مهندسی پرامپت
مهندسی پرامپت به زبان ساده یعنی پرسیدن سوالات خوب از هوش مصنوعی. پرامپت ورودی شما با سوال یا درخواستتان است.
مهندسی پرامپت به معنای طراحی سوالات و دستورالعمل‌های هدفمند است تا به مدل‌های هوش مصنوعی کمک کند در چت‌ها پاسخ‌های درست بدهند. با پرامپت‌های بهتر، نتایج بهتری خواهید گرفت.
همراه با مشخصات مدل انتخاب شده، این موضوع تعیین‌کننده کیفیت پاسخ است.
عناصر یک پرامپت (سوال)
برای دریافت نتایج بهتر باید به نکات زیر توجه کنید:
- هدف: دقیقاً از مدل زبان چه می‌خواهید؟
- نقش: مدل زبان چه نقشی دارد؟ (مثلاً «تحلیلگر بازاریابی»، «مشاور حقوقی»، «مدیر پروژه»)
- زمینه: اطلاعات پس‌زمینه درباره درخواست (مثلاً اهداف کسب‌وکار، جزئیات پروژه، اطلاعات بازار)
- سبک: چه سبکی می‌خواهید؟ (مثلاً رسمی، متقاعدکننده، مختصر)
- خروجی: چه فرمتی می‌خواهید؟ (مثلاً گزارش، ایمیل، طرح ارائه، قطعه کد)
هدف
توصیف دقیق هدف سوال شما ضروری است و نمی‌توان آن را حذف کرد.
چه می‌خواهید بدانید؟
- سوالات واقعی ممکن است، اما محدودیت‌ها را در نظر داشته باشید (مثلاً دانش به‌روز ممکن است وجود نداشته باشد)
- مانند گوگل، پاسخ دقیقاً یکسانی دریافت نمی‌کنید اگر سوال را چند بار بپرسید
- مزیت «چت» این است که می‌توانید سوالات بعدی را بپرسید
نمونه پرامپت با هدف واضح:
یک توصیف از مهم‌ترین چالش‌ها برای پیاده‌سازی یک پلتفرم هوش مصنوعی جدید در یک شرکت متوسط ارائه دهید.
پیاده‌سازی یک پلتفرم هوش مصنوعی جدید در یک شرکت متوسط چالش‌های مختلفی دارد. برخی از مهم‌ترین چالش‌ها عبارتند از:
- مقاومت در برابر تغییر: کارکنان به فرآیندها و سیستم‌های موجود عادت کرده‌اند. یک پلتفرم هوش مصنوعی جدید نیاز به تطبیق دارد و ممکن است مقاومت ایجاد کند، به‌ویژه اگر تأثیر آن بر جریان‌های کاری واضح نباشد.
- کیفیت و در دسترس بودن داده‌ها: پلتفرم‌های هوش مصنوعی به شدت به داده‌ها وابسته‌اند. جمع‌آوری، پاک‌سازی و ساختاربندی داده‌ها برای پلتفرم جدید می‌تواند پیچیده و زمان‌بر باشد.
- یکپارچه‌سازی با سیستم‌های موجود: پلتفرم هوش مصنوعی اغلب باید با سایر برنامه‌های کسب‌وکار (ERP، منابع داده، ابزارهای BI) یکپارچه شود. این می‌تواند چالش‌های فنی ایجاد کند.
- هزینه‌ها: علاوه بر هزینه‌های مجوز پلتفرم، هزینه‌های پیاده‌سازی، آموزش، زیرساخت داده و احتمالاً نیروی متخصص وجود دارد.
- آموزش و پذیرش: کارکنان باید در استفاده از پلتفرم جدید و تفسیر خروجی آن آموزش ببینند. بدون آموزش مناسب و پشتیبانی مداوم، میزان پذیرش پایین خواهد بود.
- انتخاب پلتفرم و موارد استفاده مناسب: پلتفرم‌ها و فناوری‌های هوش مصنوعی زیادی وجود دارد. انتخاب پلتفرم و تعریف موارد استفاده مرتبط که با نیازها و اهداف استراتژیک شرکت همخوانی داشته باشد، حیاتی است.
- ملاحظات اخلاقی و تطابق با قوانین: بسته به کاربرد پلتفرم هوش مصنوعی، ممکن است مسائل اخلاقی و الزامات تطابق (مثلاً GDPR) وجود داشته باشد که باید با دقت رسیدگی شود.
- مدیریت پروژه: پیاده‌سازی موفق نیازمند مدیریت پروژه قوی، اهداف واضح و مشارکت ذینفعان از بخش‌های مختلف است.
افزودن نقش و زمینه
افزودن نقش و زمینه باعث پاسخ‌های بهتر و خاص‌تر می‌شود.
نمونه همان سوال با نقش و زمینه:
به عنوان مدیر پروژه مسئول پیاده‌سازی یک پلتفرم هوش مصنوعی جدید برای تحلیل داده و بهینه‌سازی فرآیند در یک ارائه‌دهنده خدمات B2B با ۱۵۰ کارمند، توصیفی از مهم‌ترین چالش‌ها و استراتژی‌های کاهش ریسک ممکن ارائه دهید.
به عنوان مدیر پروژه پیاده‌سازی یک پلتفرم هوش مصنوعی جدید برای تحلیل داده و بهینه‌سازی فرآیند در یک ارائه‌دهنده خدمات B2B با ۱۵۰ کارمند، چالش‌ها و استراتژی‌های کاهش ریسک زیر را می‌بینم:
- مقاومت در برابر تغییر و پذیرش کاربران:
- چالش: کارکنان، به‌ویژه کسانی که وظایفشان مستقیماً تحت تأثیر قرار می‌گیرد، ممکن است در رها کردن روش‌های کاری آشنا و پذیرش دیدگاه‌های جدید مبتنی بر هوش مصنوعی مردد باشند.
- کاهش ریسک: کاربران کلیدی را زود درگیر کنید. مزایا (کارایی، تصمیم‌گیری بهتر، دیدگاه‌های جدید) را به وضوح ارتباط دهید. آموزش‌های جامع مبتنی بر نقش و پشتیبانی مداوم فراهم کنید. «قهرمانان هوش مصنوعی» را در بخش‌ها منصوب کنید.
- کیفیت داده، حاکمیت داده و مهاجرت داده:
- چالش: اثربخشی پلتفرم هوش مصنوعی به داده‌های با کیفیت و مدیریت شده بستگی دارد. داده‌های سیستم‌های موجود اغلب ناسازگار، ناقص یا نادرست هستند.
- کاهش ریسک: با یک ممیزی دقیق داده شروع کنید، چارچوب حاکمیت داده تعریف کنید و پاک‌سازی داده‌ها را قبل از یکپارچه‌سازی/مهاجرت انجام دهید. مدل‌ها و جریان‌های داده واضح تعریف کنید. تست‌ها را اجرا و داده‌ها را به دقت اعتبارسنجی کنید.
- یکپارچه‌سازی با زیرساخت IT موجود:
- چالش: اتصال به منابع داده موجود، ERP، CRM و سایر سیستم‌های کسب‌وکار باید بدون نقص و امن باشد.
- کاهش ریسک: همه یکپارچه‌سازی‌های لازم را زود شناسایی کنید. پلتفرمی با APIهای قوی یا کانکتورهای استاندارد انتخاب کنید. یکپارچه‌سازی‌ها را به دقت تست کنید.
- گسترش دامنه پروژه و تجاوز از بودجه:
- چالش: در طول پروژه ممکن است خواسته‌های جدیدی برای کاربردهای هوش مصنوعی ایجاد شود که دامنه را گسترش داده و هزینه‌ها را افزایش دهد.
- کاهش ریسک: دامنه‌ای روشن و محدود با موارد استفاده مشخص (MVP - حداقل محصول قابل ارائه) برای فاز اول تعریف کنید. فرآیند مدیریت تغییر سختگیرانه داشته باشید. برنامه‌ریزی و بودجه‌بندی واقع‌بینانه با حاشیه امنیت رعایت کنید.
- انتخاب فناوری و شریک پیاده‌سازی مناسب:
- چالش: بازار هوش مصنوعی پیچیده است. انتخاب فناوری نادرست یا شریک بی‌تجربه می‌تواند پروژه را شکست دهد.
- کاهش ریسک: تحقیقات دقیق درباره فناوری‌های مناسب برای موارد استفاده تعریف شده انجام دهید. شریکی با تجربه اثبات شده در صنعت و فناوری‌های انتخابی انتخاب کنید. درخواست مراجع کنید.
- کمبود دانش و مهارت‌های هوش مصنوعی در سازمان:
- چالش: ممکن است تخصص داخلی کافی برای استفاده مؤثر، نگهداری یا توسعه بیشتر پلتفرم هوش مصنوعی وجود نداشته باشد.
- کاهش ریسک: در آموزش و یادگیری سرمایه‌گذاری کنید. استخدام نیروی متخصص یا همکاری نزدیک با شریک پیاده‌سازی برای انتقال دانش را در نظر بگیرید. فرهنگ یادگیری مستمر ایجاد کنید.
- ملاحظات اخلاقی و قابلیت توضیح (Explainable AI):
- چالش: تصمیمات گرفته شده یا پشتیبانی شده توسط هوش مصنوعی باید شفاف و قابل توضیح باشند، به‌ویژه اگر بر مشتریان یا کارکنان تأثیر بگذارند. سوگیری در داده‌ها می‌تواند به نتایج ناعادلانه منجر شود.
- کاهش ریسک: دستورالعمل‌های اخلاقی برای استفاده از هوش مصنوعی تدوین کنید. در صورت امکان مدل‌های قابل تفسیر انتخاب کنید. فرآیندهایی برای شناسایی و کاهش سوگیری پیاده‌سازی کنید. نظارت انسانی بر تصمیمات حیاتی هوش مصنوعی داشته باشید.
با پرداختن پیشگیرانه به این چالش‌ها، احتمال پیاده‌سازی موفق پلتفرم هوش مصنوعی که واقعاً به اهداف کسب‌وکار کمک کند افزایش می‌یابد.
تکنیک‌ها
در ادامه چند تکنیک را شرح می‌دهیم که می‌توانید در پرامپت‌های پیشرفته‌تر استفاده کنید.
تکنیک ۱ - ارائه مثال
برای اطمینان از اینکه مدل زبان همان سبک مورد نظر شما را به کار می‌برد، یک یا دو مثال بدهید.
این روش «one & few-shot prompting» نام دارد.
یک ایمیل پیشنهادی به مشتریان درباره به‌روزرسانی برنامه‌ریزی شده سیستم بنویسید. از سیاست داخلی ما برای ارتباط با مشتریان استفاده کنید (نکات مرتبط از سیاست را اضافه کنید). از این خبرنامه اخیر به عنوان راهنمای سبک استفاده کنید، اما اطلاعات محتوایی آن را وارد نکنید: (متن خبرنامه را اضافه کنید)
پرامپت کامل به شرح زیر است:
سیاست داخلی برای ارتباط با مشتریان:
- همیشه حرفه‌ای و مودب باشید.
- به موقع درباره تغییرات مهم یا اختلالات اطلاع دهید.
- اطلاعات واضح و مختصر ارائه دهید.
- در صورت لزوم راه‌حل یا جبران ارائه دهید.
برای سبک از این خبرنامه استفاده کنید، اما هیچ اطلاعاتی از آن وارد نکنید. مشتری گرامی،
مایلیم شما را درباره به‌روزرسانی برنامه‌ریزی شده سیستم که ممکن است بر خدمات ما تأثیر بگذارد، مطلع کنیم.
تاریخ و زمان به‌روزرسانی: [تاریخ و زمان] مدت زمان پیش‌بینی شده اختلال: [مدت] خدمات درگیر: [خدمات]
در این مدت ممکن است خدمات ما موقتا قطع شود. ما تلاش می‌کنیم مزاحمت را به حداقل برسانیم و خدمات را هرچه سریع‌تر بازیابی کنیم.
در ادامه پاسخ مدل زبان به پرامپت کامل با مثال‌ها آمده است
مشتری گرامی،
مایلیم شما را درباره به‌روزرسانی برنامه‌ریزی شده سیستم که ممکن است بر خدمات ما تأثیر بگذارد، مطلع کنیم.
تاریخ و زمان به‌روزرسانی: [تاریخ و زمان] مدت زمان پیش‌بینی شده اختلال: [مدت] خدمات درگیر: [خدمات]
در این مدت ممکن است خدمات ما موقتا قطع شود. ما تلاش می‌کنیم مزاحمت را به حداقل برسانیم و خدمات را هرچه سریع‌تر بازیابی کنیم.
اگر سوالی داشتید، لطفاً با ما تماس بگیرید.
با احترام، [نام شما] [سمت شما] [نام شرکت] [اطلاعات تماس]
تکنیک ۲ - ارائه قالب
برای اطمینان از اینکه مدل زبان از فرمت خاصی استفاده می‌کند، یک قالب و یک مثال بدهید. این باعث می‌شود مدل پاسخ خود را به شکل یا ساختار مشخصی ارائه دهد. می‌توانید قالب‌های بسیار متفاوتی در موقعیت‌های مختلف استفاده کنید، مانند:
- خروجی csv برای وارد کردن در اکسل یا ابزار تحلیل داده
- خروجی json برای یکپارچه‌سازی API یا فایل‌های پیکربندی
- طرح جلسه برای یک جلسه پروژه
نمونه پرامپت: فهرستی از سه کانال بازاریابی بالقوه برای یک محصول SaaS جدید که به کسب‌وکارهای کوچک و متوسط (MKB) هدف دارد، تولید کن. پاسخ خود را به شکل زیر قالب‌بندی کن: کانال: مخاطب هدف: بازگشت سرمایه بالقوه: منابع مورد نیاز:
مثلاً: کانال: تبلیغات لینکدین مخاطب هدف: عناوین شغلی خاص، صنایع، اندازه شرکت بازگشت سرمایه بالقوه: بالا، در صورت هدف‌گیری مناسب منابع مورد نیاز: بودجه تبلیغات، تولید محتوا، مدیریت کمپین
این روش «output templates» نام دارد.
در ادامه پاسخ مدل زبان به پرامپت با قالب خروجی آمده است
کانال: بازاریابی محتوا (وبلاگ و SEO) مخاطب هدف: شرکت‌هایی که فعالانه به دنبال راه‌حل برای مشکلات خود هستند، ترافیک ارگانیک بازگشت سرمایه بالقوه: بلندمدت بالا، ایجاد اعتبار منابع مورد نیاز: نویسندگان محتوا، متخصص SEO، زمان برای تحقیق کلمات کلیدی و ترویج محتوا
کانال: تبلیغات گوگل (جستجو) مخاطب هدف: شرکت‌هایی که به دنبال کلمات کلیدی خاص مرتبط با محصول SaaS هستند بازگشت سرمایه بالقوه: متوسط تا بالا، بسته به رقابت و هزینه هر کلیک منابع مورد نیاز: بودجه تبلیغات، تحقیق کلمات کلیدی، بهینه‌سازی صفحه فرود، مدیریت کمپین
کانال: بازاریابی ایمیلی (پرورش سرنخ) مخاطب هدف: سرنخ‌های جمع‌آوری شده از وب‌سایت، وبینارها یا کانال‌های دیگر بازگشت سرمایه بالقوه: بالا، مؤثر برای تبدیل سرنخ به مشتری منابع مورد نیاز: پلتفرم بازاریابی ایمیلی، محتوا برای دنباله‌های ایمیل، مهارت‌های بخش‌بندی
تکنیک ۳ - دادن راهنمایی (hint)
برای اطمینان از اینکه مدل زبان به شکل خاصی شروع و می‌نویسد، یک راهنمایی بدهید. این راهنما را در انتهای پرامپت می‌نویسیم.
نمونه پرامپت: می‌توانی این گزارش تحقیق بازار را برایم خلاصه کنی؟ (بخش‌های مرتبط گزارش را بچسبان). پاسخ خود را با این جمله شروع کن: مهم‌ترین یافته‌های این تحقیق بازار عبارتند از:
- متن گزارش را بچسبان
این روش «cues و hints» نام دارد. این مثال از یک گزارش فرضی استفاده می‌کند.
در ادامه پاسخ مدل زبان به پرامپت با راهنمایی آمده است
مهم‌ترین یافته‌های این تحقیق بازار عبارتند از:
- تقاضا برای نرم‌افزار مدیریت پروژه مبتنی بر ابر در کسب‌وکارهای کوچک و متوسط طی دو سال گذشته ۳۵٪ افزایش یافته است.
- عوامل اصلی تصمیم‌گیری برای کسب‌وکارهای کوچک و متوسط سهولت استفاده، قابلیت یکپارچه‌سازی با ابزارهای موجود و قیمت‌گذاری است.
- رقیب A سهم بازار ۲۵٪ دارد، پس از آن رقیب B با ۱۸٪ قرار دارد. فضای کافی برای بازیگران جدید که روی بخش‌های خاص یا تجربه کاربری برتر تمرکز دارند وجود دارد.
- بزرگ‌ترین چالش‌ها برای کسب‌وکارهای کوچک و متوسط در پذیرش نرم‌افزار جدید، سرمایه‌گذاری اولیه و زمان لازم برای آموزش کارکنان است.
- انتظار می‌رود بازار طی پنج سال آینده سالانه ۱۵٪ رشد کند.
تکنیک ۴ - تقسیم محتوا از دستورالعمل‌ها
گاهی پرامپت به دلیل محتوای اضافی خیلی طولانی است و مدل زبان دقیقاً نمی‌فهمد چه می‌خواهید. احتمالاً این را در مثال قبلی دیده‌اید. در این صورت محتوا را با سه علامت نقل قول در ابتدا و انتهای متن از بقیه پرامپت جدا کنید.
نمونه پرامپت: می‌توانی این مقاله را برایم خلاصه کنی؟ “”” (متن مقاله خود را بچسبان). “”” پاسخ خود را با این جمله شروع کن: نکات اصلی این مقاله عبارتند از:
این روش «content splitting» نام دارد. این مثال از مقاله یا گزارش اینترنتی به عنوان منبع استفاده می‌کند. می‌توانید برای این کار از یادداشت سیاستی، گزارش تحقیق یا صفحه اطلاعات عمومی استفاده کنید.
در ادامه پاسخ مدل زبان به پرامپت با محتوای جدا شده آمده است. ما از سه علامت نقل قول یا سه ستاره برای جدا کردن زمینه سوال استفاده می‌کنیم.
نکات اصلی این منبع عبارتند از:
- گزارش توضیح می‌دهد کدام گروه‌های هدف تحت تأثیر سیاست قرار می‌گیرند.
- منبع شرایط لازم برای اجرای دقیق مانند حفظ حریم خصوصی، دسترسی‌پذیری و ارتباط واضح را ذکر می‌کند.
- تحلیل نشان می‌دهد کدام ریسک‌ها و وابستگی‌ها باید از قبل در نظر گرفته شوند.
- سند شامل توصیه‌هایی است که می‌توانند به اقدامات مشخص برای تیم‌ها یا بخش‌ها ترجمه شوند.
- برای تصمیم‌گیری مهم است که فرضیات، عدم قطعیت‌ها و مراحل بعدی به وضوح بیان شوند.
تکنیک ۵ - ابتدا درخواست اطلاعات اضافی
می‌توانید دستور دهید قبل از تولید پاسخ، سوالات تکمیلی بپرسد. این به مدل زبان کمک می‌کند درخواست شما را دقیق‌تر و مشخص‌تر کند.
نمونه پرامپت: «می‌خواهم یک پیشنهاد پروژه برای توسعه یک اپ موبایل جدید برای ارتباطات داخلی تهیه کنم. اپ باید ویژگی‌هایی برای اخبار، دفترچه تلفن کارکنان و پیام‌رسانی مستقیم داشته باشد. قبل از نوشتن پیشنهاد پروژه، می‌توانی سوالات تکمیلی از من بپرسی تا پیشنهاد بهتر شود؟»
این روش «ask before answer prompting» نام دارد.
در ادامه پاسخ مدل زبان به پرامپت با درخواست اطلاعات تکمیلی آمده است
البته! در اینجا چند سوال دارم که می‌تواند به بهبود پیشنهاد پروژه کمک کند: هدف اصلی اپ ارتباطات داخلی چیست؟ (مثلاً افزایش مشارکت، بهبود انتشار اطلاعات، تسهیل همکاری) مخاطب هدف خاص در شرکت کیست؟ (مثلاً همه کارکنان، بخش‌های خاص، کارکنان میدانی) آیا سیستم‌ها یا پلتفرم‌های موجودی وجود دارد که اپ باید با آن‌ها یکپارچه شود؟ (مثلاً اینترانت، سیستم منابع انسانی، Active Directory) بودجه و جدول زمانی مورد نظر برای توسعه و پیاده‌سازی چقدر است؟ آیا الزامات امنیتی یا تطابق خاصی وجود دارد که اپ باید رعایت کند؟ (مثلاً GDPR، سیاست نگهداری داده‌ها) چه شاخص‌های کلیدی عملکرد (KPI) برای سنجش موفقیت اپ استفاده خواهد شد؟ آیا ایده‌ای درباره طراحی یا برندینگ اپ وجود دارد؟ آیا باید با هویت سازمان هماهنگ باشد؟ آیا ترجیحی برای پلتفرم توسعه (iOS، اندروید، چندسکویی) وجود دارد؟
با این اطلاعات تکمیلی می‌توانیم تصویر بهتری از دامنه و نیازمندی‌ها داشته باشیم و پیشنهاد پروژه قوی‌تری تهیه کنیم.
تکنیک ۶ - پرامپت احساسی
می‌توانید دستور دهید لحن متن را با احساسات زمینه‌ای تطبیق دهد یا واکنش احساسی خاصی ایجاد کند. این برای خدمات مشتری، ارتباطات داخلی یا بازاریابی مفید است.
نمونه پرامپت: «باید ایمیلی به مشتری‌ای که از قطعی اخیر سرویس ناراضی است بنویسم. مشتری نوشته است: """ …. """ (متن مشتری را بچسبان). می‌خواهم ایمیل همدلانه باشد، ناراحتی مشتری را بپذیرد و راه‌حل سازنده‌ای ارائه دهد.»
این روش «emotional prompting» نام دارد. این مثال از یک شکایت فرضی استفاده می‌کند.
پرامپت کامل به شرح زیر است:
باید ایمیلی به مشتری‌ای که از قطعی اخیر سرویس ناراضی است بنویسم. مشتری نوشته است: """جناب آقا/خانم،
من بسیار از قطعی غیرمنتظره سرویس دیروز بعدازظهر ناامید شده‌ام. این موضوع به شدت عملیات ما را مختل کرده و باعث کاهش بهره‌وری شده است. ما به خدمات شما اعتماد داریم و چنین اتفاقاتی غیرقابل قبول است. انتظار دارم توضیح واضح و جبران مناسبی دریافت کنم."""
می‌خواهم ایمیل همدلانه باشد، ناراحتی مشتری را بپذیرد و راه‌حل سازنده‌ای ارائه دهد.
در ادامه پاسخی که از مدل زبان دریافت کردیم آمده است
جناب [نام مشتری] محترم،
از پیام شما بسیار سپاسگزاریم و بابت قطعی سرویس که دیروز بعدازظهر تجربه کردید، صمیمانه عذرخواهی می‌کنیم. کاملاً درک می‌کنم که این موضوع چقدر برای شما ناامیدکننده بوده و چه تأثیری بر عملیات کسب‌وکارتان داشته است. بسیار متأسفیم که نتوانستیم انتظارات شما و استانداردهای خدماتی خود را برآورده کنیم.
این قطعی به دلیل [توضیح کوتاه و واضح علت، مثلاً خرابی فنی غیرمنتظره در مرکز داده ما] رخ داد. ما فوراً اقدام کردیم و تکنسین‌های ما سخت تلاش کردند تا سرویس را هرچه سریع‌تر بازیابی کنند. سرویس از ساعت [زمان] به طور کامل فعال شده است.
ما این حادثه را بسیار جدی می‌گیریم و در حال بررسی علت برای جلوگیری از تکرار در آینده هستیم.
برای جبران ناراحتی، خوشحال می‌شویم [پیشنهاد مشخص، مثلاً تخفیف در فاکتور بعدی / ارتقاء رایگان یک ماهه / اعتبار خدمات] را به شما ارائه دهیم. یکی از مدیران حساب ما ظرف ۲۴ ساعت با شما تماس خواهد گرفت تا این موضوع را شخصاً بررسی کند و به سوالات احتمالی پاسخ دهد.
بار دیگر از ناراحتی پیش آمده عذرخواهی می‌کنیم. ما قدردان مشتریان خود هستیم و تلاش می‌کنیم در آینده خدمات قابل اعتمادی که شایسته آن هستید را ارائه دهیم.
با احترام،
[نام شما/نام شرکت]
تکنیک ۷ - درخواست چند نسخه
در این روش چند نسخه از یک پاسخ درخواست می‌کنید تا گزینه‌های مختلف داشته باشید. مثلاً می‌خواهید مدل به تولید چند شعار بازاریابی مختلف برای محصول جدید کمک کند. زاویه‌های دید مختلف زیادی ممکن است وجود داشته باشد، پس چند گزینه می‌خواهید. این می‌تواند به طور مؤثر با تعیین نقش خاص برای مدل و پرامپت سیستمی برای هدایت بیشتر مدل ترکیب شود.
می‌توانید درباره نقش‌ها در مقاله مربوطه بیشتر بخوانید. این مثال چند نسخه‌ای در انتهای مقاله آمده است و اینجا کامل تکرار نمی‌شود.
تکنیک ۸ - ترکیب با پرامپت سیستمی
با پرامپت سیستمی می‌توانید دستوراتی به مدل AI بدهید. این یک دستورالعمل است که به مدل می‌دهید تا وظیفه یا رفتار مدل را به شکل خاصی شکل دهد. می‌توانید مشخص کنید چه نوع خروجی از مدل AI انتظار دارید. این روشی برای هدایت مدل و جلوگیری از پاسخ‌های نامربوط یا ناخواسته است.
چند نمونه پرامپت سیستمی ساده و عمومی:
"می‌خواهم دستیار دوستانه و کمک‌کننده‌ای باشی."
"همیشه حرفه‌ای و محترمانه در زبان خود بمان."
"روی ارائه پاسخ‌های مشخص و کوتاه بدون جزئیات اضافی تمرکز کن."
پرامپت سیستمی به نوعی لحن و انتظارات برای مکالمه یا وظیفه خاصی که با مدل AI می‌خواهید انجام دهید را تعیین می‌کند.
می‌توانید پرامپت سیستمی عمومی را در تنظیمات ترجیحات تعیین کنید، اما بهتر است این پرامپت‌ها را برای هر وظیفه‌ای که می‌خواهید خودکار کنید، جداگانه طراحی کنید. به این نقش‌ها می‌گوییم.
می‌توانید درباره نقش‌ها در مقاله مربوطه بیشتر بخوانید.
حاشیه‌نویسی یک بخش
متنی را در یک پیام چت کامل انتخاب کنید و حاشیه‌نویسی را انتخاب کنید. در پنجره سوال یا دستور تغییر بنویسید، مثلاً «فقط این جمله را ساده‌تر کن»، و ذخیره را بزنید. می‌توانید چند بخش را حاشیه‌نویسی کنید. سپس ارسال کنید؛ پرامپت اضافی در کادر ورودی لازم نیست اما می‌توانید اضافه کنید. بخش حاشیه‌نویسی شده همراه با نظر ذخیره می‌شود، حتی اگر به پنجره دیگری بروید. می‌توانید قبل از ارسال حاشیه‌نویسی را حذف کنید. در موبایل برای انتخاب متن آن را نگه دارید.