Prompt Engineering چیست؟
فن طراحی و ساختاردهی ورودی (Prompt) به یک مدل زبانی برای گرفتن دقیقترین و قابلاعتمادترین خروجی ممکن.
چرا مهم است؟
کیفیت خروجی یک مدل زبانی بهشدت به نحوه پرسیدن سؤال وابسته است؛ همان مدل با یک Prompt مبهم میتواند پاسخی سطحی یا نادرست بدهد و با یک Prompt ساختاریافته پاسخی دقیق و قابلاستفاده مستقیم در کد بدهد — بدون تغییر مدل، فقط با تغییر نحوه پرسیدن.
تعریف
Prompt Engineering یعنی طراحی متن ورودی به مدل زبانی (شامل دستورالعمل، مثال، فرمت خروجی موردنظر) بهگونهای که رفتار مدل قابلپیشبینیتر و پاسخ نزدیکتر به نیاز واقعی باشد.
تکنیکهای رایج
- System Prompt: تعیین نقش و محدودیتهای کلی مدل قبل از هر پیام کاربر (مثلاً «تو یک دستیار پشتیبانی فنی فارسیزبان هستی، فقط درباره محصول X پاسخ بده»).
- Few-shot Prompting: دادن چند نمونه ورودی-خروجی درست به مدل قبل از سؤال اصلی، تا الگوی موردنظر را یاد بگیرد.
- Chain-of-Thought: خواستن از مدل برای «فکر کردن قدمبهقدم» قبل از پاسخ نهایی — دقت را در مسائل استدلالی بالا میبرد.
- فرمت خروجی مشخص: درخواست صریح خروجی JSON با Schema مشخص، برای اینکه پاسخ مستقیم در کد قابل Parse باشد.
مثال: Prompt ضعیف در برابر قوی
❌ ضعیف:
«یک ایمیل بنویس»
✅ قوی:
«یک ایمیل رسمی به فارسی برای اطلاعرسانی تأخیر ۲ روزه در تحویل سفارش بنویس.
لحن: محترمانه و مسئولانه. طول: حداکثر ۵ جمله. در پایان یک راه جبران خسارت پیشنهاد بده.»
اشتباه رایج
❌ پرامپت مبهم و بدون محدودیت (مثل «کدی برای این کار بنویس») و امیدواربودن به بهترین نتیجه — بدون مشخصکردن زبان، فریمورک، محدودیتها و فرمت خروجی، مدل مجبور به حدسزدن میشود و نتیجه غیرقابلپیشبینی میشود.
منبع و مطالعه بیشتر
خلاصه
Prompt Engineering یعنی طراحی دقیق ورودی مدل (System Prompt، مثال Few-shot، درخواست فکرکردن قدمبهقدم، فرمت خروجی مشخص) برای گرفتن پاسخ قابلپیشبینیتر، بدون تغییر خود مدل. Promptهای مبهم و بدون محدودیت نتیجه غیرقابلپیشبینی میدهند. مرجع کامل: Azure OpenAI و OpenAI Docs.