کتاب هنر پرامپت‌نویسی با کلود

آیا تا به حال احساس کرده‌اید که با یکی از هوشمندترین موجودات دیجیتال جهان در حال گفتگو هستید، اما پاسخ‌های او هرگز آن چیزی نیست که در ذهن دارید؟ مشکل از هوش مصنوعی نیست؛ مشکل در هنر بیان شماست. کتاب «هنر پرامپت‌نویسی با کلود» (The Art of Prompt Engineering with Claude)، راهنمایی جامع برای تبدیل شدن از یک کاربر معمولی به یک استاد فرماندهی است. این اثر، که حاصل همکاری میان کیوان خسروی (Keyvan Khosravi) و ChatGPT است، به شما می‌آموزد که چگونه با استفاده از کلمات، از تمام پتانسیل‌های پنهان کلود برای خلق شاهکارها بهره ببرید.

🟩 هوش مصنوعی مانند یک موتور فوق‌پیشرفته است، اما پرامپت یا همان دستور شما، حکم فرمان و جهت حرکت را دارد. بدون یک دستور دقیق، حتی قدرتمندترین مدل‌های زبانی نیز در دریای احتمالات سرگردان می‌مانند. در این کتاب، ما به شما نشان می‌دهیم که چگونه از سطح سوالات ساده فراتر رفته و با استفاده از ساختارهای مهندسی‌شده، خروجی‌هایی دقیق، منطقی و خیره‌کننده دریافت کنید. این کتاب قرار نیست فقط به شما یاد بدهد که «چه بگویید»، بلکه به شما می‌آموزد که «چگونه بگویید».

🟧 ما در این مسیر، از پیچیده‌ترین تکنیک‌های جهانی مانند زنجیره تفکر، مدیریت کانتکست و استفاده از تگ‌های ساختاری عبور خواهیم کرد تا به شما نشان دهیم قدرت واقعی کلمات کجاست. هر فصل از این کتاب، ابزاری است که در اختیار شما قرار می‌گیرد تا بتوانید از کلود برای پروژه‌های عظیم، از برنامه‌نویسی گرفته تا تحلیل‌های پیچیده و نویسندگی خلاق، به شکلی بی‌نقص استفاده کنید.

🟪 هدف ما خلق یک تغییر بنیادین در نحوه تعامل شما با دنیای دیجیتال است. ما می‌خواهیم شما را از مرحله‌ی «امیدوار بودن به پاسخ خوب» به مرحله‌ی «اطمینان از دریافت بهترین پاسخ» برسانیم. این کتاب، پلی است میان تخیل انسان و توانایی بی‌مرز هوش مصنوعی.

🟥 آماده باشید تا زبان جدید خود را بیاموزید. این دیگر یک چت ساده نیست؛ این شروع یک همکاری استراتژیک میان شما و یکی از پیشروترین ابزارهای هوش مصنوعی جهان است. بیایید این هنر را با هم شروع کنیم.

رمزگشایی از ذهن کلود

(Decoding Claude’s Mind)

🧠 هوش مصنوعی کلود یک موتور جستجو یا بانک اطلاعاتی متصل به حافظه ثابت نیست. زمانی که شما با این مدل تعامل می‌کنید، در واقع در حال گفتگو با یک مدل زبانی بزرگ هستید که بر اساس احتمالات آماری، کلمه بعدی را در یک زنجیره پیش‌بینی می‌کند. درک این موضوع اولین قدم برای مهندسی پرامپت است. شما نباید به دنبال پاسخ‌های خشک و کتابخانه‌ای باشید، بلکه باید کلود را به عنوان یک همکار فوق‌العاده باهوش تصور کنید که تمام دانش بشری را در حافظه خود دارد، اما همچنان برای درک دقیق نیاز شما، به راهنمایی‌های صریح و روشن نیاز دارد. تصور کنید در حال آموزش دادن به یک دستیار بسیار توانا هستید که در عین هوشمندی، هیچ پیش‌فرض ذهنی درباره هدف نهایی شما ندارد.

🛡️ یکی از ویژگی‌های متمایز کلود که آن را از سایر مدل‌های زبانی جدا می‌کند، بنیاد اخلاقی آن است که با عنوان هوش مصنوعی قانونمند شناخته می‌شود. شرکت Anthropic مجموعه‌ای از قوانین ایمنی و اخلاقی را در طراحی مدل لحاظ کرده است که کلود را وادار می‌کند تا هنگام پاسخ‌دهی، همواره به دنبال مفید بودن، صادق بودن و بی‌ضرر بودن باشد. این لایه امنیتی باعث می‌شود که کلود در برابر درخواست‌های مخرب یا غیراخلاقی مقاومت کند و در عین حال، سبک پاسخ‌دهی مودبانه‌تر و سنجیده‌تری داشته باشد. دانستن این نکته به شما کمک می‌کند تا پرامپت‌های خود را به گونه‌ای بنویسید که با این ساختار ایمنی همخوانی داشته باشند و مدل را در مسیر درست هدایت کنید.

🎯 برای رسیدن به بهترین نتیجه، باید رویکرد خود را از پرسشگری به سمت دستوردهی تغییر دهید. در تعامل با کلود، آنچه اهمیت دارد ارائه جزئیات کافی و مشخص کردن هدف نهایی است. برخلاف موتورهای جستجو که تنها با کلمات کلیدی کار می‌کنند، کلود به بافتار یا همان زمینه(context) نیاز دارد. هرچه شما دقیق‌تر بیان کنید که این پاسخ برای چه کسی است، با چه لحنی باید ارائه شود و چه محدودیت‌هایی دارد، کیفیت خروجی به صورت تصاعدی افزایش می‌یابد. هوش مصنوعی کلود در درک ساختارهای پیچیده و دستورالعمل‌های طولانی عملکردی فوق‌العاده دارد، مشروط بر اینکه شما به عنوان مهندس پرامپت، این ساختار را به درستی برای او ترسیم کنید.

🚀 این فصل صرفاً آغازی بر درک دنیای کلود است. رمزگشایی از ذهن این مدل به معنای پذیرش این حقیقت است که کلود، آینه‌ای از دستورات شماست. اگر دستوری مبهم و شتاب‌زده ارسال کنید، پاسخی مبهم و بی‌هدف دریافت خواهید کرد. اما اگر زمان بگذارید و ساختار ذهنی این مدل را درک کنید، متوجه خواهید شد که می‌توانید هر مسئله پیچیده‌ای را به اجزای کوچک‌تر تقسیم کرده و کلود را به عنوان دستیار هوشمند خود در حل آن‌ها به کار بگیرید. از همین لحظه به بعد، به جای اینکه از کلود بپرسید چه چیزی می‌داند، به او دستور دهید که چگونه باید برای شما فکر کند و خروجی بسازد.

معماری یک پرامپت بی‌نقص

(The Anatomy of a Perfect Prompt)

🏗️ یک پرامپت حرفه‌ای، برخلاف یک سوال معمولی، دارای اجزای ساختاری مشخصی است که هر کدام وظیفه‌ای ویژه در هدایت مدل دارند. اگر بخواهیم یک پرامپت را مانند یک ساختمان تصور کنیم، ما به ستون‌هایی نیاز داریم تا آن را نگه دارند. این اجزا معمولاً شامل چهار بخش اصلی هستند: نقش، وظیفه، بافتار و محدودیت‌ها. وقتی شما فقط می‌گویید «یک مقاله بنویس»، در واقع فقط یک وظیفه را بیان کرده‌اید و بخش‌های حیاتی دیگر را رها کرده‌اید. اما وقتی می‌گویید «به عنوان یک متخصص بازاریابی (نقش)، یک مقاله درباره مزایای هوش مصنوعی (وظیفه) برای مدیران شرکت‌های بزرگ (بافتار) بنویس که کمتر از ۵۰۰ کلمه باشد و لحنی رسمی داشته باشد (محدودیت)»، شما در واقع یک معماری مهندسی‌شده را پیش روی کلود قرار داده‌اید.

🎭 اولین و مهم‌ترین ستون، تعیین نقش یا همان پرسونا است. تعیین نقش به کلود دستور می‌دهد که از کدام دایره لغت، کدام سطح از دانش و کدام سبک تفکر استفاده کند. وقتی به کلود می‌گویید «تو یک ویراستار ارشد کتاب هستی»، او ناخودآگاه از استانداردهای سخت‌گیرانه نگارشی استفاده می‌کند؛ اما اگر بگویید «تو یک دوست صمیمی هستی»، لحن او به سمت سادگی و صمیمیت می‌رود. تعیین نقش، فضای احتمالات را برای هوش مصنوعی محدود می‌کند و باعث می‌شود خروجی از حالت عمومی خارج شده و به سمت تخصصی شدن حرکت کند. این کار باعث می‌شود کلود به‌جای اینکه یک پاسخ همه‌جانبه و سطحی بدهد، در عمق موضوعی که شما تعیین کرده‌اید غرق شود.

📖 بخش دوم، وظیفه یا همان تسک(Task)، قلب تپنده پرامپت شماست. وظیفه باید با استفاده از افعال عملیاتی و دقیق تعریف شود. به جای استفاده از عبارات مبهم مثل «درباره این موضوع بنویس»، بهتر است از افعالی مثل «تحلیل کن»، «خلاصه‌سازی کن»، «مقایسه کن» یا «بازنویسی کن» استفاده کنید. هرچه فعل شما مشخص‌تر باشد، مسیر پردازش در ذهن کلود هم مستقیم‌تر خواهد بود. دقت کنید که وظیفه نباید با بافتار یا نقش ترکیب شود؛ وظیفه باید دقیقاً مشخص کند که خروجی نهایی قرار است چه شکلی باشد. هدف این است که کلود در لحظه شروع پردازش، دقیقاً بداند که نقطه پایان این فعالیت کجاست.

🖼️ بافتار یا کانتکست، همان بستری است که وظیفه در آن انجام می‌شود. بافتار شامل تمام اطلاعات تکمیلی است که برای درک بهتر موقعیت نیاز است. این بخش می‌تواند شامل مخاطب هدف، هدف از تولید محتوا، پیش‌زمینه تاریخی یک موضوع یا حتی نمونه‌هایی از سبک‌های قبلی باشد. بدون بافتار، کلود در خلاء عمل می‌کند و مجبور است بر اساس حدس و گمان خود، آنچه را که فکر می‌کند شما می‌خواهید، حدس بزند. با ارائه بافتار دقیق، شما به کلود کمک می‌کنید تا پاسخ خود را با دنیای واقعی و نیازهای خاص شما همسو کند. بافتار قوی، فاصله میان یک پاسخ «درست» و یک پاسخ «مفید» را پر می‌کند.

🚧 در نهایت، محدودیت‌ها یا همان قوانین بازی، بخش حیاتی برای کنترل کیفیت هستند. محدودیت‌ها همان چیزی هستند که از اشتباهات رایج جلوگیری می‌کنند. این بخش می‌تواند شامل تعداد کلمات، فرمت خروجی (مثلاً جدول، لیست یا کد)، زبان مورد نظر، یا حتی کلماتی باشد که نباید استفاده شوند. تعیین محدودیت‌ها به کلود کمک می‌کند تا از پرت شدن از مسیر اصلی جلوگیری کند و خروجی را دقیقاً در قالبی که برای استفاده شما مناسب است، ارائه دهد. یک پرامپت بدون محدودیت، مانند یک رودخانه بدون ساحل است که در همه جا پخش می‌شود و هیچ قدرت و جهت مشخصی ندارد؛ محدودیت‌ها همان ساحل‌هایی هستند که انرژی و تمرکز خروجی را هدایت می‌کنند.

(در بیشتر مدل‌های زبانی پیشرفته مانند کلود، چت‌جی‌پی‌تی و جمنای، ساختار چهار بخشی پرامپت‌نویسی یعنی نقش، وظیفه، بافتار و محدودیت‌ها کاملا کاربرد دارد و در همه آن‌ها به بهتر شدن خروجی کمک می‌کند. بنابراین این الگو فقط مخصوص کلود نیست و می‌توان از آن برای کار با بیشتر ابزارهای هوش مصنوعی استفاده کرد.

شباهت اصلی این مدل‌ها در این است که هر سه با دستور روشن، دقیق و ساختارمند بهتر کار می‌کنند. وقتی به مدل می‌گویید در چه نقشی پاسخ دهد، چه کاری انجام دهد، چه اطلاعات زمینه‌ای را در نظر بگیرد و چه محدودیت‌هایی را رعایت کند، پاسخ آن منظم‌تر، دقیق‌تر و قابل‌اعتمادتر می‌شود.

تفاوت اصلی آن‌ها بیشتر در میزان حساسیت به هر بخش است. کلود معمولا به نقش، لحن و چارچوب رفتاری توجه زیادی نشان می‌دهد و اگر از ابتدا شخصیت و شیوه پاسخگویی آن را دقیق مشخص کنید، پاسخ‌های پایدارتری می‌دهد. چت‌جی‌پی‌تی در اجرای وظیفه‌های مرحله‌به‌مرحله و تبدیل دستور به خروجی عملی بسیار قوی است و برای تولید متن، تحلیل، برنامه‌ریزی و بازنویسی کاربرد زیادی دارد. جمنای نیز زمانی بهتر عمل می‌کند که بافتار کامل‌تر، داده‌های زمینه‌ای و هدف نهایی کار را به‌روشنی دریافت کند.

در نتیجه، این چهار بخش برای همه این مدل‌ها یک پایه مشترک و مفید هستند؛ اما در استفاده عملی بهتر است برای کلود روی نقش و لحن، برای چت‌جی‌پی‌تی روی شرح دقیق وظیفه و مراحل انجام کار، و برای جمنای روی توضیح کامل بافتار و هدف نهایی تاکید بیشتری داشته باشید.)

جادوی نقش‌سازی؛ کلود در لباس متخصص

(The Magic of Persona: Claude in Disguise)

🎭 یکی از بزرگ‌ترین اشتباهات کاربران در تعامل با هوش مصنوعی، برخورد با آن به عنوان یک ماشین پاسخگو است. اگر شما از کلود بخواهید صرفاً یک متن بنویسد، او از میان میلیاردها الگوی موجود در حافظه خود، عمومی‌ترین الگو را انتخاب می‌کند. اما اگر بخواهید از او بخواهید در نقش یک شخصیت یا متخصص عمل کند، شما در واقع در حال تغییر دادن مسیر احتمالات او هستید. نقش‌سازی یا پرسونا، به کلود اجازه می‌دهد تا از لایه سطحی دانش خود فراتر برود و وارد لایه‌های تخصصی و عمیق‌تری از داده‌ها شود. این کار باعث می‌شود لحن، دایره لغت، سطح تحلیل و حتی نگاه انتقادی او، دقیقاً با آنچه شما نیاز دارید، همسو شود.

👨‍🏫 برای درک بهتر این قدرت، تفاوت میان دو دستور ساده را در نظر بگیرید. در دستور اول می‌گویید: «درباره بازاریابی دیجیتال توضیح بده». در این حالت، کلود مانند یک دانشنامه عمل می‌کند و اطلاعاتی عمومی، شاید کمی خسته‌کننده و بدون جهت‌گیری خاص، به شما ارائه می‌دهد. اما اگر دستور خود را تغییر دهید و بگویید: «به عنوان یک مدیر استراتژیک بازاریابی با ۲۰ سال تجربه در شرکت‌های بزرگ تکنولوژی، مزایای بازاریابی دیجیتال را برای سرمایه‌گذاران تحلیل کن»، او از تمام دانش تخصصی خود برای انتخاب واژگان سنگین، تمرکز بر بازگشت سرمایه و ارائه دیدگاهی تحلیلی استفاده می‌کند. در واقع، شما با تعیین نقش، فیلترهای ذهنی کلود را تنظیم کرده‌اید تا فقط اطلاعاتی را بازتولید کند که یک متخصص در آن موقعیت ارائه می‌دهد.

🧠 نقش‌سازی فقط مربوط به انتخاب یک عنوان نیست، بلکه مربوط به تعیین جهان‌بینی است. وقتی به کلود می‌گویید «تو یک منتقد ادبی سخت‌گیر هستی»، او نه تنها متن را می‌خواند، بلکه به دنبال نقاط ضعف، ابهام در روایت و ضعف‌های ساختاری می‌گردد. اما اگر بگویید «تو یک مشاور نویسنده هستی که می‌خواهد به نویسنده کمک کند تا داستانش را بهتر روایت کند»، لحن او از انتقاد به سمت راهنمایی و همدلی تغییر می‌کند. این یعنی با تعیین نقش، شما در واقع دارید تعیین می‌کنید که کلود از چه زاویه‌ای به مسئله نگاه کند. این زاویه دید، تعیین‌کننده کیفیت نهایی و عمق تحلیل ارائه شده است.

🛠️ برای استفاده حرفه‌ای از این تکنیک، باید از عبارات توصیفی غنی استفاده کنید. به جای اینکه فقط بگویید «تو یک پزشک هستی»، بگویید «تو یک متخصص گوارش با رویکردی ساده‌ساز هستی که برای بیماران سالمند توضیح می‌دهد». این دقت در توصیف نقش، باعث می‌شود کلود نه تنها تخصص، بلکه سطح دانش و حتی سبک ارتباطی مورد نظر شما را هم به درستی درک کند. هرچه نقش شما پرجزئیات‌تر باشد، لایه‌های بیهوده و عمومی در پاسخ‌های او کمتر خواهد بود و شما مستقیم‌تر به هسته اصلی نیاز خود می‌رسید.

🎯 در نهایت، باید بدانید که نقش‌سازی ابزاری برای کنترل خروجی است. شما با این کار، مسئولیت تعیین استاندارد را از دوش خود برمی‌دارید و آن را به مدل می‌سپارید. با تعریف دقیق شخصیت، شما به کلود اجازه می‌دهید تا از یک ابزار عمومی، به یک دستیار تخصصی تبدیل شود که دقیقاً می‌داند در چه جایگاهی ایستاده است. این کار نه تنها کیفیت پاسخ را بالا می‌برد، بلکه از هدر رفتن زمان شما برای اصلاح پاسخ‌های سطحی جلوگیری می‌کند. با تسلط بر هنر نقش‌سازی، شما یاد می‌گیرید که چگونه با هر بار ارسال یک پرامپت، یک متخصص جدید را به استخدام خود درآورید.

دقت در جزئیات؛ هنر محدود کردن

(The Art of Constraint: Precision through Limits)

🚧 در دنیای هوش مصنوعی، بزرگترین اشتباه این است که به مدل آزادی عمل مطلق بدهید. وقتی شما به کلود می‌گویید «درباره کسب‌ و کار بنویس»، او با دنیایی از احتمالات بی‌پایان روبرو می‌شود و احتمال اینکه خروجی او دقیقاً مطابق با سلیقه شما باشد، بسیار کم است. هنر محدود کردن، در واقع همان مهار کردن این احتمالات بی‌نظم و جهت‌دهی به آن‌ها در مسیر دلخواه شماست. محدودیت‌ها، دیواره‌های یک کانال هستند که باعث می‌شوند جریان فکر هوش مصنوعی متمرکز شده و با قدرت و دقت بیشتری به سمت مقصد حرکت کند. هر چه پرامپت شما محدودیت‌های دقیق‌تری داشته باشد، احتمال دریافت پاسخ‌های پرت، حاشیه‌ای یا نامربوط کاهش می‌یابد.

📏 نخستین سطح محدودیت، شکل و قالب خروجی است. هوش مصنوعی معمولا تمایل دارد پاسخی طولانی و آزاد ارائه کند، مگر اینکه شما از ابتدا قالب مشخصی برای او تعیین کنید. اگر قصد مقایسه چند مورد را دارید، کافی است دستور دهید «پاسخ را فقط در قالب یک جدول چهارستونه ارائه کن». اگر به خروجی کوتاه و فشرده نیاز دارید، بگویید «از فهرست بولت‌دار استفاده کن و برای هر مورد تنها یک جمله بنویس». با تعیین قالب، شما مدل را از پرداختن به حاشیه‌ها دور می‌کنید و آن را وادار می‌سازید انرژی خود را مستقیما صرف تولید محتوای دقیق و ارزشمند کند. قالب‌بندی روشن و سخت‌گیرانه، خوانایی و کارایی پاسخ را به‌صورت چشمگیری افزایش می‌دهد.

🚫 دومین سطح محدودیت، خطوط قرمز یا همان «ممنوعیت‌ها» هستند. در پرامپت‌نویسی حرفه‌ای، همان‌قدر که گفتن «چه چیزی بنویس» مهم است، گفتن «چه چیزی ننویس» هم اهمیت دارد. مثلاً اگر در حال نوشتن یک مقاله علمی هستید، به کلود بگویید «از به کار بردن اصطلاحات پیچیده و تخصصی خودداری کن» یا «از ذکر مقدمه‌های طولانی و کلیشه‌ای اجتناب کن». این دستورات به ظاهر ساده، مانند یک صافی عمل می‌کنند و پاسخ نهایی را از شر جملات اضافه، مقدمه‌چینی‌های بیهوده و لحن‌های نامناسب پاکسازی می‌کنند. این محدودیت‌ها باعث می‌شوند خروجی، دقیقاً همان چیزی باشد که نیاز دارید، بدون نیاز به ویرایش‌های سنگین بعدی.

🎯 سومین سطح محدودیت، حجم و طول پاسخ است. بسیاری از کاربران از طولانی بودن بی‌مورد پاسخ‌های هوش مصنوعی شکایت دارند، در حالی که این مشکل با یک محدودیت ساده قابل حل است. وقتی به کلود می‌گویید «پاسخ را در کمتر از ۱۵۰ کلمه ارائه بده»، او مجبور می‌شود اطلاعات غیرضروری را حذف کرده و فشرده‌ترین و مفیدترین بخش‌های دانش خود را ارائه کند. محدودیت در کلمات، کلود را وادار به انتخاب واژگان دقیق‌تر می‌کند و از پرگویی‌های رایج مدل‌های زبانی جلوگیری می‌کند. این کار نه تنها در زمان شما برای مطالعه صرفه‌جویی می‌کند، بلکه کیفیت محتوا را نیز از نظر علمی بالا می‌برد.

⚓ در نهایت، باید بدانید که محدودیت‌ها دشمن خلاقیت نیستند، بلکه بستر آن هستند. وقتی شما یک هنرمند را محدود می‌کنید که فقط از رنگ‌های خاصی استفاده کند، او مجبور می‌شود برای خلق اثر، از تکنیک‌های خلاقانه‌تری استفاده کند. در تعامل با کلود نیز همین‌طور است؛ وقتی شما او را محدود می‌کنید، او مجبور می‌شود با دقت بیشتری بین احتمالات خود انتخاب کند تا دقیقاً در چارچوب خواسته‌های شما قرار بگیرد. هنر محدود کردن، یعنی تبدیل یک جریان خروشان و سرکش به یک جریان متمرکز و پرقدرت؛ ابزاری که شما را از یک کاربر منفعل، به یک مدیر هوشمند خروجی‌های هوش مصنوعی تبدیل می‌کند.

زنجیره افکار؛ کلود را وادار به فکر کردن کنید

(Chain of Thought: Forcing Logical Reasoning)

🧠 مدل‌های زبانی بزرگ به صورت پیش‌فرض تلاش می‌کنند تا پاسخ شما را در سریع‌ترین زمان ممکن تولید کنند. این تعجیل آماری در مسائل ساده مشکلی ایجاد نمی‌کند، اما در تحلیل‌های پیچیده، برنامه‌نویسی یا مسائل ریاضی اغلب به اشتباهات فاحش منجر می‌شود. تکنیک زنجیره افکار به شما می‌آموزد که چگونه سرعت پردازش کلود را کنترل کنید و از او بخواهید قبل از ارائه پاسخ نهایی، مسیر استدلال خود را به صورت گام‌به‌گام یادداشت کند. این کار دقیقاً مانند این است که از یک دانش‌آموز بخواهید فرمول حل مسئله را روی تخته بنویسد، نه اینکه فقط عدد نهایی را حدس بزند. وقتی کلود مراحل منطقی را یکی پس از دیگری طی می‌کند، احتمال بروز خطا به شدت کاهش می‌یابد.

💬 ساده‌ترین راه برای فعال کردن این قابلیت، اضافه کردن یک جمله جادویی به انتهای پرامپت است: «مرحله‌به‌مرحله فکر کن و استدلال خود را بنویس». همین دستور کوتاه، مسیر پردازش کلود را تغییر می‌دهد. مدل به جای اینکه بلافاصله به سراغ بخش حدسی پاسخ برود، شروع به کالبدشکافی مسئله می‌کند. او ابتدا مفروضات را مشخص می‌کند، سپس ارتباط میان متغیرها را می‌سنجد و در نهایت بر اساس این مسیر منطقی، پاسخ نهایی را استخراج می‌کند. این روش به ویژه زمانی کاربرد دارد که شما می‌خواهید یک تصمیم‌گیری استراتژیک انجام دهید یا یک خطای برنامه‌نویسی مبهم را ردیابی کنید.

🏷️ برای استفاده حرفه‌ای‌تر از این تکنیک، می‌توانید بخش استدلال را از پاسخ نهایی جدا کنید. به کلود دستور دهید که ابتدا افکار و تحلیل‌های اولیه خود را درون یک بخش مشخص بنویسد و سپس در بخش بعدی، خروجی تمیز و نهایی را به شما تحویل دهد. این کار باعث می‌شود که شما روند تفکر مدل را به وضوح ببینید و اگر در جایی از مسیر دچار انحراف شد، بلافاصله متوجه شوید. بررسی این پیش‌نویس‌های فکری به شما کمک می‌کند تا متوجه شوید کلود کدام بخش از صورت مسئله را اشتباه متوجه شده است تا بتوانید در پرامپت بعدی آن را اصلاح کنید.

🧩 یکی از مزایای پنهان این روش، افزایش خلاقیت و عمق پاسخ‌ها است. وقتی کلود مجبور می‌شود برای هر ادعای خود دلیلی بیاورد، اطلاعات فرعی و تحلیل‌های عمیق‌تری را از حافظه خود بازیابی می‌کند که در یک پاسخ مستقیم و سریع هرگز به آن‌ها اشاره نمی‌کرد. این تکنیک تعاملی، کیفیت خروجی را از یک متن سطحی به یک تحلیل عمیق و همه‌جانبه ارتقا می‌دهد. به این ترتیب، با وادار کردن کلود به فکر کردن پیش از پاسخ‌دهی، شما عملاً کنترل کیفیت را به بخشی از فرایند تولید پاسخ تبدیل می‌کنید و به نتایجی به مراتب پایدارتر و دقیق‌تر دست می‌یابید.

حصارکشی اطلاعات؛ قدرت تگ‌های XML در ساختاردهی

(Containing Information; The Power of XML Tags in Structuring)

🏗️ تصور کنید اتاق کارتان پر از کاغذ، کتاب و یادداشت‌های پراکنده است و هر بار که بخواهید چیزی را پیدا کنید، باید ساعت‌ها وقت صرف کنید. در دنیای هوش مصنوعی نیز اگر اطلاعات را بدون هیچ نظم و ترتیبی به مدل بدهید، او ممکن است در میان انبوه داده‌ها گم شود. تگ‌های XML دقیقاً مثل پوشه‌ها و برچسب‌های مرتب‌کننده هستند. وقتی به کلود می‌گوییم چه چیزی «دستورالعمل» است و چه چیزی «مطلب اصلی»، او دقیقاً می‌فهمد که هر بخش چه اهمیتی دارد. این تگ‌ها یعنی همان قراردادن کلمات داخل علامت‌های < و > که به مدل می‌گوید این بخشی که محصور شده، یک واحد مستقل است و باید با دقت بیشتری پردازش شود.

🏷️ بیایید با یک مثال ساده شروع کنیم. فرض کنید می‌خواهید یک متن طولانی را برای من خلاصه کنید. اگر فقط متن را به کلود بدهید، ممکن است او بخش‌هایی از درخواست شما را با متن اشتباه بگیرد. اما اگر بنویسید: «لطفاً متن داخل تگ <source> را خلاصه کن» و متن خود را بین <source> و </source> قرار دهید، او متوجه می‌شود که نباید خارج از این حصار را به عنوان محتوا در نظر بگیرد. این کار مثل خط‌کشی کردن زمین فوتبال است؛ بازیکنان که همان مدل هوش مصنوعی هستند، دقیقاً می‌دانند کجا باید بازی کنند و کجا توپ خارج از زمین است. با این روش، احتمال اینکه او بخش‌های غیرمرتبط را در خلاصه بگنجاند، به صفر می‌رسد.

🛡️ برای کارهای پیچیده‌تر، می‌توانید از چندین تگ به صورت همزمان استفاده کنید. تصور کنید می‌خواهید کلود به عنوان یک ویراستار به شما کمک کند. می‌توانید بنویسید: «در تگ <rules> قوانینی که باید رعایت کنی را نوشته‌ام، در تگ <text> متنی که باید ویرایش کنی قرار دارد و در تگ <tone> لحنی که می‌خواهم به کار ببری را مشخص کرده‌ام». این کار به کلود نظم می‌دهد. او وقتی به بخش قوانین می‌رسد، آن‌ها را مثل دستورات اصلی در نظر می‌گیرد و وقتی به بخش متن می‌رسد، سعی می‌کند تغییرات را روی آن اعمال کند. این کار به جای یک پرامپت گنگ، یک «برگه راهنمای هوشمند» به دست مدل می‌دهد.

🛠️ این روش برای کلود بسیار خوشایند است، چون او عاشق ساختار است. وقتی داده‌ها مرتب باشند، مدل زبانی کمتر دچار توهم یا اشتباه می‌شود. مثلاً اگر از او بخواهید کدهای برنامه‌نویسی را تحلیل کند و آن‌ها را در تگ <code> قرار دهید، او متوجه می‌شود که نباید این بخش را به عنوان متن عادی بخواند، بلکه باید منطق آن را بررسی کند. این تگ‌ها باعث می‌شوند مدل، اولویت‌بندی بهتری برای پردازش اطلاعات داشته باشد و خروجی‌هایی که دریافت می‌کنید، بسیار دقیق‌تر و دور از حاشیه باشد.

🚀 استفاده از این تکنیک، سطح تعامل شما را از یک گفتگوی معمولی به مدیریت یک پروژه فنی ارتقا می‌دهد. با این کار، کنترل کامل خروجی در دستان شماست و دیگر نیاز نیست نگران باشید که مدل کدام بخش از درخواست شما را نادیده گرفته است. این روش، شما را به کاربر حرفه‌ای تبدیل می‌کند که زبان مخفی مدل‌های زبانی را کشف کرده و از آن برای خلق محتوایی با کیفیت استفاده می‌کند.

(مهم‌ترین و کاربردی‌ترین تگ‌های XML:

تگ‌های XML به شما کمک می‌کنند تا بخش‌های مختلف پرامپت را از یکدیگر تفکیک کنید. پرکاربردترین آن‌ها عبارتند از:

• <instructions> (دستورالعمل‌ها): برای نوشتن قوانین و کارهایی که مدل باید انجام دهد.
• <context> (بافتار/زمینه): برای ارائه اطلاعات پس‌زمینه یا سناریوی مسئله.
• <examples> (مثال‌ها): برای قرار دادن نمونه‌های ورودی و خروجی مطلوب (تکنیک Few-Shot).
• <input> (داده ورودی): برای مشخص کردن متنی که مدل باید روی آن پردازش انجام دهد (مانند متنی که باید خلاصه یا ترجمه شود).
• <constraints> (محدودیت‌ها): برای مشخص کردن خطوط قرمز، لحن و موارد ممنوعه.
• <output> (قالب خروجی): برای دیکته کردن ساختار نهایی پاسخ به مدل.

آیا تگ‌ها را می‌توان به زبان فارسی نوشت؟

بله، اما پیشنهاد نمی‌شود.

شما می‌توانید از تگ‌های فارسی مانند <دستورالعمل> یا <مثال> استفاده کنید و مدل‌های پیشرفته زبان فارسی را به خوبی متوجه می‌شوند. با این حال، استفاده از تگ‌های انگلیسی (مانند <instructions>) ترجیح داده می‌شود؛ زیرا:

مدل‌های زبانی بزرگ (به‌ویژه کلود) بخش عمده داده‌های آموزشی خود را به زبان انگلیسی دریافت کرده‌اند و ساختارهای نشانه‌گذاری انگلیسی (مانند تگ‌های استاندارد برنامه‌نویسی) را با دقت و پایداری بسیار بیشتری درک و تحلیل می‌کنند.

تگ‌های انگلیسی از به‌هم‌ریختگی‌های احتمالی ناشی از ترکیب متون راست‌به‌چپ (فارسی) و چپ‌به‌راست (انگلیسی) در محیط‌های کدنویسی یا ادیتورها جلوگیری می‌کنند.

نکته: محتوای داخل تگ‌ها می‌تواند کاملاً فارسی باشد، اما خود برچسب تگ‌ها بهتر است انگلیسی نوشته شود.

آیا این تگ‌ها در سایر هوش‌های مصنوعی مانند ChatGPT هم کارکرد دارند؟

بله، کارکرد دارند، اما با یک تفاوت ساختاری مهم:

• در مدل‌های کلود (Anthropic Claude): تگ‌های XML جزء پروتکل‌های اصلی و پیش‌فرض آموزشِ مدل هستند. کلود به گونه‌ای بهینه‌سازی شده است که تگ‌های XML را به عنوان مرزهای سخت‌گیرانه داده و دستورالعمل در نظر می‌گیرد. بنابراین، کارایی این تگ‌ها در کلود در بالاترین سطح ممکن است.
• در مدل‌های چت‌جی‌پی‌تی (OpenAI /GPT-4): مدل‌های OpenAI نیز به خوبی ساختار تگ‌های XML را می‌فهمند و تفکیک داده را انجام می‌دهند، اما حساسیت ساختاری آن‌ها به اندازه کلود بالا نیست. در ChatGPT، شما علاوه بر XML، می‌توانید از نشانه‌گذاری‌های زیر نیز با همان کیفیت استفاده کنید:

فرمت Markdown: استفاده از هشتگ‌ها و خطوط تیره (مانند ### Instructions).

جداکننده‌های ساده: استفاده از چند خط تیره متوالی (—) یا علامت‌های نقل‌قول سه‌تایی (“””) برای جدا کردن بخش‌ها.

نتیجه‌گیری: استفاده از تگ‌های XML یک استاندارد طلایی و جهانی در مهندسی پرامپت است که در تمام مدل‌های پیشرفته (Claude, ChatGPT, Gemini) خروجی شما را به طرز چشمگیری بهبود می‌دهد؛ اما کلود بیشترین سازگاری بومی را با این سبک نگارش دارد.)

مدیریت جریان؛ استراتژی‌های پیشرفته برای پروژه‌های بزرگ

(Workflow Management; Advanced Strategies for Large Projects)

🔄 تا اینجا یاد گرفتید که چگونه یک پرامپت خوب بنویسید، چگونه از تگ‌ها برای نظم دادن به اطلاعات استفاده کنید و چگونه مدل را به فکر کردن وادار کنید. اما یک سوال مهم باقی می‌ماند: اگر پروژه شما بزرگ باشد، مثلاً بخواهید یک کتاب کامل بنویسید، یک دوره آموزشی طراحی کنید یا یک نرم‌افزار پیچیده بسازید، آیا می‌توانید همه چیز را در یک پرامپت واحد بگنجانید؟ پاسخ منفی است. در پروژه‌های سنگین، تلاش برای انجام همه کارها در یک مرحله، منجر به خستگی ذهنی مدل (Context Drift) و کاهش دقت می‌شود. در این فصل، یاد می‌گیرید که چگونه به جای یک دستور عظیم، یک «جریان کاری» یا ورک‌فلو (Workflow) هوشمندانه بسازید.

🧱 اولین اصل در مدیریت پروژه‌های بزرگ، «تجزیه و تحلیل» یا همان شکستن مسائل است. تصور کنید می‌خواهید یک خانه بسازید؛ شما نمی‌توانید به کارگران بگویید «خانه را بسازید» و انتظار داشته باشید بلافاصله تمام شود. شما باید ابتدا فونداسیون را بسازید، سپس دیوارها را، و بعد سقف را. در کار با کلود نیز دقیقاً همین روال حاکم است. به جای اینکه بگویید «یک کتاب در مورد هوش مصنوعی بنویس»، ابتدا از او بخواهید «ساختار و سرفصل‌های یک کتاب در مورد هوش مصنوعی را طراحی کند». پس از تایید سرفصل‌ها، فصل به فصل و حتی بخش به بخش جلو بروید. این روش باعث می‌شود تمرکز کلود روی هر مرحله به شدت بالا برود.

🛤️ دومین استراتژی، استفاده از روش «زنجیره وظایف» است. در این حالت، شما خروجی مرحله اول را به عنوان ورودی مرحله دوم استفاده می‌کنید. برای مثال، اگر می‌خواهید یک مقاله تخصصی بنویسید، روند کار را این‌گونه پیش ببرید:

۱. در مرحله اول، از کلود بخواهید تحقیق و جمع‌آوری اطلاعات اولیه را انجام دهد.

۲. در مرحله دوم، خروجی مرحله اول را به او بدهید و بگویید: «بر اساس این اطلاعات، یک طرح اولیه (Outline) بنویس».

۳. در مرحله سوم، طرح اولیه را به او بدهید و بگویید: «حالا بخش اول این طرح را با جزئیات کامل بنویس».

با این کار، شما از «حافظه کوتاه‌مدت» مدل استفاده نمی‌کنید، بلکه با هر مرحله، مسیر را برای او روشن‌تر می‌کنید.

📝 سومین ابزار، ایجاد یک «دفترچه راهنمای پروژه» است. در پروژه‌های طولانی، ممکن است کلود در وسط راه، لحن خود را تغییر دهد یا برخی از قوانین اولیه را فراموش کند. راه حل چیست؟ همیشه در ابتدای هر مرحله جدید، یک یادآوری کوتاه از «قوانین ثابت» داشته باشید. مثلاً می‌توانید بنویسید: «همان‌طور که در ابتدای پروژه توافق کردیم، لحن متن باید رسمی باشد و از به کار بردن کلمات عامیانه خودداری شود». این کار مانند این است که در میانه یک جلسه کاری، مدام قوانین پروتکل را به حاضران یادآوری کنید تا از مسیر اصلی خارج نشوند.

🛠️ در نهایت، یاد بگیرید که از کلود به عنوان یک «ناظر» یا «بازبین» استفاده کنید. وقتی یک بخش از پروژه تمام شد، بلافاصله سراغ بخش بعدی نروید. بلکه از کلود بخواهید خودش را نقد کند. بگویید: «این بخش از متن را بازبینی کن و بررسی کن که آیا با قوانین تعیین شده در مرحله اول مطابقت دارد یا خیر». این یعنی ایجاد یک چرخه اصلاحی. وقتی شما از کلود می‌خواهید که هم «نویسنده» باشد و هم «ویراستار»، کیفیت نهایی پروژه شما از یک کار آماتور به یک اثر حرفه‌ای و منسجم تغییر می‌کند. مدیریت هوشمندانه، تفاوت میان کسی است که با هوش مصنوعی «بازی می‌کند» و کسی که با آن «ساخت‌وساز می‌کند».

آموزش با مثال؛ جادوی تکنیک Few-Shot

(Learning by Example; The Magic of Few-Shot Technique)

🧪 تصور کنید می‌خواهید به یک دستیار جدید یاد بدهید چگونه ایمیل‌های شرکت را پاسخ دهد. اگر فقط به او بگویید «مودبانه و خلاصه بنویس»، او ممکن است منظور شما را متوجه نشود یا لحنی بیش از حد خشک یا زیادی صمیمی انتخاب کند. اما اگر به او چند نمونه ایمیل خوب نشان دهید و بگویید «مثل این‌ها بنویس»، او بلافاصله الگو را درک می‌کند. تکنیک Few-Shot در دنیای هوش مصنوعی دقیقاً همین کار را انجام می‌دهد. این روش یعنی به جای اینکه فقط «دستور» بدهید، چند نمونه از «ورودی» و «خروجی» مطلوب را به کلود نشان دهید تا او با دیدن الگو، یاد بگیرد دقیقا چه انتظاری دارید.

📊 مدل‌های زبانی مانند کلود، استاد الگوبرداری هستند. وقتی شما یک یا چند مثال کامل از کاری که می‌خواهید انجام شود را در پرامپت قرار می‌دهید، مدل فضای احتمالاتی خود را محدود می‌کند تا خروجی بعدی دقیقاً شبیه به الگوهای داده شده باشد. این روش به ویژه برای کارهایی که تعریف کردن آن‌ها با کلمات دشوار است، معجزه می‌کند. برای مثال، فرض کنید می‌خواهید متن‌های عامیانه مشتریان را به گزارش‌های رسمی تبدیل کنید. به جای نوشتن ده خط توضیح درباره لحن و ساختار، کافی است بنویسید: «ورودی: ماشینم خرابه، درستش کن. خروجی: خودروی بنده دچار نقص فنی شده است، لطفاً جهت تعمیرات راهنمایی بفرمایید». با تکرار دو یا سه نمونه مشابه، کلود بدون نیاز به توضیحات بیشتر، دقیقا همان لحنی که مدنظر شماست را تقلید می‌کند.

💡 کیفیت مثال‌هایی که انتخاب می‌کنید، مستقیم‌ترین تأثیر را روی کیفیت خروجی دارد. اگر مثال‌های شما ناقص یا مبهم باشند، مدل هم همان اشتباهات را تکرار می‌کند. برای استفاده حرفه‌ای از این تکنیک، سعی کنید مثال‌هایی را انتخاب کنید که تنوع حالت‌های ممکن را پوشش دهند. مثلاً اگر می‌خواهید کلود نظرات مشتریان را دسته‌بندی کند، یک مثال از نظر مثبت، یک مثال از نظر منفی و یک مثال از نظر خنثی بدهید. این «چند مثال متنوع» باعث می‌شود مدل درک بسیار دقیق‌تری از مرزهای دسته‌بندی پیدا کند و هنگام مواجهه با یک متن جدید، دچار سردرگمی نشود.

🎯 یکی از نکات طلایی برای بهره‌وری بیشتر، جداسازی واضح این مثال‌ها از دستور اصلی است. همان‌طور که در فصل‌های قبل درباره تگ‌های XML آموختید، بهترین مکان برای قرار دادن این مثال‌ها، درون تگ‌هایی مثل <examples> است. این کار باعث می‌شود کلود متوجه شود که این بخش‌ها فقط برای یادگیری است و نباید آن‌ها را به عنوان بخشی از متن اصلی پردازش کند. با این روش، شما عملاً ذهن مدل را «کوک» می‌کنید تا با کمترین خطا، دقیق‌ترین نتیجه را تولید کند. این مهارت به شما اجازه می‌دهد تا فراتر از دستورات متنی بروید و با «آموزشِ ‌دیداری» به مدل، کیفیت خروجی‌ها را به سطح جدیدی از دقت برسانید.

از دستور به گفتگو؛ هنر تعامل و بهینه‌سازی

(From Prompting to Conversing; The Art of Iteration and Optimization)

🚀 تا اینجای کار، شما ابزارهای قدرتمندی را در اختیار گرفته‌اید: از ساختاردهی با تگ‌ها و محدود کردن خروجی گرفته تا استفاده از زنجیره افکار و آموزش با مثال. اما یک راز بزرگ در مهندسی پرامپت وجود دارد که تفاوت میان یک کاربر معمولی و یک استاد را مشخص می‌کند: پرامپت‌نویسی یک «فرآیند یک‌باره» نیست، بلکه یک «گفتگوی پویا» است. بزرگترین اشتباه این است که تصور کنید با نوشتن یک پرامپت کامل، کار تمام شده است. در واقع، پرامپت اول شما، تازه شروع یک همکاری هوشمندانه با کلود است.

🔄 اولین قدم در رسیدن به خروجی بی‌نقص، پذیرش مفهوم «تکرار و اصلاح» یا همان Iteration است. حتی حرفه‌ای‌ترین مهندسان پرامپت نیز در اولین تلاش به نتیجه‌ی ایده‌آل نمی‌رسند. وقتی خروجی کلود را دریافت کردید، به جای اینکه اگر اشتباه بود ناامید شوید یا دوباره از اول شروع کنید، با او وارد گفتگو شوید. اگر لحن متن خیلی رسمی است، به جای تغییر کل پرامپت، بگویید: «بخش دوم متن را کمی دوستانه‌تر بنویس». اگر اطلاعات کافی نیست، دستور دهید: «در مورد نقطه‌ی X بیشتر توضیح بده». این یعنی شما به جای یک «دستوردهنده»، در نقش یک «کارگردان» ظاهر می‌شوید که با اصلاح جزئیات، اثر نهایی را صیقل می‌دهد.

🔍 دومین مهارت، «عیب‌یابی پرامپت» (Prompt Debugging) است. وقتی کلود پاسخی می‌دهد که مطابق میل شما نیست، باید مانند یک کارآگاه از خود بپرسید: «مشکل از کجاست؟». آیا دستورات من ضد و نقیض بودند؟ آیا محدودیت‌ها را خیلی زیاد یا خیلی کم گذاشته بودم؟ آیا مثال‌هایی که زدم باعث گیج شدن مدل شدند؟ با تحلیل اشتباهات خروجی، شما متوجه می‌شوید که کدام بخش از دستورات شما نیاز به شفاف‌سازی دارد. مثلاً اگر مدل بیش از حد پرگویی می‌کند، یعنی محدودیت حجم (که در فصل ۴ یاد گرفتید) را به درستی اعمال نکرده‌اید. یادگیری از اشتباهات مدل، سریع‌ترین راه برای ارتقای مهارت شماست.

🛠️ سومین تکنیک، استفاده از روش «بازخورد معکوس» است. این یکی از پیشرفته‌ترین استراتژی‌ها برای رسیدن به خروجی‌های فوق‌حرفه‌ای است. به جای اینکه فقط از کلود بخواهید کاری را انجام دهد، از او بخواهید که خودش به شما بازخورد بدهد. می‌توانید بنویسید: «من می‌خواهم یک مقاله درباره موضوع X بنویسم. من طرح اولیه را به تو می‌دهم، اما قبل از اینکه شروع کنی، از تو می‌خواهم لیست سوالاتی را که برای نوشتن یک مقاله عالی نیاز داری، از من بپرسی». با این کار، شما اجازه می‌دهید کلود بر اساس دانش تخصصی خود، حفره‌های اطلاعاتی پرامپت شما را پیدا کند. این یعنی تبدیل شدن از یک طرف گفتگو به یک تیم همکاری دوطرفه.

🌟 در پایان این مسیر، باید بدانید که هوش مصنوعی یک ابزار ایستا نیست، بلکه یک همکار پویاست. هدف نهایی مهندسی پرامپت، رسیدن به فرمول‌های جادویی نیست؛ بلکه رسیدن به درک عمیق از نحوه فکر کردن مدل و توانایی مدیریت این تفکر است. با یادگیری هنر گفتگو، اصلاح مستمر و بازخورد گرفتن از مدل، شما دیگر از هوش مصنوعی نمی‌خواهید که برای شما بنویسد، بلکه با او همکاری می‌کنید تا بهترین خودتان و بهترین او را در یک اثر واحد تجلی ببخشید. شما اکنون آماده‌اید تا با اعتمادبه‌نفس، پروژه‌های بزرگ را با کمک این همکار هوشمند به سرانجام برسانید.

جعبه‌ابزار طلایی؛ الگوهای آماده برای کاربردهای روزمره

(The Golden Toolkit; Ready-to-use Templates for Daily Tasks)

🛠️ رسیدن به تسلط در پرامپت‌نویسی به این معنا نیست که هر بار باید چرخ را از نو اختراع کنید. مهندسان پرامپت حرفه‌ای، مجموعه‌ای از الگوهای استاندارد دارند که مثل یک اسکلت‌بندی آماده عمل می‌کنند. این الگوها بر اساس همان اصول ساختاردهی، پرسوناسازی و محدودیت‌هایی است که تا به اینجا فرا گرفتید. استفاده از این قالب‌ها سرعت کار شما را چند برابر کرده و احتمال بروز خطا را به حداقل می‌رساند. در این فصل، سه الگوی کلیدی را برای شما آماده کرده‌ام. کافی است بخش‌های داخل کروشه را با موضوع خود جایگزین کنید و شاهد تولید خروجی‌های دقیق باشید.

الگوی اول: تولید محتوای تخصصی و بلاگ (The Expert Content Writer)

این الگو برای نوشتن مقالات عمیق، پست‌های بلاگ یا سناریوهای آموزشی عالی است.

<persona>

تو یک نویسنده حرفه‌ای و متخصص در حوزه [موضوع، مثلاً هوش مصنوعی] هستی که به دلیل زبان ساده، جذاب و دقیق خود شناخته می‌شوی.

</persona>

 

<context>

مخاطبان من [گروه هدف، مثلاً مدیران کسب و کار یا دانشجویان] هستند. آن‌ها اطلاعات پایه را می‌دانند اما به دنبال راهکارهای عملی هستند.

</context>

 

<task>

یک مقاله جامع با موضوع [موضوع دقیق مقاله] بنویس.

</task>

 

<constraints>

لحن نوشته باید [مثلاً حرفه‌ای و انگیزشی] باشد.

از مقدمه‌چینی‌های طولانی خودداری کن و مستقیماً به سراغ اصل مطلب برو.

حداکثر در ۱۰۰۰ کلمه بنویس.

از عناوین جذاب استفاده کن.

</constraints>

 

<output_format>

استفاده از بولت‌پوینت برای نکات کلیدی.

پایان‌بندی باید یک دعوت به اقدام (Call to Action) روشن داشته باشد.

</output_format>

 

الگوی دوم: تحلیل و خلاصه‌سازی هوشمندانه (The Deep Analyzer)

این الگو برای زمانی است که کتاب، مقاله یا گزارش طولانی دارید و می‌خواهید عصاره آن را بکشید.

<persona>

تو یک تحلیل‌گر ارشد هستی که مهارت عجیبی در خلاصه کردن مطالب پیچیده بدون از دست دادن نکات حیاتی دارد.

</persona>

 

<data>

[متن یا فایل خود را اینجا قرار دهید]

</data>

 

<task>

این متن را به صورت دقیق تحلیل کن و خروجی را در بخش‌های زیر ارائه بده.

</task>

 

<analysis_goals>

۳ ایده اصلی و کلیدی متن.

۵ نکته عملی که می‌توان همین امروز اجرا کرد.

بررسی انتقادی: چه چیزی در این متن جای خالی‌اش احساس می‌شود؟

</analysis_goals>

 

<format_requirements>

پاسخ را در قالب یک جدول مرتب و خوانا ارائه کن.

</format_requirements>

 

الگوی سوم: سناریوی مذاکره و ارتباطات حرفه‌ای (The Diplomatic Negotiator)

این الگو برای نوشتن ایمیل‌ها، نامه‌های رسمی یا گفتگوهای حساس طراحی شده است.

<persona>

تو یک مشاور ارتباطات با تجربه هستی که متخصص حفظ روابط حرفه‌ای و در عین حال قاطع بودن در مذاکرات است.

</persona>

 

<situation>

[توضیح کوتاه وضعیت، مثلاً: می‌خواهم به مشتری بگویم پروژه با تاخیر مواجه می‌شود.]

</situation>

 

<objective>

هدف من از این پیام [مثلاً: جلب اعتماد مشتری و ارائه راه حل جایگزین] است.

</objective>

 

<constraints>

لحن باید محترمانه، همدلانه و حرفه‌ای باشد.

از کلمات منفی یا سرزنش‌گر استفاده نکن.

به جای عذرخواهی صرف، بر روی راه حل تمرکز کن.

</constraints>

 

<output_format>

یک پیش‌نویس آماده ارسال بنویس که حداکثر ۲۰۰ کلمه باشد.

</output_format>

💡 راز استفاده از این الگوها در شخصی‌سازی هوشمندانه آن‌هاست. هر چه جزئیات بیشتری در بخش‌های داخل کروشه قرار دهید، کلود بهتر می‌تواند خودش را با نیاز خاص شما هماهنگ کند. این قالب‌ها نه تنها کار شما را سریع‌تر می‌کنند، بلکه به شما یاد می‌دهند که چطور به صورت نظام‌مند به مسائل نگاه کنید. با داشتن این جعبه‌ابزار در کنار دانش ساختاری که در فصل‌های قبل کسب کردید، اکنون می‌توانید با اعتمادبه‌نفس کامل، هر چالشی را به یک فرصت برای تولید خروجی باکیفیت تبدیل کنید. این الگوها نقطه آغاز مسیر خلاقیت شما هستند؛ آن‌ها را بر اساس سبک شخصی خود تغییر دهید، ترکیب کنید و نسخه‌های مخصوص خودتان را بسازید. این همان مرحله‌ای است که شما از یک کاربر ساده، به یک معمار پرامپت تبدیل می‌شوید.

منابع و مراجع مورد استفاده

(References and Sources Used)

📖 دانش هوش مصنوعی با سرعتی باورنکردنی در حال تکامل است و هر چه امروز می‌آموزیم، پایه و اساسی برای تکنیک‌های فردا خواهد بود. کتابی که پیش روی شماست، حاصل ترکیب تجربیات عملی نگارنده در تعامل با مدل‌های کلود و استفاده از معتبرترین مستندات فنی منتشر شده توسط شرکت‌های پیشرو در این حوزه است. برای کسانی که قصد دارند فراتر از این کتاب رفته و به عمق دنیای مهندسی پرامپت نفوذ کنند، بررسی دقیق مراجع زیر ضروری است.

مستندات رسمی آنتروپیک (Official Anthropic Documentation)

هسته اصلی تمام تکنیک‌های ذکر شده در این کتاب، بر پایه دستورالعمل‌های رسمی خود شرکت سازنده کلود است. این منابع همواره به‌روزترین و دقیق‌ترین اطلاعات را در اختیار کاربران قرار می‌دهند:

• Anthropic Prompt Engineering Guide: منبع اصلی و مرجع شماره یک برای درک نحوه کارکرد مدل‌های کلود و بهترین روش‌های برقراری ارتباط با آن‌ها.
• Claude Cookbook: مخزنی عملی و فوق‌العاده کاربردی در گیت‌هاب که شامل کدهای نمونه، سناریوهای واقعی و الگوهای پیاده‌سازی برای استفاده حرفه‌ای از API و چت‌بات‌های کلود است.
• Anthropic Blog & Technical Reports: مقالات منتشر شده در بلاگ آنتروپیک که مفاهیمی نظیر امنیت، استدلال مدل و دیدگاه‌های این شرکت درباره هوش مصنوعی قانونمند (Constitutional AI) را شرح می‌دهد.

مقالات علمی و مبانی فنی (Scientific Foundations)

بسیاری از تکنیک‌هایی که امروزه به عنوان استانداردهای مهندسی پرامپت شناخته می‌شوند، ریشه در تحقیقات دانشگاهی و آزمایش‌های تخصصی دارند:

• Chain-of-Thought Prompting Elicits Reasoning in Large Language Models: مقاله بنیادین پژوهشگران که تکنیک زنجیره افکار را برای اولین بار بیان کرد و الهام‌بخش فصل پنجم این کتاب است.
• Large Language Models are Few-Shot Learners: مرجع اصلی برای درک قدرت یادگیری از مثال‌ها (Few-Shot Prompting)
• General Prompt Engineering Research Papers: مجموعه مقالاتی که از پلتفرم‌هایی نظیر arXiv استخراج شده‌اند و تأثیر ساختاردهی (تگ‌گذاری XML) و محدودیت‌ها را بر دقت مدل‌های زبانی اثبات کرده‌اند.

منابع مکمل و استراتژی‌های یادگیری (Strategic Learning Resources)

برای تسلط بر «هنرِ» تعامل با هوش مصنوعی، مطالعه این حوزه‌ها نیز راهگشاست:

• تجارب جامعه مهندسی هوش مصنوعی: انجمن‌های تخصصی در دیسکورد و گیت‌هاب که کاربران حرفه‌ای در آن‌ها به تبادل پرامپت‌های تست‌شده می‌پردازند.
• مستندات سایر مدل‌های زبانی: اگرچه تمرکز این کتاب بر کلود است، اما مطالعه دستورالعمل‌های مشابه برای سایر مدل‌های بزرگ (LLMs) دید مقایسه‌ای ارزشمندی به شما می‌دهد و درک شما از «زبان مدل‌ها» را تقویت می‌کند.

این فهرست، تنها نقطه شروع است. دنیای مهندسی پرامپت بیش از آنکه یک علم ثابت باشد، یک مسیر اکتشافی است. پیشنهاد می‌کنم این مراجع را به عنوان قطب‌نما در کنار خود داشته باشید و با انجام آزمایش‌های مداوم، دانش خود را در مسیر کار با کلود، روزبه‌روز گسترش دهید.

کتاب‌های پیشنهادی:

کتاب مهندسی پرامپت برای ChatGPT

کتاب راهنمای نهایی پرامپت‌های ChatGPT