مجلهٔ وکر

پرامپت‌نویسی فارسی؛ چطور از ایجنت هوش مصنوعی جواب بهتر بگیریم

پرامپت‌نویسی فارسی برای ایجنت‌ها با چت‌بات فرق دارد؛ شش جزء یک پرامپت دقیق، خطاهای رایج زبان فارسی و یک نمونهٔ عملی از پرامپت مبهم تا خروجی قابل استفاده.

· ۹ دقیقه مطالعه ایجنت هوش مصنوعی هوش مصنوعی فارسی

می‌نویسید «یک گزارش فروش برام درست کن» و چند ثانیه بعد یک متن عمومی تحویل می‌گیرید که هیچ عددی از کسب‌وکار شما در آن نیست. مشکل معمولاً از مدل نیست؛ از این است که درخواست شما آن‌قدر روشن نبوده که بشود اجرایش کرد. وقتی طرف مقابل یک ایجنت است — یعنی سیستمی که قرار است چند مرحله را خودش پیش ببرد و در پایان یک فایل یا خروجی مشخص تحویل بدهد — این ابهام چند برابر گران‌تر تمام می‌شود.

پرامپت‌نویسی فارسی دقیقاً همین فاصله را پر می‌کند. در این راهنما می‌بینید پرامپت برای ایجنت با پرامپت برای چت‌بات چه فرقی دارد، یک پرامپت خوب از چه اجزایی ساخته می‌شود، کدام ویژگی‌های زبان فارسی بیشتر از بقیه دردسر می‌سازند، و چطور می‌شود یک درخواست مبهم را در چند دقیقه به یک دستور اجراپذیر تبدیل کرد.

پرامپت‌نویسی فارسی یعنی چه؟

پرامپت‌نویسی فارسی یعنی نوشتن درخواست به زبان فارسی، به شکلی که مدل یا ایجنت بتواند بدون حدس‌زدن آن را اجرا کند. کلیدواژه همین «بدون حدس‌زدن» است: هر نقطهٔ مبهمی که در متن شما باقی بماند، مدل ناچار است پرش کند و آنچه انتخاب می‌کند معمولاً میانگین چیزی است که پیش‌تر دیده — نه چیزی که شما در ذهن داشتید.

به همین دلیل پرامپت خوب بیشتر شبیه یک بریف کاری است تا یک سؤال. اگر همان درخواست را برای یک همکار تازه‌وارد می‌نوشتید، چه چیزهایی را حتماً توضیح می‌دادید؟ همان‌ها باید در پرامپت باشند. این تفاوت ساده معمولاً بیشتر از عوض‌کردن مدل روی کیفیت خروجی اثر می‌گذارد.

چرا پرامپت برای ایجنت با پرامپت برای چت‌بات فرق دارد؟

یک چت‌بات یک نوبت جواب می‌دهد و شما بلافاصله می‌بینید نتیجه چه شد؛ اگر بد بود، پیام بعدی را اصلاح می‌کنید. یک ایجنت هوش مصنوعی اما برای خودش نقشه می‌کشد، چند مرحله را پشت سر هم اجرا می‌کند و ممکن است بین راه فایل بخواند، جست‌وجو کند یا خروجی بسازد. یعنی اشتباه مرحلهٔ اول تا انتهای کار همراهش می‌ماند و شما تازه در پایان متوجه می‌شوید.

معیارپرامپت برای چت‌باتپرامپت برای ایجنت
واحد کاریک پاسخ متنییک وظیفهٔ چندمرحله‌ای
مشخص‌کردن ورودیاختیاریمعمولاً حیاتی است
قالب خروجیمی‌شود آزاد گذاشتباید صریح تعیین شود
هزینهٔ ابهامیک پاسخ بی‌ربطچند مرحله کار اشتباه و توکن هدررفته
اصلاح مسیردر پیام بعدیبهتر است از ابتدا در پرامپت باشد
معیار پذیرشمعمولاً لازم نیستلازم است

در کارهای بزرگ‌تر که چند ایجنت روی بخش‌های مختلف یک وظیفه کار می‌کنند، این تفاوت پررنگ‌تر هم می‌شود: پرامپت شما در عمل نقش سند تعریف پروژه را بازی می‌کند و هر جای نانوشتهٔ آن، جایی است که ایجنت‌ها ممکن است دو برداشت متفاوت داشته باشند.

یک پرامپت فارسی خوب از چه اجزایی ساخته می‌شود؟

لازم نیست پرامپت طولانی باشد؛ لازم است کامل باشد. شش جزء زیر معمولاً کافی‌اند و اگر هر کدام را حذف کنید، دقیقاً همان‌جا ابهام تولید می‌شود:

  • نقش: ایجنت را در چه جایگاهی می‌خواهید؟ «تحلیلگر فروش» و «کارشناس پشتیبانی» دو لحن و دو نوع دقت متفاوت می‌سازند.
  • هدف: دقیقاً چه چیزی باید تحویل داده شود؟ «بررسی کن» یک هدف نیست؛ «فهرست ده مشتری با بیشترین افت خرید را بساز» هدف است.
  • ورودی: روی کدام فایل، جدول یا لینک کار کند؟ نام فایل را دقیق بنویسید، مثلاً sales-1405-05.xlsx.
  • محدودیت‌ها: چه چیزی ممنوع است و چه چیزی الزامی؟ «فقط از داده‌های همین فایل استفاده کن» و «عدد جدید نساز» دو قید بسیار پرکاربردند.
  • قالب خروجی: جدول، فایل اکسل، متن، یا فهرست؟ اگر ننویسید، ایجنت خودش انتخاب می‌کند.
  • معیار پذیرش: از کجا بفهمیم کار درست انجام شده؟ مثلاً «جمع ستون مبلغ باید با جمع کل فایل یکی باشد».
شش بخش سازندهٔ یک پرامپت فارسی دقیق شامل نقش، هدف، ورودی، محدودیت‌ها، قالب خروجی و معیار پذیرش
شش جزئی که نبودشان بیشترین ابهام را در پرامپت فارسی می‌سازد.

ترتیب این اجزا اهمیت زیادی ندارد، اما یکدست بودنشان اهمیت دارد. اگر یک بار قالب خودتان را بسازید، دفعهٔ بعد فقط ورودی و هدف را عوض می‌کنید و بقیه ثابت می‌ماند.

نمونهٔ عملی؛ از یک پرامپت مبهم تا یک پرامپت اجراپذیر

فرض کنید مدیر فروش هستید و می‌خواهید گزارش ماهانه بگیرید. پرامپت اول این است: «یک گزارش فروش برام درست کن». ایجنت نمی‌داند کدام ماه، داده کجاست، خروجی باید چه شکلی باشد و چه چیزی نشانهٔ درست‌بودن کار است. پس حدس می‌زند و شما یک متن عمومی می‌گیرید.

مقایسهٔ دو پرامپت فارسی؛ سمت راست درخواست مبهم بدون ورودی و قالب و سمت چپ پرامپت دقیق با نقش، فایل ورودی و معیار پذیرش
همان درخواست، یک بار مبهم و یک بار اجراپذیر.

حالا همان درخواست را با شش جزء بالا بازنویسی می‌کنیم:

  • نقش تو تحلیلگر فروش است.
  • فایل sales-1405-05.xlsx را باز کن و فقط از داده‌های همین فایل استفاده کن.
  • گزارش فروش مرداد را بساز: جمع فروش، پنج محصول پرفروش و پنج مشتری با بیشترین افت نسبت به ماه قبل.
  • خروجی را در یک جدول بده و زیرش یک خلاصهٔ حداکثر پنج‌خطی بنویس.
  • عدد جدید نساز؛ اگر داده‌ای ناقص بود، همان‌جا بنویس «داده ناقص است».
  • در پایان بررسی کن جمع ستون مبلغ با جمع کل فایل بخواند.

تفاوت در طول نیست، در تعداد تصمیم‌هایی است که از ایجنت گرفته‌اید و خودتان جواب داده‌اید. اگر این کار را هر ماه تکرار می‌کنید، همین متن را ذخیره کنید و به یک گزارش خودکار دوره‌ای تبدیلش کنید تا هر بار از صفر ننویسید.

کدام ویژگی‌های زبان فارسی پرامپت را خراب می‌کنند؟

بخشی از مشکلاتی که کاربران فارسی‌زبان با آن روبه‌رو می‌شوند ربطی به کیفیت مدل ندارد و از شیوهٔ نوشتن می‌آید. پرتکرارترین‌ها اینهاست:

  • ضمیرهای مبهم: «آن را برای من خلاصه کن» وقتی سه فایل در گفت‌وگو مطرح شده، یعنی ایجنت باید حدس بزند. اسم را تکرار کنید، حتی اگر تکراری به‌نظر برسد.
  • جمله‌های چندمنظوره: یک جملهٔ طولانی که هم‌زمان سه خواسته دارد، معمولاً یکی از آن سه را از دست می‌دهد. هر خواسته یک خط.
  • ی و ک عربی: نویسه‌های عربی به‌جای فارسی جست‌وجو و تطبیق متن را در فایل‌های شما به‌هم می‌ریزند؛ اگر ایجنت قرار است در یک فایل دنبال نامی بگردد، همین یک نویسه می‌تواند نتیجه را صفر کند.
  • تاریخ بدون تقویم: «گزارش ۰۵/۰۳» یعنی چه؟ بنویسید «مرداد ۱۴۰۵» یا صریحاً بگویید تاریخ شمسی است.
  • اعداد دوگانه: اگر در فایل شما اعداد انگلیسی‌اند و در پرامپت فارسی نوشته‌اید، تصریح کنید که هر دو یکی هستند.
  • اصطلاح انگلیسی نصفه‌ونیمه: نوشتن «ریپورت رو اکسپورت کن» معمولاً بدتر از نوشتن صریح «خروجی را در قالب فایل اکسل ذخیره کن» جواب می‌دهد.

قاعدهٔ طلایی: اگر یک همکار تازه‌وارد با خواندن پرامپت شما هنوز مجبور باشد سؤالی بپرسد، ایجنت هم همان سؤال را دارد — با این تفاوت که نمی‌پرسد و حدس می‌زند.

چطور مصرف توکن پرامپت فارسی را کنترل کنیم؟

یک نکتهٔ عملی که کمتر گفته می‌شود: متن فارسی معمولاً به ازای هر کلمه توکن بیشتری نسبت به انگلیسی مصرف می‌کند، چون شیوهٔ تکه‌تکه‌شدن واژه‌ها در مدل‌ها بر پایهٔ متن انگلیسی بهینه شده است. یعنی همان پرامپتی که به انگلیسی کوتاه به‌نظر می‌رسد، در فارسی گران‌تر تمام می‌شود. چند کار ساده این هزینه را پایین می‌آورد:

  • مقدمه‌های تعارف‌آمیز را حذف کنید. «سلام، امیدوارم خوب باشی، اگر ممکن است لطف کنی…» هیچ اطلاعاتی به ایجنت نمی‌دهد.
  • به‌جای چسباندن کل محتوای یک فایل داخل پرامپت، فایل را به ایجنت بدهید و در متن فقط به آن ارجاع بدهید.
  • یک قالب ثابت بسازید و فقط بخش متغیر را هر بار عوض کنید؛ این کار هم توکن و هم زمان بازنویسی را کم می‌کند.
  • خروجی را محدود کنید. «حداکثر پنج خط» یا «فقط جدول» هم کیفیت را بالا می‌برد و هم مصرف را.

اگر می‌خواهید قبل از هر تعهد مالی این الگوها را روی کار واقعی خودتان امتحان کنید، پلن رایگان وکر ۱٬۰۰۰ توکن در هر ساعت می‌دهد و برای شروع نیازی به کارت بانکی ندارد. جزئیات پلن‌ها و مدل اعتباری در صفحهٔ قیمت‌گذاری وکر آمده است.

رایج‌ترین اشتباه‌ها و محدودیت‌ها

  • نوشتن پرامپت بلند به‌جای پرامپت روشن. اضافه‌کردن سه پاراگراف توضیح، ابهام را کم نمی‌کند؛ فقط پرامپت را گران‌تر می‌کند.
  • ندادن معیار پذیرش. بدون آن، شما باید کل خروجی را دستی بازبینی کنید و بخش زیادی از صرفه‌جویی از بین می‌رود.
  • انتظار داده‌ای که ایجنت ندارد. اگر عدد در هیچ فایلی نیست، هیچ پرامپتی آن را نمی‌سازد — و اگر ساخت، همان چیزی است که نباید به گزارش راه پیدا کند.
  • یکسان‌گرفتن پرامپت متن و پرامپت کد. در کارهای فنی باید نام فایل، مسیر و رفتار مورد انتظار را دقیق بنویسید؛ این موضوع را جداگانه در هوش مصنوعی برای برنامه‌نویسی بررسی کرده‌ایم.
  • رها‌کردن پرامپت بعد از اولین موفقیت. پرامپت خوب معمولاً در دور دوم و سوم ساخته می‌شود، نه در دور اول.

پرسش‌های پرتکرار

آیا پرامپت فارسی به‌اندازهٔ انگلیسی جواب می‌دهد؟

برای کارهای رایج کسب‌وکاری بله. تفاوت جدی معمولاً در دقت زبان است نه در توانایی مدل: پرامپت فارسیِ ساختارمند تقریباً همیشه از پرامپت انگلیسیِ مبهم بهتر جواب می‌دهد. اگر ابزار انتخابی‌تان برای فارسی بهینه نشده باشد، تفاوت را در متن خروجی می‌بینید؛ در مقایسهٔ ابزارهای هوش مصنوعی فارسی به این موضوع پرداخته‌ایم.

طول مناسب یک پرامپت چقدر است؟

معیار طول نیست، پوشش است. اگر هر شش جزء بالا در متن هست، پرامپت شما به‌اندازهٔ کافی بلند است — چه پنج خط باشد چه پانزده خط. هر خطی که هیچ‌کدام از آن شش نقش را بازی نمی‌کند، احتمالاً قابل حذف است.

آیا باید به ایجنت بگوییم چطور فکر کند؟

معمولاً نه. توضیح‌دادن مراحل داخلی بیشتر از آنکه کمک کند، ایجنت را محدود می‌کند. چیزی که واقعاً به آن نیاز دارید، تعریف روشن ورودی، خروجی و معیار پذیرش است؛ مسیر رسیدن را خودش بهتر انتخاب می‌کند.

پرامپت را کجا نگه داریم؟

هر جایی که تیم به آن دسترسی داشته باشد. پرامپت‌های تکرارشوندهٔ یک تیم در عمل بخشی از رویهٔ کاری‌اند و بهتر است مثل هر سند دیگری نسخه‌بندی و بازبینی شوند، نه اینکه در گفت‌وگوهای شخصی افراد گم شوند.

جمع‌بندی

پرامپت‌نویسی فارسی مهارت پیچیده‌ای نیست؛ عادت ساده‌ای است که در آن به‌جای پرسیدن، بریف می‌دهید. نقش، هدف، ورودی، محدودیت، قالب خروجی و معیار پذیرش را بنویسید، ضمیرهای مبهم را حذف کنید و خروجی را محدود نگه دارید. همین شش تصمیم، فاصلهٔ بین «یک متن عمومی» و «یک فایل قابل تحویل» را پر می‌کند.

بهترین راه یادگیری، اجرای همان پرامپتی است که همین حالا در ذهن دارید. یکی از کارهای تکراری این هفته‌تان را بردارید، با قالب شش‌جزئی بازنویسی کنید و نتیجه را با نسخهٔ مبهم مقایسه کنید. برای شروع می‌توانید از پلن رایگان وکر استفاده کنید و بدون کارت بانکی اولین پرامپت خود را اجرا کنید.

اولین کار را همین حالا به وکر بسپارید

شروع رایگان — ۱٬۰۰۰ توکن در ساعت، بدون کارت بانکی.

شروع رایگان