Admin: صفحه‌ای تازه حاوی «== پرامپت‌نویسی چیست؟ == '''پرامپت‌نویسی (Prompt Engineering)''' هنر و مهارت نوشتن دستورات (prompt) برای مدل‌های هوش مصنوعی زبانی (مثل ChatGPT، Claude، Gemini) به‌گونه‌ای است که بهترین، دقیق‌ترین و مفیدترین خروجی ممکن را دریافت کنیم. یک پرامپت خوب می‌تواند تفاوت ب...» ایجاد کرد

2026-09-06T07:01:06Z

صفحه‌ای تازه حاوی «== پرامپت‌نویسی چیست؟ == '''پرامپت‌نویسی (Prompt Engineering)''' هنر و مهارت نوشتن دستورات (prompt) برای مدل‌های هوش مصنوعی زبانی (مثل ChatGPT، Claude، Gemini) به‌گونه‌ای است که بهترین، دقیق‌ترین و مفیدترین خروجی ممکن را دریافت کنیم. یک پرامپت خوب می‌تواند تفاوت ب...» ایجاد کرد

صفحهٔ تازه

== پرامپت‌نویسی چیست؟ ==

'''پرامپت‌نویسی (Prompt Engineering)''' هنر و مهارت نوشتن دستورات (prompt) برای مدل‌های هوش مصنوعی زبانی (مثل ChatGPT، Claude، Gemini) به‌گونه‌ای است که بهترین، دقیق‌ترین و مفیدترین خروجی ممکن را دریافت کنیم. یک پرامپت خوب می‌تواند تفاوت بزرگی بین یک پاسخ ضعیف و یک پاسخ عالی ایجاد کند.

== مفاهیم پایه ==

* '''Prompt''': متن یا دستوری که به مدل هوش مصنوعی داده می‌شود.
* '''Context (زمینه)''': اطلاعات پس‌زمینه‌ای که به مدل کمک می‌کند پاسخ دقیق‌تری بدهد.
* '''System Prompt''': دستورالعمل کلی که رفتار و شخصیت مدل را در طول یک گفتگو تعیین می‌کند.
* '''Token''': کوچک‌ترین واحد متنی که مدل پردازش می‌کند (تقریباً معادل بخشی از یک کلمه).
* '''Temperature''': پارامتری که میزان خلاقیت/تصادفی بودن پاسخ مدل را کنترل می‌کند (عدد پایین = دقیق‌تر و قابل‌پیش‌بینی‌تر، عدد بالا = خلاقانه‌تر).
* '''Few-shot Prompting''': دادن چند مثال به مدل قبل از درخواست اصلی تا الگوی پاسخ را یاد بگیرد.
* '''Zero-shot Prompting''': درخواست مستقیم از مدل بدون دادن هیچ مثالی.
* '''Chain of Thought (زنجیرهٔ فکری)''': درخواست از مدل برای فکر کردن قدم‌به‌قدم قبل از رسیدن به پاسخ نهایی.
* '''Hallucination''': وقتی مدل اطلاعات نادرست یا ساختگی را با اعتمادبه‌نفس بیان می‌کند.

== اصول یک پرامپت خوب ==
{| class="wikitable" style="direction:rtl; width:100%;"
|-
! اصل !! توضیح
|-
| وضوح (Clarity) || دقیق و واضح بگویید چه می‌خواهید؛ از ابهام پرهیز کنید.
|-
| زمینه (Context) || اطلاعات لازم (هدف، مخاطب، محدودیت‌ها) را در پرامپت بگنجانید.
|-
| مشخص کردن فرمت خروجی || بگویید پاسخ به چه شکلی باشد (لیست، جدول، کد، مقاله و...).
|-
| تعیین نقش (Role) || از مدل بخواهید نقش خاصی ایفا کند، مثلاً «به‌عنوان یک برنامه‌نویس ارشد پاسخ بده».
|-
| مثال دادن (Examples) || با ارائهٔ یک یا چند نمونه، الگوی موردنظر را روشن‌تر کنید.
|-
| محدودیت طول || اگر پاسخ کوتاه یا بلند می‌خواهید، آن را مشخص کنید (مثلاً «در حد ۲۰۰ کلمه»).
|-
| تکرار و اصلاح (Iteration) || اگر پاسخ اول رضایت‌بخش نبود، پرامپت را اصلاح و دوباره امتحان کنید.
|}

== تکنیک‌های پرامپت‌نویسی ==

=== ۱. تعیین نقش (Role Prompting) ===
به مدل بگویید چه نقشی دارد تا لحن و محتوای پاسخ متناسب شود.

<pre style="direction:rtl; text-align:right;">
مثال: «تو یک متخصص سئو با ۱۰ سال سابقه هستی. یک استراتژی سئو برای یک فروشگاه آنلاین لباس پیشنهاد بده.»
</pre>

=== ۲. زنجیرهٔ فکری (Chain of Thought) ===
از مدل بخواهید مرحله‌به‌مرحله فکر کند، مخصوصاً برای مسائل پیچیده یا محاسباتی.

<pre style="direction:rtl; text-align:right;">
مثال: «این مسئله را قدم‌به‌قدم حل کن و برای هر مرحله توضیح بده که چرا آن کار را انجام می‌دهی.»
</pre>

=== ۳. Few-shot Prompting ===
چند مثال از الگوی موردنظر بده تا مدل سبک پاسخ را یاد بگیرد.

<pre style="direction:rtl; text-align:right;">
مثال:
ورودی: خوشحالم
خروجی: مثبت

ورودی: از این وضعیت خسته شدم
خروجی: منفی

ورودی: هوا امروز عالیه
خروجی: ؟
</pre>

=== ۴. مشخص کردن فرمت خروجی ===
<pre style="direction:rtl; text-align:right;">
مثال: «پاسخ را به‌صورت جدول با سه ستون (نام، مزیت، معایب) بنویس.»
</pre>

=== ۵. محدود کردن دامنهٔ پاسخ ===
<pre style="direction:rtl; text-align:right;">
مثال: «فقط بر اساس اطلاعاتی که در متن زیر داده شده پاسخ بده و از دانش عمومی استفاده نکن.»
</pre>

=== ۶. درخواست خودارزیابی (Self-critique) ===
<pre style="direction:rtl; text-align:right;">
مثال: «پاسخ را بنویس، سپس آن را نقد کن و نسخهٔ بهتری ارائه بده.»
</pre>

== ساختار پیشنهادی یک پرامپت کامل ==
{| class="wikitable" style="direction:rtl; width:100%;"
|-
! بخش !! توضیح
|-
| نقش || مدل چه کسی/چه چیزی باشد
|-
| هدف || چه کاری باید انجام شود
|-
| زمینه || اطلاعات پس‌زمینه‌ای لازم
|-
| محدودیت‌ها || چه چیزهایی نباید انجام شود یا چه محدودیت‌هایی وجود دارد
|-
| فرمت خروجی || شکل نهایی پاسخ (لیست، جدول، کد و...)
|-
| مثال (اختیاری) || یک یا چند نمونه برای روشن‌تر شدن انتظار
|}

نمونهٔ کامل با این ساختار:
<pre style="direction:rtl; text-align:right;">
تو یک مربی تناسب‌اندام حرفه‌ای هستی (نقش).
یک برنامهٔ تمرینی ۳ روزه برای یک فرد مبتدی که فقط دمبل در خانه دارد طراحی کن (هدف).
فرد ۲۵ سال دارد و هدفش افزایش حجم عضلانی است (زمینه).
از تمرینات پرخطر یا نیازمند دستگاه باشگاه استفاده نکن (محدودیت).
خروجی را به‌صورت جدول با ستون‌های روز، حرکت، تعداد ست و تکرار بنویس (فرمت خروجی).
</pre>

== اشتباهات رایج ==
{| class="wikitable" style="direction:rtl; width:100%;"
|-
! اشتباه !! راه‌حل
|-
| پرامپت مبهم و کلی || جزئیات و هدف مشخص را اضافه کنید
|-
| ندادن زمینهٔ کافی || اطلاعات لازم (مخاطب، هدف، سبک) را در پرامپت بگنجانید
|-
| درخواست چند کار متفاوت در یک پرامپت || وظایف را تفکیک کرده و مرحله‌به‌مرحله درخواست دهید
|-
| اعتماد کورکورانه به خروجی || همیشه پاسخ‌های مهم (مخصوصاً اطلاعات فنی یا آماری) را راستی‌آزمایی کنید
|-
| عدم اصلاح پرامپت بعد از پاسخ ضعیف || پرامپت را با جزئیات بیشتر یا مثال بازنویسی و دوباره امتحان کنید
|}

== نکات و بهترین شیوه‌ها ==

* پرامپت را مثل صحبت با یک همکار باهوش ولی بدون اطلاعات زمینه‌ای بنویسید؛ هرچه بیشتر و دقیق‌تر توضیح دهید، پاسخ بهتری می‌گیرید.
* برای وظایف پیچیده، پرامپت را به چند مرحلهٔ کوچک‌تر بشکنید.
* از علامت‌های واضح (مثل شماره‌گذاری، خط تیره، یا برچسب‌های XML) برای جدا کردن بخش‌های مختلف پرامپت استفاده کنید.
* همیشه خروجی مدل را بازبینی و در صورت نیاز پرامپت را اصلاح کنید (Prompt Iteration).
* برای کارهای تکراری، پرامپت‌های موفق خود را ذخیره و به‌عنوان الگو (Template) دوباره استفاده کنید.

Prompt Engineering - تاریخچهٔ نسخه‌ها