نمونهٔ خوب، الگو می‌دهد
وقتی لحن یا قالب مهم است، یک نمونهٔ کوتاه از خروجی مطلوب اضافه کن. نمونه‌ها باید نمایندهٔ کار واقعی باشند؛ چند مثال تقریباً یکسان، استثناها را پوشش نمی‌دهند.
مهندسی پرامپت · از ایده تا دستور روشن
درست درخواست کن.
دقیق ارزیابی کن.
خواستهٔ مبهم را به یک دستور روشن تبدیل کن؛ هدف، داده، محدودیت و شکل خروجی را کنار هم بگذار و قابل‌آزمونش کن.
ساخت اولین پرامپت
چرا این ساخته را امتحان کنی؟
خواسته‌ات را آن‌قدر روشن کن که مدل نتواند اشتباه بفهمد.
پرامپت خوب یک متن زیبا نیست؛ یک مشخصات فنی است: نقش، هدف، ورودی، محدودیت و شکل خروجی. در این کارگاه پرامپت‌های مبهم را قدم‌به‌قدم به دستورهای قابل اجرا تبدیل می‌کنی.
- سازندهٔ پرامپتاجزای یک پرامپت استاندارد را جدا‌جدا بچین و خروجی را مقایسه کن.
- خطاهای رایجببین چرا «یه متن خوب بنویس» جواب نمی‌دهد و چطور اصلاحش کنی.
- چک‌لیست قبل از ارسالمعیارهایی که هر پرامپت باید قبل از اجرا داشته باشد.
دسترسی کامل، رایگان
می‌خواهی بیشتر و متفاوت یاد بگیری؟
اول مشخصات و آدرس ایمیلت را همین‌جا ثبت کن تا دسترسی به این محتوای آموزشی، شبیه‌سازها و بازی‌ها به‌طور کامل برایت باز شود — یک بار برای همهٔ ساخته‌ها.
بدون اسپم؛ فقط خبر ساخته‌ها و دوره‌های تازه. حساب کاربری داری؟ وارد شو
«یه چیز خوب بنویس»
هنوز یک بریف نیست.
مشخص کن چه کاری باید انجام شود، برای چه کسی، با کدام اطلاعات و در چه قالبی. بعد خروجی را با معیاری روشن بسنج. نقش‌دادن به مدل به‌تنهایی جای هدف و داده را نمی‌گیرد.
در این کارگاه یک بریف محتوایی می‌سازی. خروجی قابل کپی است؛ هیچ متن واردشده‌ای به سرور یا سرویس هوش مصنوعی ارسال نمی‌شود.
کارگاه ساخت پرامپت
از یک خواستهٔ مبهم، به یک دستور قابل بررسیپرامپت آمادهٔ تو
هدف را بنویس تا پیش‌نویس شکل بگیرد.
بررسی ساختار، کیفیت پاسخ مدل را تضمین نمی‌کند؛ خروجی را با چند ورودی واقعی آزمایش کن.
یک تغییر، یک مقایسه
پرامپت را روی مجموعه‌ای ثابت از ورودی‌ها امتحان کن. در هر دور یک بخش را تغییر بده و دقت، رعایت محدودیت و قالب را مقایسه کن؛ طول بیشتر پرامپت به‌خودی‌خود موفقیت نیست.
وقتی داده کافی نیست چه بگوییم؟
صریح بنویس که مدل اطلاعات غایب را نسازد و در صورت نیاز سؤال بپرسد. مثلاً برای نوشتن ایمیل، اگر زمان رویداد مشخص نیست باید آن را درخواست کند، نه اینکه تاریخ دلخواه بسازد.
آیا درخواست JSON کافی است؟
درخواست قالب به مدل کمک می‌کند، اما در محصول واقعی خروجی باید اعتبارسنجی شود. کلیدهای لازم، نوع داده و مقادیر مجاز را بررسی کن و برای خروجی نامعتبر مسیر اصلاح داشته باش.
یک تصمیم با تو
برای مطالعهٔ بیشتر: راهنمای مهندسی پرامپت — Anthropic
از یادگیری به اجرا