینی و اصلاح کنید تا به خروجی مطلوب برسید. در نهایت، استفاده از درخواست‌های ساختاریافته و تعیین قالب مشخص برای پاسخ‌ها مثل بولت پوینت یا قالب جدولی می‌تواند تعاملات شما با مدل را بهینه‌تر کند.

منبع: OpenAI