۳. اسرار پیشرفته تبدیل شدن به استاد پرامپت نویسی

متخصصان prompt engineering هیچ‌وقت به پاسخ اول بسنده نمی‌کنند.
در ادامه، با پنج تکنیک طلایی prompt نویسی در هوش مصنوعی آشنا می‌شویم:

۱. قدرت مثال (Few-Shot Prompting)

اگر فقط یک مثال از خروجی مورد نظرتان به مدل بدهید، دقت پاسخ به‌طرز چشمگیری بالا می‌رود.
مثل این است که به شاگردی الگوی تمرین نشان دهید تا بفهمد چه انتظاری دارید.

فرض کنید در چت‌بات می‌نویسید:

بدون مثال:

«یه جمله درباره دوستی بنویس.»

🔸 خروجی: «دوستی یعنی در کنار هم بودن.»

با مثال:

«مثل این جمله بنویس: “دوستی مثل نوریه که تاریکی رو کم می‌کنه.”

حالا یکی دیگه بساز.»
🔹 خروجی: «دوستی مثل پلیه که دل‌ها رو به هم وصل می‌کنه.»

۲. تفکر زنجیره‌ای (Chain of Thought – CoT)

یک دستور جادویی وجود دارد:
“Think step by step” → «گام‌به‌گام فکر کن»
با این جمله، مدل منطق خود را آشکار می‌کند. برای ریاضیات، تحلیل داده، یا تصمیم‌های استراتژیک عالی است.

فرض کنید می‌نویسید:

«اگر ۶ سیب داری و ۲ تا می‌خوری، چند تا می‌مونه؟ گام‌به‌گام فکر کن.»
🔹 خروجی:
«۶ تا داشتم، ۲ تا خوردم، پس ۴ تا موند.»

۳. واقعیت‌سنجی با RAG (Retrieval Augmented Generation)

مدل‌های زبانی حافظه‌محور هستند، نه پایگاه داده‌ای.
با استفاده از RAG، مدل را به منابع واقعی و به‌روز خود وصل می‌کنید تا اطلاعاتش بر اساس واقعیت‌ها باشد، نه حدس.

بدون RAG:

«مرخصی سالانه چقدره؟»

🔸 جواب: «فکر می‌کنم ۳۰ روز.» (حدس!)

با RAG (اتصال به سند واقعی):

«طبق فایل آیین‌نامه شرکت، مرخصی سالانه ۲۵ روز است.» ✅

۴. لحن اسپارتانی (The Spartan Prompt Style)

پرامپت طولانی = خروجی ضعیف‌تر.
از لحن اسپارتانی یعنی کوتاه، دقیق، کاربردی استفاده کنید.
به‌جای زیاده‌گویی، مستقیماً اصل مطلب را بنویسید.

فیلیپ مقدونی به اسپارتا نوشت: «اگر وارد سرزمینتان شوم، نابودتان می‌کنم.»

اسپارتان‌ها فقط پاسخ دادند: (اگر بتونی!)

از آن روز، لحن اسپارتانی یعنی گفتن بیشترین معنا در کمترین واژه.

غیر اسپارتانی:

سلام، میشه لطفاً یه متن جالب و آموزنده درباره تغذیه سالم برای نوجوان‌ها بنویسی؟ اگه تونستی چند تا نکته هم اضافه کن.

اسپارتانی:

۴ نکته درباره تغذیه سالم نوجوانان بنویس. لحن: ساده و مثبت.

۵. تست آماری (Monte Carlo Approach)

هر دستور را ۲۰ بار امتحان کنید.
اگر ۸۰٪ پاسخ‌ها قابل قبول بودند، آن پرامپت پایدار است.
این رویکرد، مهندسی Prompt را از هنر به علم داده‌محور تبدیل می‌کند.