بخش زیادی از پاسخ‌های ضعیف، نه از ناتوانی هوش مصنوعی، بلکه از ابهام در درخواست شروع می‌شود. وقتی هدف، مخاطب، محدودیت یا شکل خروجی مشخص نباشد، مدل مجبور است جاهای خالی را حدس بزند و نتیجه ممکن است کلی، طولانی یا نامرتبط باشد.
شناخت اشتباهات رایج هنگام نوشتن پرامپت برای هوش مصنوعی کمک می‌کند قبل از سرزنش ابزار، خود درخواست را اصلاح کنید. در ادامه، خطاهایی را می‌بینید که در کارهای روزمره مثل نوشتن متن، برنامه‌ریزی، آموزش به کودک یا خلاصه‌کردن اطلاعات زیاد تکرار می‌شوند.
اشتباهات رایج در نوشتن پرامپت برای هوش مصنوعی
۱. درخواست خیلی کلی و بدون هدف
جمله‌ای مثل «درباره تغذیه توضیح بده» دامنه بسیار بزرگی دارد. معلوم نیست پاسخ برای چه کسی، با چه سطحی از جزئیات و برای چه کاربردی نوشته شود؛ بنابراین خروجی معمولاً فهرستی عمومی و کم‌فایده خواهد بود.
درخواست را به یک نتیجه مشخص نزدیک کنید: «برای والدین کودکان دبستانی، پنج پیشنهاد ساده برای صبحانه بنویس؛ مواد اولیه در دسترس باشد و هر پیشنهاد در دو جمله توضیح داده شود.»
۲. نگفتن اطلاعات زمینهای
هوش مصنوعی از شرایطی که در ذهن شماست خبر ندارد. اگر از آن بخواهید «یک برنامه مطالعه بنویسد» اما پایه تحصیلی، زمان آزاد، هدف و درس‌های دشوار را نگویید، برنامه‌ای دریافت می‌کنید که شاید با زندگی واقعی شما سازگار نباشد.
زمینه لازم نیست طولانی باشد. معمولاً این چهار مورد کافی است:
- مخاطب یا کاربر نهایی چه کسی است؛
- هدف اصلی چیست؛
- چه منابع، زمان یا محدودیت‌هایی وجود دارد؛
- پاسخ قرار است کجا و چگونه استفاده شود.
۳. ترکیب چند خواسته نامرتبط در یک پیام
گاهی یک پرامپت هم‌زمان می‌خواهد متن تبلیغاتی بنویسد، آن را ترجمه کند، چند ایده تصویری بدهد و خطاهای نگارشی را هم بررسی کند. در این وضعیت، اولویت‌ها روشن نیست و ممکن است هیچ‌کدام از کارها با کیفیت کافی انجام نشود.
کارهای مرتبط را مرحله‌بندی کنید. ابتدا متن خام را بگیرید، سپس در پیام بعدی بخواهید لحن آن اصلاح شود و در مرحله آخر، نسخه کوتاه یا ترجمه را درخواست کنید. این روش پیدا کردن خطا و اصلاح نتیجه را هم آسان‌تر می‌کند.
۴. تعریف نکردن شکل خروجی
«این متن را بهتر کن» مشخص نمیکند بهتر یعنی کوتاه‌تر، رسمی‌تر، صمیمی‌تر یا متقاعدکننده‌تر. اگر قالب خروجی را تعیین نکنید، ممکن است پاسخ در قالبی ارائه شود که استفاده از آن دشوار باشد.
قالب را مستقیم بنویسید: «پاسخ را در سه بخش با تیترهای کوتاه بده»، «یک متن ۱۵۰ کلمه‌ای برای پیام‌رسان بنویس» یا «نتیجه را به شکل چک‌لیست ارائه کن». تعیین تعداد، لحن و ساختار، از توضیحات اضافی مهم‌تر است.
۵. استفاده از واژه‌های مبهم و قابل تفسیر
کلماتی مانند «خوب»، «حرفه‌ای»، «کامل»، «جذاب» و «سریع» برای افراد مختلف معنای یکسانی ندارند. بهتر است معیار قابل مشاهده‌ای برای آن‌ها تعیین کنید.
به‌جای «یک متن جذاب بنویس»، بنویسید: «متن را صمیمی اما غیرمحاوره‌ای بنویس، با یک جمله آغازین روشن و بدون اغراق؛ مخاطب آن والدینی هستند که زمان کمی برای مطالعه دارند.» این توضیح به مدل می‌گوید جذابیت از نظر شما چه شکلی است.
۶. فرض کردن اینکه مدل منظور ناگفته را می‌فهمد
ممکن است شما بدانید «این موضوع» یا «نسخه قبلی» به چه چیزی اشاره دارد، اما در یک گفت‌وگوی تازه، مدل آن اطلاعات را ندارد. ضمیرها و اشاره‌های مبهم، به‌ویژه در درخواست‌های چندبخشی، احتمال پاسخ اشتباه را بالا می‌برند.
نام موضوع یا متن را دوباره ذکر کنید و اگر به پیام قبلی اشاره می‌کنید، بخش موردنظر را کوتاه نقل کنید. این کار از برداشت‌های متفاوت جلوگیری می‌کند و لازم نیست کل سابقه را دوباره توضیح دهید.
۷. نادیده گرفتن محدودیتها
اگر پاسخ برای کودک، شبکه اجتماعی، فرم اداری یا یک ارائه کوتاه آماده می‌شود، محدودیت‌های آن را از ابتدا بگویید. سن مخاطب، تعداد کلمات، سطح زبان، واژه‌های ممنوع و اطلاعاتی که نباید اضافه شوند، همگی روی نتیجه اثر می‌گذارند.
یک نکته مهم این است که محدودیتها را قابل سنجش بنویسید. «کوتاه باشد» ضعیف‌تر از «حداکثر ۸۰ کلمه و در دو پاراگراف باشد» است.
۸. درخواست اطلاعات قطعی در موضوعات حساس
هوش مصنوعی ممکن است پاسخی روان و مطمئن تولید کند، اما روان‌بودن به معنی درست‌بودن نیست. در موضوعات پزشکی، حقوقی، مالی و خبری، از مدل بخواهید موارد نامطمئن را جدا کند و اطلاعات مهم را با منابع معتبر بررسی کنید.
درخواست‌هایی مثل «اگر درباره بخشی مطمئن نیستی، آن را مشخص کن و واقعیت را حدس نزن» می‌تواند احتمال ادعای بی‌پشتوانه را کمتر کند؛ با این حال جای بررسی تخصصی را نمی‌گیرد.
۹. وارد کردن اطلاعات محرمانه برای گرفتن پاسخ بهتر
ارائه جزئیات بیشتر همیشه به معنی ارائه اطلاعات خصوصی بیشتر نیست. نام و شماره تماس، رمزها، اطلاعات بانکی، پرونده پزشکی، قراردادهای محرمانه و مشخصات هویتی را از پرامپت حذف یا ناشناس کنید.
برای مثال، به‌جای بارگذاری یک نامه کاری با نام افراد و شماره پرونده، نامها را به «شخص اول» و «شرکت الف» تغییر دهید. مدل برای اصلاح لحن معمولاً به هویت واقعی افراد نیاز ندارد.
۱۰. نخواستنِ بازبینی و پذیرش اولین پاسخ
اولین خروجی همیشه نسخه نهایی نیست. اگر پاسخ از نظر ترتیب، لحن یا پوشش موضوع مناسب نبود، دقیق بگویید کدام بخش مشکل دارد؛ مثلاً «بند دوم بیش از حد کلی است و باید یک مثال عملی داشته باشد.»
بهتر است به‌جای دستور مبهم «بهترش کن»، معیار بازبینی تعیین کنید: «پاسخ را از نظر تکرار، ادعاهای بدون پشتوانه و تناسب با مخاطب بررسی کن و سپس نسخه اصلاح‌شده را بده.»
چطور یک پرامپت ضعیف را اصلاح کنیم؟
اصلاح پرامپت لازم نیست با نوشتن متن طولانی انجام شود. ابتدا هدف را در یک جمله بنویسید، سپس اطلاعات زمینهای و محدودیتها را اضافه کنید و در پایان شکل خروجی را مشخص کنید.
- هدف: دقیقاً چه کاری باید انجام شود؟
- زمینه: مخاطب، موقعیت و اطلاعات ضروری چیست؟
- معیار: پاسخ خوب از نظر شما چه ویژگی‌هایی دارد؟
- قالب: پاسخ چند کلمه، بند یا مرحله داشته باشد؟
- کنترل: چه چیزهایی نباید حدس زده یا به متن اضافه شود؟
برای نمونه، «برای مهمانی خانوادگی غذا پیشنهاد بده» را میتوان به این شکل دقیقتر کرد: «برای یک مهمانی هشت‌نفره، سه غذای ایرانی پیشنهاد بده که آماده‌سازی آن‌ها از سه ساعت بیشتر نشود، مواد اولیه معمولی داشته باشند و برای هر گزینه زمان تقریبی و یک نکته اجرایی بنویس.»
پیش از ارسال پرامپت این چک‌لیست را مرور کنید
- آیا هدف درخواست در یک جمله روشن است؟
- آیا مخاطب و موقعیت استفاده را گفته‌ام؟
- آیا کلمات مبهم را با معیار مشخص جایگزین کرده‌ام؟
- آیا تعداد کلمات یا قالب خروجی را تعیین کرده‌ام؟
- آیا اطلاعات محرمانه‌ای در متن وجود ندارد؟
- آیا برای اطلاعات حساس، بررسی انسانی و منبع معتبر را در نظر گرفته‌ام؟
جمع‌بندی: بیشتر اشتباهات رایج هنگام نوشتن پرامپت برای هوش مصنوعی به ابهام، کمبود زمینه یا مشخص نبودن خروجی برمی‌گردد. درخواست روشن، مرحله‌بندی کار، معیارهای قابل سنجش و بازبینی پاسخ، کیفیت نتیجه را بهتر می‌کند؛ اما پاسخ نهایی، مخصوصاً در موضوعات حساس، همچنان باید با قضاوت و بررسی انسانی سنجیده شود.
