آیا تا به حال فکر کردهاید چرا برخی افراد از هوش مصنوعی پاسخهای شاهکار میگیرند، در حالی که برخی دیگر فقط جوابهای کلیشهای و معمولی دریافت میکنند؟ تفاوت در “هوشِ” مدل نیست؛ تفاوت در”روش درخواست” شماست.
مدلهای زبانی بزرگ (LLM) شبیه به کارمندان بسیار باهوش اما تازهکاری هستند که هنوز با “قلق” شما آشنا نیستند. اگر ندانید چگونه با آنها صحبت کنید، نتیجه کار متوسط خواهد بود. اما نگران نباشید؛ ما در این مقاله قرار است سه پله اصلی ارتباط با هوش مصنوعی را بررسی کنیم:
- : Zero-Shot بدون مثال
- One-Shot : یک مثال
- :Few-Shot چند مثال
بیایید یاد بگیریم چطور دستیار هوشمند خود را از یک ربات ساده به یک متخصص تمامعیار تبدیل کنیم.
پله اول_ Zero-Shot Prompting: شلیک کور
این سادهترین و رایجترین روش است که ۹۰٪ کاربران از آن استفاده میکنند. در اینجا شما هیچ پیشزمینه یا مثالی به مدل نمیدهید و فقط از او میخواهید کاری را انجام دهد. در این حالت، هوش مصنوعی کاملاً به “دادههای عمومی” که قبلاً یاد گرفته تکیه میکند.
- چه زمانی استفاده کنیم؟ وقتی نیاز به یک پاسخ خلاقانه، عمومی یا مبتنی بر دانش کلی دارید و فرمت خاصی مد نظرتان نیست.
- مثال:
"یک داستان کوتاه درباره سفر به مریخ بنویس." خروجی: (مدل یک داستان معمولی با ساختار استاندارد مینویسد.)
- 🔴نقطه ضعف: شما کنترلی روی لحن، طول متن یا ساختار پاسخ ندارید. ممکن است داستان خیلی غمگین باشد، در حالی که شما یک داستان طنز میخواستید.
پله دوم_ One-Shot Prompting: یک جرقه برای هدایت
در این مرحله، ما یک سطح بالاتر میرویم. با ارائه تنها یک مثال، شما یک “قطبنما” به دست هوش مصنوعی میدهید. همین یک مثال کافی است تا مدل بفهمد “لحن” یا “ساختار” مورد نظر شما چیست.
- مثال کاربردی (ترجمه با حفظ لحن): فرض کنید میخواهید متن انگلیسی را به فارسی ترجمه کنید، اما نه یک ترجمه خشک؛ بلکه یک ترجمه محاورهای.
- مثال:
جملات را به زبان خیلی خودمونی ترجمه کن. مثال: (Hello friend) -> (سلام رفیق!) سوال اصلی: (How are you doing?) ->
نتیجه: هوش مصنوعی با دیدن همان یک مثال میفهمد که نباید بنویسد “حالتان چطور است”، بلکه باید بنویسد: “چطوری؟ رو به راهی؟”
پله سوم _Few-Shot Prompting :مهندسی دقیق
اینجاست که جادو اتفاق میافتد و موضوع اصلی بحث ماست. Few-Shot Prompting یعنی ارائه مجموعهای از مثالها (معمولاً ۲ تا ۵ مورد) برای آموزش یک الگوی خاص به مدل.
به تصویر زیر دقت کنید؛ ورودی شما شامل یک سری مثال است که قبل از سوال اصلی قرار میگیرند تا ذهن مدل را کالیبره کنند:
چرا این روش معجزه میکند؟
وقتی شما چند مثال میزنید، در واقع دارید “قوانین بازی” را بدون کدنویسی به مدل یاد میدهید. این مثالها ۳ چیز را همزمان به مدل دیکته میکنند:
- فرمت خروجی: (آیا جدول میخواهید؟ جیسون؟ لیست؟)
- لحن: (رسمی؟ دوستانه؟ کنایهآمیز؟)
- منطق: (چطور باید فکر کند تا به جواب برسد؟)
Few-Shot Prompting چگونه کار میکند؟
اساس کار، یادگیری «در لحظه» از مثالهایی است که در پرامپت قرار داده میشود. روند آن معمولاً اینگونه است:
- شناسایی الگو
مدل مثالها را بررسی و الگوی ورودی–خروجی را کشف میکند. - تشخیص نوع کار
از روی همین الگو متوجه میشود قرار است چه کاری انجام دهد. - تعمیم
نتیجهگیری میکند چگونه باید برای ورودی جدید پاسخ تولید کند. - تولید پاسخ جدید
مدل روی داده تازه همان الگو را اعمال میکند.
به این فرایند اصطلاحاً In-Context Learning گفته میشود.
بررسی مثالهای کاربردی
بیایید چند سناریوی واقعی را با هم بررسی کنیم و ببینیم چرا Few-Shot در این موارد بیرقیب است.
۱. تحلیل احساسات و تشخیص کنایه (بسیار مهم)
رباتها معمولاً معنی واژهها را میفهمند، اما “لحن پشت واژهها” را نه. مثلاً جمله “چه شاهکاری!” میتواند تحسین باشد یا یک کنایه تلخ. با Few-Shot میتوانیم این را به مدل یاد بدهیم.
به ساختار زیر دقت کنید که چطور با ۳ مثال، هوش مصنوعی را آموزش میدهیم:
📃پرامپت:
نظرات زیر را بخوان و برچسب بزن: "مثبت"، "منفی" یا "کنایهآمیز". مثال ۱: متن: غذا عالی بود، واقعا لذت بردم. برچسب: مثبت ✅ مثال ۲: متن: حیف پولی که دادم، اصلا کیفیت نداشت. برچسب: منفی ❌ مثال ۳ (نکته کلیدی): متن: به به! بعد از دو ساعت تاخیر بالاخره رسید، شاهکار کردید واقعا! برچسب: کنایهآمیز 😏 سوال اصلی (ورودی جدید): متن: دست مریزاد، فکر نمیکردم اینقدر زود برسه. برچسب:
تحلیل استراتژی:
- مثال مثبت و منفی: مدل الگوهای ساده را یاد میگیرد.
- مثال کنایهآمیز : در مثال سوم، ما کلمات مثبت (“به به”، “شاهکار”) را در کنار یک اتفاق منفی (“تاخیر”) قرار دادیم و برچسب “کنایهآمیز” زدیم.
- نتیجه: هوش مصنوعی با دیدن این الگو، یاد میگیرد که اگر ظاهر جمله مثبت بود اما سیاق آن منفی بود، باید آن را به عنوان کنایه تشخیص دهد. بنابراین برای سوال آخر، پاسخ صحیح (کنایهآمیز) را تولید میکند.
2.استخراج دادههای تمیز (JSON Mode)
اگر برنامهنویس باشید، میدانید که گرفتن خروجی تمیز از هوش مصنوعی چقدر سخت است. مدلها دوست دارند توضیحات اضافه بدهند.
📃پرامپت:
توضیحات محصول را بخوان و فقط یک کد JSON شامل برند و مدل بده. اگر مدلی نبود، null بگذار.
ورودی: لپتاپ ایسوس مدل X55.
خروجی: {"brand": "Asus", "model": "X55"}
ورودی: گوشی سامسونگ مشکی رنگ.
خروجی: {"brand": "Samsung", "model": null}
ورودی: مانیتور الجی.
خروجی:
تحلیل استراتژی: در مثال دوم، ما به مدل یاد دادیم که “توهم نزن!”. وقتی مدل محصول مشخص نیست، نباید از خودش چیزی اختراع کند، بلکه باید مقدار null را برگرداند. این یکی از مهمترین تکنیکها برای جلوگیری از خطای مدلهای زبانی است.
3.بازاریابی و کپیرایتینگ (تغییر لحن برند)
فرض کنید میخواهید محتوای خشک و اداری وبسایت را برای استوری اینستاگرام آماده کنید.
📃 پرامپت:
جملات رسمی زیر را به جملات کوتاه، پرانرژی و همراه با ایموجی (مناسب اینستاگرام) تبدیل کن. ورودی: محصول جدید ما دارای پردازنده قوی و باتری با عمر طولانی است. خروجی: با محصول جدیدمون دیگه نگران شارژ نباش! 🚀 سرعت و قدرت تو جیب شماست. 🔋 ورودی: به دلیل استقبال مشتریان، جشنواره تخفیفها تا آخر هفته تمدید شد. خروجی: خبر خوب! 😍 به درخواست شما جشنواره رو تمدید کردیم. فقط تا آخر هفته فرصت داری! 🏃♂️💨 ورودی: لطفا جهت ثبت نام در دوره آموزشی به لینک زیر مراجعه نمایید. خروجی:
تحلیل استراتژی: در اینجا هوش مصنوعی فقط “خلاصه” نمیکند؛ بلکه “ترجمه لحن” انجام میدهد. با دیدن مثالها، میفهمد که باید از کلماتی مثل “خبر خوب”، “فقط” و ایموجیهای مرتبط استفاده کند تا حس هیجان (FOMO) ایجاد کند.
چالشها و بهترین روشها در Few-Shot Prompting
1. انتخاب مثالهای مناسب
مثالها باید دقیقاً با کاری که از مدل انتظار داریم هماهنگ باشند. چند نمونه متنوع کمک میکند مدل الگوی کلی را بفهمد، اما نمونههای مبهم یا غیرمنظم باعث میشوند مدل مسیر اشتباهی را یاد بگیرد.
2.طراحی درست پرامپت
همه مثالها باید با یک قالب مشخص نوشته شوند تا مدل بتواند بهراحتی الگو را تشخیص دهد. گاهی یک توضیح کوتاه قبل از نمایش نمونهها کافی است تا مدل بهتر متوجه هدف کار شود. در کل، ساده نگهداشتن پرامپت همیشه نتیجه بهتری میدهد.
3.جلوگیری از بیشبرازش (Overfitting)
دادن مثالهای زیاد باعث میشود مدل فقط همانها را تقلید کند. چند نمونه محدود اما متفاوت معمولاً کافی است. همچنین بهتر است پرامپت را روی ورودیهای مختلف امتحان کنیم تا از تعمیمپذیری آن مطمئن شویم.
تکنیک پیشرفته: Dynamic Few-Shot
شاید بپرسید: “اگر من ۱۰۰۰ نمونه کار داشته باشم چه؟ نمیتوانم همه را در پرامپت بنویسم.” حق با شماست. مدلها حافظه محدودی دارند.
راه حل، استفاده از انتخاب هوشمند است. در سیستمهای پیشرفته، ما تمام مثالها را در یک دیتابیس ذخیره میکنیم. وقتی کاربر سوالی میپرسد، سیستم به صورت خودکار ۳ مثالی را که بیشترین شباهت را به سوال کاربر دارند پیدا کرده و فقط آنها را در پرامپت قرار میدهد.
شرح تصویر: همانطور که در دیاگرام میبینید، وقتی کاربر در مورد “Cost effective” (مقرون به صرفه بودن) صحبت میکند، سیستم از مخزن داده (Vector Store) مثالهایی را پیدا میکند که درباره قیمت و ارزش خرید هستند، نه مثالهایی که درباره رنگ یا اندازه باشند. این یعنی شخصیسازیِ لحظهای.
تکنیک فوقحرفهای: ترکیب با زنجیره افکار (Chain of Thought)
در مسائل منطقی و ریاضی، فرمول Few-Shot معمولی کافی نیست. شما باید روش حل را هم در مثالها بگنجانید. به فرمول زیر دقت کنید:
فرمول :CoT [سوال] + [استدلال مرحلهبهمرحله] + [جواب نهایی]
مثال مقایسهای:
❌ روش معمولی (فقط جواب):
❓سوال: توپی را رها میکنیم. ۵ متر بالا میرود، ۳ متر پایین میآید. الان کجاست؟ ✏️جواب: ۲ متر. مدل در سوالات پیچیدهتر گیج میشود چون منطق را نمیداند
✅ روش زنجیره افکار (همراه با استدلال):
❓سوال: توپی را رها میکنیم. ۵ متر بالا میرود، ۳ متر پایین میآید. الان کجاست؟ ✏️جواب: توپ ابتدا در نقطه صفر است. ۵ متر بالا میرود (+5). سپس ۳ متر پایین میآید (-3). پس 5 منهای 3 میشود 2. پاسخ نهایی: ۲ متر.
جمعبندی و چکلیست کاربردی
در اصل، مهندسی پرامپت یعنی «واضح حرف زدن». اگر میخواهید مدل دقیقاً همان چیزی را بسازد که در ذهن دارید، باید با نمونهها و توضیحات روشن راه را نشانش بدهید.
چکلیست نهایی:
- تنوع: نمونههای خوب، بد و معمولی را کنار هم قرار دهید.
- چیدمان: ترتیب مثالها را تغییر دهید تا خروجی مدل جهتدار نشود.
- کیفیت: چند مثال دقیق و درست، همیشه بهتر از تعداد زیاد نمونههای بیکیفیت است.
نتیجه گیری
مهندسی پرامپت در واقع مهارت درست حرف زدن با مدل است. تکنیک Few-Shot هم پلی است بین ذهن شما و توان پردازشی هوش مصنوعی. با چند دقیقه زمان گذاشتن و نوشتن چند مثال خوب، میتوانید بعداً کلی در وقت اصلاح و ویرایش نتیجهها صرفهجویی کنید.
دفعه بعد اگر جواب مدل مطابق انتظار نبود، لازم نیست ناراحت شوید؛ کافی است بگویید: «ببین، شبیه این نمونهها بنویس…» تا تصویر درستتری از خواستهتان به دست بیاورد.