پرامپت نویسی چیست؟ آموزش کامل نوشتن پرامپت خوب با فرمول، مثال و تکنیکها
از تعریف پرامپت و فرمول ششجزئی تا Few-Shot، زنجیرهٔ پرامپت و رفع اشکال جوابهای ضعیف

از تعریف پرامپت و فرمول ششجزئی تا Few-Shot، زنجیرهٔ پرامپت و رفع اشکال جوابهای ضعیف

دو نفر از یک مدل هوش مصنوعی یک چیز میخواهند: متنی برای معرفی یک محصول. اولی مینویسد «یک متن تبلیغاتی بنویس» و جوابی میگیرد که به درد هیچ برندی نمیخورد. دومی محصول، مخاطب، لحن و طول متن را هم میگوید و متنی میگیرد که با کمی ویرایش قابل انتشار است. مدل هر دو یکی بوده است؛ فرقشان در پرامپت بوده.
پرامپت نویسی مهارتی است که این فاصله را پر میکند. برای یادگرفتنش لازم نیست برنامهنویس باشید یا ترفند مخفی بلد باشید. باید یاد بگیرید خواستهتان را طوری بنویسید که مدل مجبور به حدسزدن نشود. این راهنما از تعریف پرامپت شروع میکند، یک فرمول ساده برای نوشتن پرامپت خوب میدهد و بعد سراغ تکنیکهای پیشرفته، نمونههای آماده و رفع اشکال جوابهای ضعیف میرود.
پرامپت هر چیزی است که به مدل میدهید تا بر اساس آن جواب بسازد: سؤال، دستور، متن، نمونه یا فایل.
بیشتر جوابهای ضعیف از کمبود اطلاعات میآیند. مدل از کار، مخاطب و معیار شما خبر ندارد، مگر اینکه بگویید.
یک پرامپت خوب شش جزء دارد: هدف، زمینه، مخاطب یا نقش، ورودی، قالب خروجی و محدودیتها. همیشه لازم نیست همه را بنویسید.
نشاندادن از توضیحدادن قویتر است. یکی دو نمونه از خروجی دلخواه، اغلب از چند خط توضیح بهتر کار میکند.
کارهای بزرگ را تکهتکه کنید و بهجای یک پرامپت طولانی، چند پرامپت پشت سر هم بنویسید.
پرامپت نویسی کار تکراری است. جواب را ببینید، یک چیز را عوض کنید و دوباره امتحان کنید.
پرامپت ورودی شما به مدل هوش مصنوعی است. میتواند یک سؤال کوتاه باشد، یا یک دستور چندخطی همراه با متن، جدول، عکس و نمونه. مدل از همین ورودی و دانشی که هنگام آموزش به دست آورده، جوابش را میسازد.
پرامپت نویسی یا مهندسی پرامپت (Prompt Engineering) یعنی نوشتن و بهترکردن این ورودی تا جوابی بگیرید که واقعاً به کارتان بیاید. برای کاربر عادی این مهارت بیشتر به معنی روشننوشتن است. برای توسعهدهندهای که مدل را داخل محصولش میگذارد، آزمایش و نگهداری پرامپتها هم به آن اضافه میشود.
تصور کنید کاری را به یک همکار تازهوارد ولی بسیار باهوش میسپارید. او سریع است و چیزهای زیادی میداند، ولی از شرکت، مشتری و سلیقهٔ شما هیچ نمیداند. اگر بگویید «یک گزارش بنویس»، ناچار است حدس بزند. مدل زبانی هم همین وضع را دارد. هرچه کمتر مجبور به حدسزدن شود، نتیجه به خواستهٔ شما نزدیکتر میشود.

لازم نیست هر بار از صفر فکر کنید. وقتی جواب خوبی نمیگیرید، پرامپتتان را با این شش جزء مرور کنید و ببینید کدام جا افتاده است:
| جزء | به چه سؤالی جواب میدهد؟ | نمونه |
|---|---|---|
| هدف | دقیقاً چه کاری باید انجام شود؟ | یک ایمیل عذرخواهی بنویس |
| زمینه | چه چیزی را مدل باید از وضعیت بداند؟ | سفارش مشتری سه روز دیر ارسال شده است |
| مخاطب یا نقش | برای چه کسی و از زبان چه کسی؟ | از طرف مدیر پشتیبانی، برای یک مشتری ناراضی |
| ورودی | روی چه دادهای باید کار کند؟ | متن پیام مشتری که پایین آمده است |
| قالب خروجی | جواب چه شکلی داشته باشد؟ | حداکثر ۱۰۰ کلمه، با یک موضوع ایمیل |
| محدودیتها | چه شرط یا مرزی دارد؟ | لحن رسمی و گرم؛ فقط ۱۰ درصد تخفیف پیشنهاد بده |
این شش جزء در کنار هم یک پرامپت کامل میسازند:
یک ایمیل عذرخواهی برای مشتری ناراضی بنویس. سفارش او سه روز دیر ارسال شده است. ایمیل از طرف مدیر پشتیبانی است و لحنش باید رسمی و گرم باشد. حداکثر ۱۰۰ کلمه بنویس، یک موضوع ایمیل هم پیشنهاد بده و فقط ۱۰ درصد تخفیف برای خرید بعدی پیشنهاد کن. پیام مشتری: «…»
برای یک سؤال ساده مثل «پایتخت استرالیا کجاست؟» این اجزا لازم نیست. هرچه کار پیچیدهتر باشد و سلیقهٔ شما در آن مهمتر، به جزئیات بیشتری نیاز دارید.

| پرامپت ضعیف | چه کم دارد؟ | پرامپت بهتر |
|---|---|---|
| این متن را خلاصه کن. | طول و هدف خلاصه | این گزارش را در ۵ نکته برای مدیری خلاصه کن که فقط میخواهد دربارهٔ بودجه تصمیم بگیرد. |
| برای پیجم ایده بده. | حوزهٔ کار، مخاطب و قالب | من مربی زبان انگلیسی هستم و مخاطبم کارمندان هستند. ۵ ایدهٔ ریلز زیر ۳۰ ثانیه بده؛ برای هر ایده یک جملهٔ شروع هم بنویس. |
| این کد را درست کن. | خطا، رفتار مورد انتظار و محیط | این تابع پایتون باید تاریخهای تکراری را حذف کند، ولی خطای KeyError میدهد. علت را توضیح بده و نسخهٔ اصلاحشده را با کمترین تغییر بنویس. |
| این را ترجمه کن. | مخاطب، لحن و اصطلاحات | این متن را برای کاربران عادی به فارسی روان ترجمه کن. نام محصول را ترجمه نکن و اگر اصطلاحی معادل جاافتاده ندارد، اصل انگلیسی را داخل پرانتز بیاور. |
مدل حرف نگفته را نمیخواند. اگر تحلیل عمیق میخواهید، بگویید عمیق و با چه معیاری. اگر سه گزینه با مزایا و معایب میخواهید، همین را بنویسید. راهنمای Anthropic هم صراحت را اولین توصیهٔ خود قرار داده است.
«کوتاه بنویس» یک دستور است. «کوتاه بنویس، چون این متن در نوتیفیکیشن موبایل نمایش داده میشود» به مدل کمک میکند تصمیمهای بعدی را هم درست بگیرد و مثلاً مهمترین حرف را اول جمله بیاورد.
دستورهای مثبت معمولاً بهتر جواب میدهند. بهجای «از اصطلاحات پیچیده استفاده نکن» بنویسید «طوری بنویس که یک نوجوان ۱۵ ساله بفهمد». اینطوری مدل بهجای پرهیز از یک چیز، هدف روشنی برای نوشتن دارد.
اگر قالب یا لحن خاصی میخواهید، نشانش بدهید. راهنمای Google پیشنهاد میکند در بیشتر پرامپتها نمونه بگذارید و قالب نمونهها یکدست باشد. Anthropic هم توصیه میکند با یک نمونه شروع کنید و فقط در صورت نیاز تعداد را زیاد کنید. نمونههای زیاد هم بیخطر نیستند و ممکن است مدل بیش از حد به آنها بچسبد.
وقتی متن یا دادهای را داخل پرامپت میگذارید، مرزش را مشخص کنید تا مدل آن را با دستور شما اشتباه نگیرد. تیتر، خط جداکننده یا تگهایی مثل <متن> و </متن> برای این کار مناسباند. مستندات OpenAI و Google هم هر دو استفاده از چنین جداکنندههایی را توصیه میکنند.
مدل زبانی تمایل دارد به هر سؤالی جواب بدهد، حتی وقتی اطلاعات کافی ندارد. یک جملهٔ ساده مثل «اگر در متن جوابی پیدا نکردی، بگو پیدا نشد» احتمال جواب ساختگی را کم میکند. دلیل این خطاها را در مطلب چرا مدلهای زبانی بزرگ گاهی اطلاعات اشتباه میدهند؟ توضیح دادهایم.
لازم نیست اولین پرامپت بینقص باشد. یک نسخهٔ ساده بنویسید، جواب را ببینید و فقط چیزی را اضافه کنید که واقعاً کم بوده است. اگر چند چیز را با هم عوض کنید، نمیفهمید کدام تغییر اثر داشته است.
وقتی قاعدههای بالا کافی نبودند، این تکنیکها به کار میآیند. نام تکنیکهای لینکدار به مقالهٔ مفصل همان تکنیک میروند:
| تکنیک | ایدهٔ اصلی | برای چه کاری؟ |
|---|---|---|
| Zero-Shot | فقط دستور، بدون نمونه | کارهای ساده و روشن |
| Few-Shot | چند نمونه از ورودی و خروجی | لحن، قالب و دستهبندی یکدست |
| Chain-of-Thought | استدلال مرحلهبهمرحله | مسئلههای منطقی و محاسبهای |
| Prompt Chaining | تقسیم کار به چند پرامپت پشت سر هم | کارهای چندمرحلهای و طولانی |
| Meta Prompting | از مدل میخواهید پرامپت را طراحی کند | وقتی نمیدانید از کجا شروع کنید |
فرض کنید میخواهید نظر مشتریها را دستهبندی کنید. بهجای توضیح طولانی، چند نمونه بیاورید:
نظر مشتری را در یکی از دستههای «ارسال»، «کیفیت» یا «قیمت» قرار بده. فقط نام دسته را بنویس.
نظر: «بسته یک هفته دیر رسید.» ← ارسال
نظر: «پارچهاش بعد از یک شستشو خراب شد.» ← کیفیت
نظر: «همین مدل جای دیگر ارزانتر بود.» ←
در مسئلههایی که چند قدم استدلال دارند، بنویسید «قدمبهقدم حساب کن و بعد جواب نهایی را جدا بنویس». این کار دقت را در بسیاری از مسئلهها بیشتر میکند و به شما امکان میدهد ببینید اشتباه دقیقاً کجا رخ داده است. مدلهای استدلالی این کار را تا حد زیادی خودشان انجام میدهند؛ تفاوتشان را در راهنمای مدلهای استدلالی توضیح دادهایم.
نوشتن یک مقاله را در یک پرامپت نخواهید. اول طرح کلی بگیرید و تأییدش کنید. بعد هر بخش را جداگانه بنویسید و در آخر از مدل بخواهید کل متن را ویرایش کند. این روش کمی زمان بیشتری میبرد، ولی هر مرحله را میتوانید جداگانه بررسی و اصلاح کنید.

وقتی نمیدانید چه چیزی باید بنویسید، کار را به مدل بسپارید:
میخواهم برای مشتریانم خبرنامهٔ ماهانه بنویسم. قبل از نوشتن، سؤالهایی را که برای یک خبرنامهٔ خوب لازم داری از من بپرس. بعد از جواب من، بهترین پرامپت ممکن را بنویس.
«تو یک وکیل باتجربه هستی» یکی از مشهورترین ترفندهاست. نقش به تعیین لحن و سطح متن کمک میکند، ولی جای اطلاعات را نمیگیرد. Anthropic هم میگوید نقشدادن افراطی در مدلهای امروزی کمتر لازم است. بهجای یک نقش پرطمطراق، بهتر است بگویید جواب برای چه کسی و با چه هدفی است.
این نمونهها را کپی کنید، بخشهای داخل کروشه را با اطلاعات خودتان پر کنید و بعد با سلیقهتان تغییر دهید:
| کار | نمونه پرامپت |
|---|---|
| نوشتن ایمیل | یک ایمیل به [گیرنده] دربارهٔ [موضوع] بنویس. هدفم [هدف] است. لحن [رسمی/دوستانه] باشد و از ۱۲۰ کلمه بیشتر نشود. |
| خلاصهسازی | متن زیر را در [تعداد] نکته برای [مخاطب] خلاصه کن. عددها و تاریخها را حفظ کن. متن: [متن] |
| یادگیری | [مفهوم] را با یک مثال روزمره برای کسی توضیح بده که [سطح آگاهی] دارد. بعد ۳ سؤال بپرس تا ببینم فهمیدهام یا نه. |
| تولید محتوا | برای [مخاطب] دربارهٔ [موضوع] ۵ عنوان پیشنهاد بده. برای هر عنوان یک خط بنویس که چرا مخاطب رویش کلیک میکند. |
| تحلیل داده | این جدول [موضوع] است. سه الگوی مهم را پیدا کن و برای هر کدام یک اقدام پیشنهاد بده. اگر داده برای نتیجهگیری کافی نیست، صریح بگو. |
| برنامهنویسی | به زبان [زبان] تابعی بنویس که [کار] را انجام دهد. ورودی: [ورودی]. خروجی: [خروجی]. حالتهای خاص را مدیریت کن و یک تست ساده هم بنویس. |
| ساخت تصویر | [موضوع اصلی] در [محیط]، با [نور]، به سبک [سبک]، از زاویهٔ [زاویهٔ دوربین]، با نسبت تصویر [نسبت]. |
پرامپت تصویر با پرامپت متن کمی فرق دارد و بیشتر توصیف صحنه است تا دستور. میتوانید نمونهٔ بالا را مستقیم در ابزار ساخت عکس با هوش مصنوعی امتحان کنید. برای دیدن پرامپت در یک کاربرد واقعی هم مطلب ۱۰ روش یادگیری زبان با هوش مصنوعی را ببینید.
اصول پایه در همهٔ مدلها یکسان است، ولی چند تفاوت عملی وجود دارد:
مدلهای استدلالی معمولاً با هدف و معیار موفقیت بهتر کار میکنند و لازم نیست تکتک مراحل را به آنها بگویید. OpenAI در مستنداتش این تفاوت را توضیح داده است.
مدلهای معمولی چت با دستور دقیق و صریح نتیجهٔ بهتری میدهند. راهنمای عملی بیشتر را در چگونه خروجیهای بهتری از GPT-5 بگیریم و راهنمای عملی کار با جمینای آوردهایم.
مدلهای کوچکتر و سریعتر ارزانترند، ولی در کارهای پیچیده بیشتر به نمونه و راهنمایی نیاز دارند.
بهترین راه پیداکردن مدل مناسب، آزمایش است: یک پرامپت را به چند مدل بدهید و جوابها را کنار هم مقایسه کنید. در هوشیار ۲۴ میتوانید این کار را بدون رفتوآمد بین سرویسهای مختلف انجام دهید.
| مشکل | علت احتمالی | راهحل |
|---|---|---|
| جواب کلی و کلیشهای است | زمینه و مخاطب مشخص نیست | بگویید جواب برای چه کسی و چه موقعیتی است |
| جواب خیلی طولانی است | طول تعیین نشده است | تعداد کلمه، جمله یا نکته را مشخص کنید |
| لحن یا قالب درست نیست | مدل نمونهای ندیده است | یک نمونه از متن یا قالب دلخواه بگذارید |
| بخشی از خواستهها فراموش شده است | پرامپت بیش از حد شلوغ است | دستورها را شمارهگذاری کنید یا کار را به چند پرامپت تقسیم کنید |
| اطلاعات ساختگی یا منبع جعلی دارد | مدل اطلاعات کافی نداشته است | متن مرجع را بدهید، اجازهٔ «نمیدانم» بدهید و نتیجه را بررسی کنید |
| جواب هر بار خیلی فرق میکند | دستور باز است یا دمای مدل بالاست | معیار را دقیقتر کنید؛ اگر ابزار اجازه میدهد، دما را پایین بیاورید |
| در گفتوگوی طولانی خراب میشود | زمینه شلوغ شده یا مدل آن را نگه نمیدارد | گفتوگوی تازه شروع کنید و خلاصهٔ کار را بدهید؛ دلیلش را در حافظه در مدلهای زبانی ببینید |
جمعکردن چند کار در یک پرامپت. ترجمه، خلاصه و تحلیل را جدا بخواهید تا هر کدام را بتوانید بررسی کنید.
ناامیدشدن با اولین جواب. بهجای شروع دوباره، در همان گفتوگو بگویید چه چیزی باید تغییر کند.
کپیکردن پرامپتهای طولانی آماده. پرامپتهای معروف اینترنتی معمولاً برای کار شما نوشته نشدهاند. اصل مهم، زمینهٔ خود شماست.
اعتماد بدون بررسی. عدد، نقلقول، منبع و توصیهٔ پزشکی، حقوقی یا مالی را همیشه از منبع معتبر کنترل کنید.
واردکردن اطلاعات حساس. رمز، اطلاعات مشتری و اسناد محرمانه را بدون اطلاع از سیاست سرویس و سازمانتان وارد نکنید.
کاری که میخواهم در یک جملهٔ روشن گفته شده است؟
مدل میداند این جواب برای چه کسی و چه موقعیتی است؟
طول، قالب و لحن خروجی مشخص است؟
متن یا دادهای که باید استفاده شود، از دستور جدا شده است؟
اگر قالب خاصی میخواهم، نمونه دادهام؟
کار آنقدر بزرگ نیست که باید به چند مرحله تقسیم شود؟
مدل اجازه دارد بگوید اطلاعات کافی ندارد؟
پرامپت نویسی بیشتر از ترفند، به شفافیت نیاز دارد. وقتی بدانید چه میخواهید، برای چه کسی و در چه قالبی، بخش بزرگی از کار انجام شده است. از فرمول ششجزئی شروع کنید و وقتی لازم شد سراغ نمونهدادن، استدلال مرحلهای و زنجیرهٔ پرامپت بروید.
یک کار کوچک همین امروز امتحان کنید: آخرین پرامپتی را که نوشتید و جواب خوبی نگرفتید پیدا کنید، با چکلیست بالا بازنویسیاش کنید و دو جواب را کنار هم ببینید.
پرامپت چیست؟
پرامپت هر ورودیای است که به مدل هوش مصنوعی میدهید تا بر اساس آن جواب بسازد؛ از یک سؤال کوتاه تا دستوری چندخطی همراه با متن، جدول، عکس یا نمونه.
پرامپت نویسی را از کجا شروع کنم؟
از فرمول ششجزئی شروع کنید: هدف، زمینه، مخاطب یا نقش، ورودی، قالب خروجی و محدودیتها. برای کارهای ساده همهٔ این اجزا لازم نیست. جواب را ببینید و هر بار فقط چیزی را اضافه کنید که کم بوده است.
برای پرامپت نویسی باید برنامهنویسی بلد باشم؟
نه. برای کاربرد روزمره کافی است خواستهتان را روشن بنویسید. برنامهنویسی فقط وقتی لازم میشود که بخواهید مدل را داخل یک نرمافزار به کار ببرید و پرامپتها را بهصورت خودکار آزمایش کنید.
پرامپت فارسی بنویسم یا انگلیسی؟
برای جواب فارسی، پرامپت فارسی معمولاً کافی و راحتتر است. اگر کیفیت جواب راضیکننده نبود، همان پرامپت را به انگلیسی هم امتحان کنید و دو نتیجه را مقایسه کنید؛ نتیجه به مدل و نوع کار بستگی دارد.
Few-Shot Prompting چیست؟
یعنی چند نمونه از ورودی و خروجی دلخواه را داخل پرامپت بیاورید تا مدل الگو را ببیند. این روش برای یکدستکردن لحن، قالب و دستهبندی بسیار کاربردی است.
چرا هوش مصنوعی با وجود پرامپت خوب هم اشتباه میکند؟
مدل زبانی بر اساس الگوهای آماری جواب میسازد و ممکن است اطلاعات نادرست را با اطمینان بگوید. پرامپت خوب این خطا را کمتر میکند ولی از بین نمیبرد؛ پس عدد، منبع و توصیههای مهم را همیشه بررسی کنید.