در حوزه هوش مصنوعی، توصیه‌ها درباره پرامپت‌نویسی (Prompting) گاه متناقض و زودگذر هستند؛ اما نکات افراد سازنده مدل‌ها و ابزارها معمولاً ارزش بیشتری دارند. بوریس چرنی (Boris Cherny)، خالق Claude Code، در توضیح رویکرد خود گفته است که یک پرامپت خوب به جای اتکا به قالب‌های پیچیده، تنها به سه اصل ساده نیاز دارد.
سه اصل ساده برای پرامپت‌نویسی
چرنی پس از انتشار یک پرامپت ساده و محاوره‌ای برای ساخت یک وب‌سایت تعاملی، توضیح داد که رمز کار در پیچیدگی نیست. به گفته او، سه مؤلفه اصلی یک پرامپت مؤثر عبارت‌اند از:
- بیان شفاف خواسته: مشخص کنید از هوش مصنوعی چه می‌خواهید و نتیجه نهایی چه شکلی باید داشته باشد.
- تعیین میزان تلاش: روشن کنید مدل چقدر زمان و توان محاسباتی برای انجام کار صرف کند.
- فراهم کردن راه راستی‌آزمایی: به مدل امکان دهید خروجی خود را بررسی کند و مطمئن شود کار را درست انجام داده است.
شفاف بگویید چه می‌خواهید
اصل نخست تقریباً بدیهی است: پرامپت باید هدف را روشن کند و مدل را در حالت حدس و گمان قرار ندهد. لازم نیست همه جزئیات را در چند پاراگراف توضیح دهید، اما مدل باید درک درستی از خواسته شما و شکل نتیجه نهایی داشته باشد. چرنی در پرامپت خود توضیح می‌دهد که یک آرتیفکت (Artifact) تعاملی و زیبا می‌خواهد که درس‌های تجاری یک قسمت پادکست را روایت کند و حتی سبک بصری مورد نظر خود را پیشنهاد می‌دهد.
میزان تلاش را مشخص کنید
دومین توصیه به مفهوم تلاش (Effort) مربوط می‌شود؛ یعنی میزان زمان و توان محاسباتی‌ای که مدل برای حل مسئله صرف می‌کند. همه کارها به یک اندازه تفکر نیاز ندارند و برای پرسشی ساده نباید مدت‌ها استدلال کرد، اما در وظایف پیچیده‌تر دادن فضای بیشتر به مدل می‌تواند نتیجه را بهتر کند. چرنی در پرامپت خود صریحاً از Claude می‌خواهد توکن‌های زیاد مصرف کند و تا رسیدن به نتیجه‌ای که به آن افتخار می‌کند ادامه دهد.
راهی برای راستی‌آزمایی بدهید
سومین اصل این است که به ابزار هوش مصنوعی راهی برای بررسی کار خودش بدهید. برای مثال، اگر از Claude Code می‌خواهید برنامه‌ای بسازد، می‌توانید از آن بخواهید تست‌هایی اجرا کند تا مطمئن شود همه‌چیز درست کار می‌کند. هدف این است که مدل فقط فرض نکند وظیفه را انجام داده، بلکه معیاری روشن برای سنجش موفقیت داشته باشد.
پرامپت خود چرنی چه می‌گوید
پرامپت خود چرنی تا حد زیادی همین اصول را نشان می‌دهد: او خواسته‌اش را روشن بیان می‌کند، سبک بصری و هدف نهایی را توضیح می‌دهد و از مدل می‌خواهد با تلاش زیاد و مصرف توکن بیشتر به نتیجه مطلوب برسد. با این حال، در آن پرامپت دستور مشخصی برای اجرای تست یا بررسی خروجی علیه مجموعه‌ای از الزامات دیده نمی‌شود و ارزیابی کیفیت تا حدی به خود مدل سپرده شده است. همین نکته نشان می‌دهد که این سه توصیه لزوماً فرمولی سخت‌گیرانه و یکسان برای همه پرامپت‌ها نیستند.
توصیه‌هایی فراتر از Claude
نویسنده مقاله پس از چند روز آزمایش این رویکرد می‌گوید تمرکز بر بیان شفاف خواسته، تعیین میزان تلاش و روشن کردن شیوه بررسی خروجی، بدون نیاز به قالب‌های پیچیده نتایج خوبی به همراه داشته است. به گفته او، این اصول به Claude محدود نمی‌شوند و در استفاده از ChatGPT، Gemini یا حتی مدل‌های زبانی بزرگ (LLM) محلی نیز قابل به‌کارگیری‌اند.
نکته مهم این است که توصیه‌های پرامپت‌نویسی عمر کوتاهی دارند و با عرضه مدل‌های جدید، روش‌هایی که زمانی کارآمد بودند ممکن است کارایی خود را از دست بدهند. بنابراین، به جای جست‌وجوی ترفندهای پیچیده، تکیه بر اصول ساده و قابل تعمیم می‌تواند رویکردی بادوام‌تر برای تعامل با ابزارهای هوش مصنوعی باشد.