بلاگ / مهندسی پرامپت

مهندسی پرامپت چیست؟ راهنمای کاربردی Prompt Engineering با تکنیک‌های Few-Shot، Chain of Thought و Role Prompting

۱۴۰۵/۵/۷

راهنمای کاربردی مهندسی پرامپت: مراحل طراحی، تست و بهینه‌سازی، شش تکنیک اصلی Prompt Engineering با مثال فارسی، جدول «کدام تکنیک برای کدام کار» و Context Engineering.

مهندسی پرامپت چیست؟ تکنیک‌ها با مثال فارسی

شاید بارها شنیده باشید که «مهندسی پرامپت» یکی از مهارت‌های مهم این روزهاست، اما مهندسی پرامپت چیست و چه فرقی با نوشتن یک پرامپت معمولی دارد؟ در این راهنما Prompt Engineering را به زبان ساده توضیح می‌دهیم، مراحلش را مرور می‌کنیم و تکنیک‌های اصلی آن، یعنی Few-Shot، Chain of Thought، Role Prompting و System Prompt را با مثال‌های فارسی واقعی یاد می‌گیریم. آخر مقاله هم یک جدول دارید که می‌گوید کدام تکنیک برای کدام کار مناسب است.

اگر تازه‌کار هستید و هنوز با فرمول نقش، زمینه، وظیفه و فرمت آشنا نیستید، پیشنهاد می‌کنیم اول اصول پایه‌ی پرامپت نویسی را بخوانید. این مقاله یک قدم جلوتر است و برای مارکترها، متخصص‌های سئو، برنامه‌نویس‌ها و معلم‌هایی نوشته شده که می‌خواهند از هوش مصنوعی خروجی قابل اتکا و تکرارپذیر بگیرند. اگر تمرکزتان روی ساخت تصویر است، بعد از این مقاله سراغ آموزش پرامپت نویسی عکس بروید؛ همان اصول، این بار برای سوژه، نور، لنز و سبک تصویر.

مهندسی پرامپت چیست و چه فرقی با پرامپت نویسی ساده دارد؟

مهندسی پرامپت (Prompt Engineering) یعنی طراحی، تست و بهینه‌سازی سیستماتیک پرامپت‌ها تا یک مدل هوش مصنوعی در موقعیت‌های مختلف، خروجی درست و قابل پیش‌بینی بدهد. پرامپت نویسی ساده جواب خوب گرفتن در «یک گفت‌وگو» است؛ مهندسی پرامپت جواب خوب گرفتن «هر بار» است، حتی وقتی ورودی‌ها عوض می‌شوند یا هزار نفر از همان پرامپت استفاده می‌کنند.

یک مثال ساده فرقشان را روشن می‌کند. اگر برای یک پست اینستاگرام از ChatGPT کپشن بخواهید و چند بار اصلاحش کنید تا خوب شود، پرامپت نویسی کرده‌اید. اما اگر بخواهید پرامپتی بسازید که هر روز برای ۵۰ محصول یک فروشگاه، توضیح محصول با لحن ثابت برند بنویسد، باید به سؤال‌های دیگری هم فکر کنید: اگر اطلاعات یک محصول ناقص بود چه؟ چطور مطمئن شوم لحن ثابت می‌ماند؟ خروجی را با چه معیاری بسنجم؟ این همان مهندسی پرامپت است.

  • پرامپت نویسی: تمرکز روی یک درخواست؛ اصلاح در همان گفت‌وگو؛ معیار موفقیت، رضایت خود شما.
  • مهندسی پرامپت: تمرکز روی یک سیستم؛ تست روی چند ورودی متفاوت؛ معیار موفقیت، کیفیت ثابت و قابل اندازه‌گیری.

مهندسی پرامپت فقط کار شرکت‌های بزرگ هوش مصنوعی نیست. مارکتری که یک قالب ثابت برای نوشتن آگهی دارد، سئوکاری که برای صدها صفحه متا دیسکریپشن می‌سازد، معلمی که برای هر کلاس تمرین در سه سطح می‌خواهد و برنامه‌نویسی که دستیار کدنویسی‌اش را تنظیم می‌کند، همه دارند مهندسی پرامپت انجام می‌دهند. هرجا یک پرامپت قرار است بیش از یک بار و برای ورودی‌های مختلف استفاده شود، ارزش دارد کمی «مهندسی‌اش» کنید.

مراحل مهندسی پرامپت (طراحی، تست، بهینه‌سازی)

یکی از سؤال‌های رایج این است که مهندسی پرامپت چند مرحله دارد. تعداد مراحل در منابع مختلف فرق می‌کند، اما همه‌شان را می‌شود در سه مرحله‌ی اصلی خلاصه کرد که مدام تکرار می‌شوند:

  1. طراحی (Design): هدف را دقیق تعریف کنید و معیار «خروجی خوب» را بنویسید. بعد نسخه‌ی اول پرامپت را با نقش، زمینه، وظیفه، فرمت و محدودیت‌ها بسازید و تکنیک مناسب (مثلاً Few-Shot یا Chain of Thought) را انتخاب کنید.
  2. تست (Test): پرامپت را روی چند ورودی واقعی و متفاوت اجرا کنید؛ از جمله ورودی‌های سخت و غیرعادی، مثل محصولی که توضیح ندارد یا سؤالی که خارج از موضوع است. خروجی‌ها را با معیارهایی که نوشته‌اید مقایسه کنید.
  3. بهینه‌سازی (Optimize): ببینید پرامپت کجا خطا کرده و فقط همان بخش را اصلاح کنید. هر بار یک تغییر بدهید تا بفهمید کدام تغییر اثر داشته. نسخه‌ها را نگه دارید تا اگر نسخه‌ی جدید بدتر شد، برگردید.

یک نکته‌ی عملی: برای تست، یک فایل ساده با ۵ تا ۱۰ ورودی نمونه بسازید و بعد از هر تغییر، همه را دوباره اجرا کنید. همین کار ساده، مهندسی پرامپت را از حدس زدن به یک فرایند قابل اندازه‌گیری تبدیل می‌کند.

تکنیک‌های اصلی Prompt Engineering

تکنیک های پرامپت نویسی زیادند، اما شش تکنیک زیر پایه‌ی بیشتر کارهای حرفه‌ای هستند. اگر می‌خواهید هر کدام را روی پرامپت‌های آماده ببینید، کالکشن پرامپت‌های مهندسی پرامپت دکترپرامپت را باز کنید.

Zero-Shot و One-Shot

Zero-Shot یعنی از مدل کاری را بخواهید بدون اینکه هیچ نمونه‌ای از خروجی بدهید. بیشتر پرامپت‌های روزمره Zero-Shot هستند و برای کارهای ساده و رایج (خلاصه‌سازی، ترجمه، توضیح یک مفهوم) کاملاً کافی‌اند. One-Shot یعنی دقیقاً یک نمونه هم کنار درخواست بگذارید تا مدل فرمت یا سبک را از روی آن بفهمد.

Zero-Shot:
این نظر مشتری را در یکی از سه دسته‌ی «مثبت»، «منفی» یا «خنثی» قرار بده: «بسته دیر رسید ولی کیفیتش عالی بود.»

One-Shot:
نظر مشتری را دسته‌بندی کن و دلیل را در چند کلمه بنویس.
نمونه: «رنگش با عکس فرق داشت» ← منفی (مغایرت با عکس)
نظر جدید: «بسته دیر رسید ولی کیفیتش عالی بود.» ←

قاعده‌ی سرانگشتی ساده است: با Zero-Shot شروع کنید. اگر خروجی از نظر محتوا درست بود ولی فرمتش هر بار فرق کرد، یک نمونه اضافه کنید و One-Shot شوید. اگر لحن یا قواعد ظریف‌تری لازم بود، سراغ Few-Shot بروید.

Few-Shot Prompting (یادگیری با مثال)

Few Shot Prompting یعنی دو یا چند نمونه از ورودی و خروجی ایده‌آل را در پرامپت بگذارید تا مدل الگو را یاد بگیرد و برای ورودی جدید تکرارش کند. این ایده با مقاله‌ی معروف GPT-3 در سال ۲۰۲۰ («Language Models are Few-Shot Learners») جا افتاد و هنوز یکی از مؤثرترین تکنیک‌هاست. Few-Shot وقتی بهترین نتیجه را می‌دهد که توضیح دادن چیزی سخت‌تر از نشان دادنش باشد؛ مثل لحن برند، فرمت خاص یا قواعد دسته‌بندی.

سه نکته برای Few-Shot بهتر: نمونه‌ها را متنوع انتخاب کنید تا مدل فقط یک حالت را کپی نکند؛ فرمت همه‌ی نمونه‌ها را دقیقاً یکسان نگه دارید؛ و نمونه‌ها را از کارهای واقعی خودتان بیاورید. برای آموزش کامل، آموزش کامل Few-Shot را بخوانید و یک مثال Few-Shot در ترجمه را هم جداگانه آورده‌ایم.

عنوان‌های زیر را به عنوان سئوشده‌ی کوتاه (حداکثر ۶۰ کاراکتر) تبدیل کن، با همین الگو:

ورودی: راهنمای خرید کفش رانینگ برای مبتدی‌ها
خروجی: خرید کفش رانینگ؛ راهنمای ساده برای مبتدی‌ها

ورودی: چطور گیاه آپارتمانی را در زمستان نگهداری کنیم
خروجی: نگهداری گیاه آپارتمانی در زمستان؛ ۷ نکته‌ی کاربردی

ورودی: معرفی بهترین روش‌های دم کردن قهوه در خانه
خروجی:

Chain of Thought (تفکر گام‌به‌گام)

Chain of Thought یعنی از مدل بخواهید قبل از جواب نهایی، مسئله را مرحله‌به‌مرحله بررسی کند. پژوهشگران گوگل در سال ۲۰۲۲ نشان دادند که این کار دقت مدل‌ها را در مسئله‌های ریاضی و استدلالی به‌طور محسوسی بالا می‌برد. ساده‌ترین شکلش اضافه کردن جمله‌ای مثل «قدم‌به‌قدم فکر کن» است، اما شکل حرفه‌ای‌اش این است که خودتان مراحل بررسی را مشخص کنید.

یک نکته‌ی به‌روز: مدل‌های استدلالی جدید (حالت‌های Thinking در ChatGPT، Claude و Gemini) خودشان قبل از جواب فکر می‌کنند. در این مدل‌ها لازم نیست اصرار کنید که «فکرت را بنویس»؛ بهتر است معیارهای تصمیم و مراحل بررسی را بدهید و بخواهید خروجی نهایی، خلاصه‌ی استدلال را هم نشان دهد. آموزش مفصل را در آموزش Chain of Thought آورده‌ایم.

می‌خواهم بین دو پلن تبلیغاتی یکی را انتخاب کنم. قبل از جواب نهایی، این مراحل را جداگانه بررسی کن:
۱. هزینه‌ی هر سرنخ (Lead) را برای هر پلن حساب کن.
۲. ریسک هر پلن را با توجه به بودجه‌ی محدود ما بسنج.
۳. بگو کدام پلن با هدف ما (۲۰۰ سرنخ در ماه) سازگارتر است.
در آخر، جواب نهایی را در یک جمله و خلاصه‌ی دلیل را در ۳ خط بنویس.
اطلاعات پلن‌ها: [اطلاعات]

Role Prompting و System Prompt

Role Prompting یعنی به مدل یک نقش مشخص بدهید تا از زاویه‌ی همان تخصص جواب بدهد. نقش خوب فقط یک عنوان شغلی نیست؛ تخصص، مخاطب، اولویت‌ها و محدودیت‌ها را هم دارد. برای نمونه‌های آماده، پرامپت‌های نقش‌ساز آماده را ببینید و راهنمای کامل را در راهنمای نقش دادن به هوش مصنوعی بخوانید.

System Prompt دستورالعملی است که در سطح «سیستم» به مدل داده می‌شود و در کل گفت‌وگو فعال می‌ماند؛ برخلاف پیام‌های عادی که هر بار می‌فرستید. در API مدل‌ها پیام System جداست و در محیط‌های چت معمولاً با قابلیت‌هایی مثل «دستورالعمل سفارشی» (Custom Instructions)، Projects یا Gems شبیه‌سازی می‌شود. نقش، لحن، قواعد ثابت و فرمت پیش‌فرض بهترین چیزهایی هستند که باید در System Prompt بگذارید.

System Prompt:
تو دستیار پشتیبانی فروشگاه اینترنتی «سبزینه» هستی که لوازم باغبانی خانگی می‌فروشد.
- همیشه فارسی، مؤدب و کوتاه جواب بده (حداکثر ۸۰ کلمه).
- فقط درباره‌ی محصولات، سفارش‌ها و نگهداری گیاه جواب بده؛ برای سؤال‌های نامرتبط، مؤدبانه بگو در این زمینه کمکی از دستت برنمی‌آید.
- درباره‌ی قیمت و موجودی حدس نزن؛ کاربر را به صفحه‌ی محصول ارجاع بده.
- اگر مشتری ناراضی است، اول همدلی کن، بعد راه‌حل بده.

Prompt Chaining (پرامپت زنجیره‌ای)

Prompt Chaining یعنی یک کار بزرگ را به چند پرامپت کوچک‌تر بشکنید و خروجی هر مرحله را ورودی مرحله‌ی بعد کنید. به‌جای یک پرامپت غول‌پیکر که «تحقیق کن، ساختار بده، بنویس و ویرایش کن»، چهار پرامپت جدا می‌نویسید. مزیتش این است که هر مرحله را جداگانه کنترل و اصلاح می‌کنید و اگر یک مرحله خراب شد، لازم نیست همه‌چیز را از اول اجرا کنید.

Prompt Chaining نقطه‌ی مقابل پرامپت‌های خیلی بلند تک‌مرحله‌ای است. اگر می‌خواهید بدانید کی یک پرامپت بلند و کامل بهتر است و کی زنجیره، مقاله‌ی مگا پرامپت چیست را ببینید.

مرحله ۱: برای موضوع «[موضوع]» ۱۰ سؤالی را که مخاطب [مخاطب] معمولاً می‌پرسد فهرست کن.
مرحله ۲: با این سؤال‌ها یک ساختار مقاله با تیترهای H2 و H3 بساز. [خروجی مرحله ۱]
مرحله ۳: بخش اول این ساختار را با لحن نیمه‌رسمی و مثال واقعی بنویس. [خروجی مرحله ۲]
مرحله ۴: متن را از نظر تکرار، جمله‌های طولانی و ادعاهای بدون منبع ویرایش کن. [خروجی مرحله ۳]

یک ترفند مفید در زنجیره، اضافه کردن یک «مرحله‌ی بازبینی» است: بعد از تولید، از مدل (یا یک گفت‌وگوی جدید) بخواهید خروجی را با معیارهای اولیه چک کند و فقط ایرادها را فهرست کند. جدا کردن «نوشتن» از «بازبینی» معمولاً خطاهایی را پیدا می‌کند که در یک مرحله‌ی واحد دیده نمی‌شوند.

JSON Prompt و خروجی ساختاریافته

وقتی خروجی مدل قرار است وارد یک نرم‌افزار، اکسل یا ابزار اتوماسیون مثل n8n و Make شود، متن آزاد به کار نمی‌آید؛ خروجی ساختاریافته لازم دارید. JSON Prompt یعنی دقیقاً مشخص کنید خروجی چه فیلدهایی با چه نوعی داشته باشد. بسیاری از APIها امروز قابلیت Structured Outputs دارند که خروجی را به یک اسکیما (Schema) مشخص مقید می‌کند؛ اما حتی در چت معمولی هم یک نمونه‌ی دقیق JSON در پرامپت، خروجی را خیلی منظم‌تر می‌کند.

Extract the following fields from the customer message below.
Return ONLY valid JSON, no extra text, using exactly this structure:
{
  "customer_name": string or null,
  "order_id": string or null,
  "issue_type": "delivery" | "payment" | "product" | "other",
  "sentiment": "positive" | "neutral" | "negative",
  "summary_fa": string (max 20 words, in Persian)
}
If a field is not mentioned, use null. Do not guess.
Message: """[پیام مشتری]"""

کدام تکنیک برای کدام کار؟ (جدول مقایسه)

این جدول کمک می‌کند برای هر کار، سریع تکنیک مناسب را انتخاب کنید. در عمل معمولاً چند تکنیک را با هم ترکیب می‌کنید؛ مثلاً Role و Few-Shot در یک پرامپت.

تکنیک بهترین کاربرد مثال کار نکته‌ی کلیدی
Zero-Shot کارهای ساده و رایج خلاصه‌سازی، ترجمه‌ی ساده دستور را روشن و کامل بنویسید
One-Shot / Few-Shot لحن، فرمت یا دسته‌بندی خاص توضیح محصول با لحن برند نمونه‌های متنوع و هم‌فرمت
Chain of Thought استدلال، محاسبه، تصمیم‌گیری مقایسه‌ی دو پلن تبلیغاتی مراحل و معیارها را خودتان بدهید
Role Prompting جواب تخصصی از زاویه‌ی خاص بازبینی متن با نگاه سئوکار نقش دقیق، نه «بهترین متخصص دنیا»
System Prompt قواعد ثابت در کل گفت‌وگو چت‌بات پشتیبانی فروشگاه قواعد کوتاه، روشن و بدون تناقض
Prompt Chaining کارهای بزرگ چندمرحله‌ای تحقیق تا نگارش یک مقاله هر مرحله را جداگانه کنترل کنید
JSON / خروجی ساختاریافته اتصال به نرم‌افزار و اتوماسیون استخراج اطلاعات از پیام مشتری اسکیما دقیق و «حدس نزن»

مهندسی پرامپت در عمل

حالا سه سناریوی واقعی را می‌بینیم که هر کدام یک تکنیک را در کار روزمره نشان می‌دهد. اگر معلم هستید، کاربرد تکنیک‌ها در کلاس درس را هم ببینید.

مثال: لحن برند با Few-Shot

یک برند پوشاک می‌خواهد همه‌ی پست‌هایش لحن یکسانی داشته باشند: کوتاه، کمی شوخ و بدون اغراق. به‌جای توضیح دادن این لحن، سه کپشن موفق قبلی را به‌عنوان نمونه می‌دهیم.

تو کپی‌رایتر برند پوشاک «نخ» هستی. کپشن‌های ما کوتاه، کمی شوخ و بدون اغراق هستند. سه نمونه از کپشن‌های قبلی ما:

۱. «هودی جدید رسید. نرم‌تر از جواب مامان وقتی می‌گی گشنمه.»
۲. «شلوار کتان کرم؛ با همه‌چیز ست می‌شه، جز تنبلی صبح شنبه.»
۳. «ژاکت بافت برای روزهایی که هوا تصمیمش رو نگرفته.»

حالا با همین لحن و طول، ۳ کپشن برای «کلاه بافت دست‌دوز» بنویس. از ایموجی و کلمه‌هایی مثل «بی‌نظیر» و «فوق‌العاده» استفاده نکن.

نتیجه معمولاً از هر توضیح انتزاعی درباره‌ی لحن دقیق‌تر است، چون مدل الگو را مستقیم می‌بیند. اگر خروجی هنوز با لحن برند فاصله دارد، یک نمونه‌ی دیگر اضافه کنید یا نمونه‌ای را که کمتر شبیه بقیه است حذف کنید.

مثال: حل مسئله با Chain of Thought

یک فروشگاه اینترنتی می‌خواهد بداند تخفیف ۲۰ درصدی برایش سود دارد یا نه. این یک مسئله‌ی چندمرحله‌ای است و اگر مستقیم جواب بخواهید، احتمال خطای محاسباتی بالا می‌رود.

اطلاعات: قیمت فروش یک محصول ۵۰۰ هزار تومان و هزینه‌ی تمام‌شده‌ی آن ۳۵۰ هزار تومان است. ماهانه ۱۰۰ عدد می‌فروشیم.
سؤال: اگر ۲۰ درصد تخفیف بدهیم، فروش ماهانه حداقل باید به چند عدد برسد تا سود کل ماه کمتر از الان نشود؟
مرحله‌به‌مرحله حل کن: اول سود فعلی هر واحد و سود کل ماه را حساب کن، بعد سود هر واحد بعد از تخفیف، و در آخر حداقل تعداد فروش لازم. در پایان جواب نهایی را در یک خط بنویس.

جواب درست این است: سود فعلی هر واحد ۱۵۰ هزار تومان و سود ماه ۱۵ میلیون تومان است؛ بعد از تخفیف، قیمت ۴۰۰ هزار و سود هر واحد ۵۰ هزار تومان می‌شود، پس برای حفظ همان سود باید ماهانه ۳۰۰ عدد بفروشید؛ یعنی سه برابر فروش فعلی. وقتی مراحل را مشخص کرده باشید، بررسی درستی هر مرحله هم برای خودتان راحت‌تر است.

مثال: کدنویسی با Role و System Prompt

برای برنامه‌نویس‌ها، ترکیب Role و System Prompt یعنی تعریف یک «همکار ثابت» با استانداردهای تیم. این دستورالعمل را یک بار در System Prompt یا تنظیمات پروژه می‌گذارید و در همه‌ی گفت‌وگوها رعایت می‌شود. همین ایده را در Chain of Thought در وایب کدینگ گسترش داده‌ایم.

System Prompt:
تو توسعه‌دهنده‌ی ارشد Laravel در یک تیم کوچک هستی.
- کد را با استانداردهای PSR-12 بنویس و برای هر متد عمومی، کامنت کوتاه بگذار.
- قبل از نوشتن کد، در ۳ خط بگو چه رویکردی انتخاب کرده‌ای و چرا.
- اگر درخواست مبهم است یا نسخه‌ی فریم‌ورک را نمی‌دانی، اول سؤال بپرس.
- هیچ‌وقت کلید API یا رمز عبور را داخل کد ننویس؛ از متغیرهای محیطی استفاده کن.
- اگر تغییری روی دیتابیس لازم است، Migration جداگانه پیشنهاد بده.

اگر می‌خواهید این تکنیک‌ها را در تیم یا سازمان‌تان به‌صورت منظم آموزش دهید، سرفصل کامل یک دوره‌ی ده‌جلسه‌ای با خروجی هر جلسه را در راهنمای آموزش هوش مصنوعی سازمانی ببینید.

Context Engineering؛ قدم بعدی مهندسی پرامپت

هرچه مدل‌ها قوی‌تر شده‌اند، گلوگاه از «نحوه‌ی نوشتن دستور» به «اطلاعاتی که مدل در اختیار دارد» منتقل شده است. Context Engineering یعنی طراحی کل اطلاعاتی که در لحظه‌ی جواب دادن جلوی مدل است: System Prompt، تاریخچه‌ی گفت‌وگو، فایل‌ها و اسناد مرتبط، نتیجه‌ی جست‌وجو، ابزارهایی که مدل می‌تواند صدا بزند و حافظه‌ی بلندمدت.

به زبان ساده، مهندسی پرامپت می‌پرسد «چطور بپرسم؟» و Context Engineering می‌پرسد «مدل برای جواب درست چه چیزهایی را باید بداند و چه چیزهایی را نباید ببیند؟». چند اصل کاربردی:

  • اطلاعات مرتبط، نه همه‌ی اطلاعات: کانتکست شلوغ و نامرتبط، دقت را پایین می‌آورد. فقط اسنادی را بدهید که به کار فعلی ربط دارند.
  • ساختار روشن: بخش‌ها را با تیتر یا تگ جدا کنید تا مدل بداند کدام قسمت دستور است و کدام داده.
  • به‌روز نگه داشتن: اطلاعات قدیمی (قیمت قبلی، قانون منسوخ) از نبودن اطلاعات خطرناک‌تر است.
  • جدا کردن حافظه از دستور: قواعد ثابت در System Prompt، اطلاعات متغیر در پیام‌ها یا فایل‌ها.

Context Engineering پایه‌ی ساخت دستیارها و ایجنت‌های هوش مصنوعی است که چند کار را پشت‌سرهم و با ابزارهای مختلف انجام می‌دهند؛ درباره‌ی ایجنت‌های تولید محتوا جداگانه نوشته‌ایم.

تمرین عملی در چت Claude و Gemini

بهترین راه یادگیری مهندسی پرامپت، تمرین روی یک کار واقعی و مقایسه‌ی خروجی‌هاست. این تمرین ۲۰ دقیقه‌ای را انجام دهید:

  1. یک کار تکراری از کارهای هفتگی‌تان انتخاب کنید؛ مثلاً نوشتن توضیح محصول یا جواب به ایمیل مشتری.
  2. یک پرامپت Zero-Shot ساده بنویسید و روی سه ورودی متفاوت اجرا کنید.
  3. همان پرامپت را با دو نمونه‌ی واقعی (Few-Shot) و یک نقش مشخص (Role) بازنویسی کنید.
  4. هر دو نسخه را در دو مدل مختلف اجرا کنید و خروجی‌ها را با یک معیار ساده (مثلاً «بدون ویرایش قابل انتشار است یا نه») مقایسه کنید.
  5. نسخه‌ی برنده را ذخیره کنید و یادداشت کنید چه تغییری بیشترین اثر را داشت.

برای مرحله‌ی چهارم لازم نیست بین چند سایت جابه‌جا شوید؛ تمرین این تکنیک‌ها در چت Claude و Gemini داخل خود دکترپرامپت ممکن است. این پرامپت هم به شما کمک می‌کند خروجی‌ها را منصفانه مقایسه کنید:

تو یک ارزیاب بی‌طرف محتوا هستی. دو خروجی زیر برای یک وظیفه نوشته شده‌اند.
وظیفه: [وظیفه]
هر خروجی را از ۱ تا ۵ در این معیارها نمره بده: دقت، رعایت لحن، رعایت فرمت، قابل انتشار بودن بدون ویرایش.
نمره‌ها را در یک جدول بده و در آخر بگو کدام بهتر است و چرا (حداکثر ۳ خط).
خروجی A: """[...]"""
خروجی B: """[...]"""

سوالات متداول درباره مهندسی پرامپت

آیا مهندسی پرامپت هنوز مهارت مهمی است، وقتی مدل‌ها این‌قدر باهوش شده‌اند؟

بله، اما شکلش عوض شده است. مدل‌های جدید به ترفندهای کلامی کمتر نیاز دارند، اما همچنان نمی‌توانند اطلاعاتی را که به آن‌ها نداده‌اید حدس بزنند. امروز وزن کار از «جمله‌بندی زیرکانه» به «تعریف دقیق هدف، کانتکست و معیار کیفیت» رفته است.

مهندسی پرامپت چند مرحله دارد؟

در اصل سه مرحله‌ی تکرارشونده: طراحی، تست و بهینه‌سازی. بعضی منابع مراحلی مثل تعریف هدف یا مستندسازی را جدا می‌شمارند، اما همه‌شان زیرمجموعه‌ی همین سه مرحله‌اند.

System Prompt را کجا بنویسم؟

در API مدل‌ها، پیام System یک بخش جداست. در محیط‌های چت، از قابلیت‌هایی مثل دستورالعمل سفارشی، Projects یا Gems استفاده کنید. اگر هیچ‌کدام در دسترس نیست، دستورالعمل را در اولین پیام گفت‌وگو بنویسید و بگویید تا آخر گفت‌وگو رعایتش کند.

Few-Shot بهتر است یا Zero-Shot؟

هیچ‌کدام همیشه بهتر نیست. اگر کار رایج و ساده است، Zero-Shot کافی و سریع‌تر است. اگر لحن، فرمت یا قواعد خاصی دارید که توضیحش سخت است، Few-Shot معمولاً نتیجه‌ی بهتری می‌دهد.

برای یادگیری مهندسی پرامپت باید برنامه‌نویسی بلد باشم؟

برای بیشتر تکنیک‌ها نه. Few-Shot، Chain of Thought و Role Prompting را در هر چتی می‌شود تمرین کرد. فقط برای خروجی‌های ساختاریافته در API و ساخت ایجنت، آشنایی فنی کمک می‌کند.


جمع‌بندی: اگر بخواهیم در یک جمله بگوییم مهندسی پرامپت چیست: تبدیل پرامپت نویسی از یک کار حسی به یک فرایند قابل تکرار. هدف و معیار را تعریف کنید، تکنیک مناسب (Few-Shot، Chain of Thought، Role Prompting یا System Prompt) را انتخاب کنید، روی ورودی‌های واقعی تست کنید و مرحله‌به‌مرحله بهینه کنید. با این روش، خروجی هوش مصنوعی از «گاهی خوب» به «همیشه قابل اتکا» می‌رسد.

اگر می‌خواهید این تکنیک‌ها را روی پرامپت‌های حرفه‌ای و تست‌شده ببینید و در چت Claude و Gemini تمرین کنید، پلن‌های اشتراک Dr.Pass را ببینید. نمونه‌های آماده را هم می‌توانید در آرشیو پرامپت حرفه‌ای دکترپرامپت مرور کنید.

پرامپت‌های مرتبط

آماده کپی
آماده کپی

مقالات مرتبط

دکترپرامپت

مهندسی پرامپت

شخصی‌سازی پرامپت آماده؛ راهنمای گام‌به‌گام برای گرفتن جواب حرفه‌ای

پرامپت آماده فقط نقطه شروع است. در این راهنما یاد می‌گیرید با پنج لایه شخصی‌سازی، قالب‌های عمومی را به پرامپت‌هایی تبدیل کنید که خروجی مخصوص کسب‌وکار شما می‌دهند.

۱۴۰۵/۸/۱۴

دکترپرامپت

توسعه و برنامه‌نویسی

مدل‌های هوش مصنوعی چینی ۲۰۲۶؛ Kimi K3، GLM-5.3، Wan3.0 و MiniMax H3

مرور تازه‌ترین مدل‌های هوش مصنوعی چینی بر اساس صفحات رسمی: Kimi K3 و K2.8 Preview، GLM-5.3، Wan3.0 و MiniMax H3؛ و این‌که برای کاربر ایرانی چه معنایی دارند.

۱۴۰۵/۸/۱۳

دکترپرامپت

توسعه و برنامه‌نویسی

کلود اپوس ۵.۵؛ قوی‌ترین مدل Anthropic برای برنامه‌نویسی و پروژه‌های بزرگ

Anthropic در ۲۲ سپتامبر ۲۰۲۶ Claude Opus 5.5 را با عملکرد پیشرو در کدنویسی ایجنتی و ۴۰ درصد هزینه کمتر از Opus 5 معرفی کرد. راهنمای کامل برای برنامه‌نویسان.

۱۴۰۵/۸/۱۲

دکترپرامپت

مهندسی پرامپت

ابزار هوش مصنوعی رایگان برای فارسی‌زبان‌ها در ۲۰۲۶؛ چه چیزی واقعاً رایگان است؟

کدام ابزار هوش مصنوعی رایگان واقعاً به درد کار روزمره می‌خورد؟ راهنمای پلن‌های رایگان ChatGPT، Claude و DeepSeek، مدل‌های متن‌باز و ۷ ترفند برای استفاده بهتر.

۱۴۰۵/۸/۱۱