مهندسی پرامپت (Prompt Engineering) در مدل‌های جدیدتر، بیشتر یعنی حذف نویز و ساخت‌دهی متغیرها، نه افزودن تکنیک‌های بیشتر. مستر پرامپت مؤثر یک متن ثابت نیست؛ یک ساختار پارامتریک سه‌بخشی است که بخش متغیرهایش مهم‌ترین عامل قابل‌استفاده‌ی مجدد محسوب می‌شود و همین ساده‌سازی، خروجی را از حالت تصادفی به حالت تکرارپذیر می‌برد.

مهندسی پرامپت چیست و چه فرقی با دستور ساده‌نویسی دارد#

مهندسی پرامپت طراحی ساختارمند ورودی مدل زبانی (Large Language Model) است تا خروجی قابل‌تکرار و قابل‌پیش‌بینی بدهد. دستور ساده‌نویسی یک‌بار انجام می‌شود و نتیجه‌ی بعدی تصادفی است؛ اما مهندسی پرامپت یک سیستم تولید می‌سازد که هر بار خروجی هم‌کیفیت تحویل می‌دهد.

مدل زبانی بزرگ ورودی را به‌صورت توکن (Token) پردازش می‌کند و ساختار پرامپت مستقیماً روی توزیع احتمال خروجی اثر می‌گذارد. هر کلمه‌ای که اضافه یا حذف می‌کنید، مسیر انتخاب مدل را تغییر می‌دهد.

مستندات رسمی OpenAI برای GPT-4 چند استراتژی اصلی پیشنهاد می‌کند: دستورالعمل‌های روشن، ارائه‌ی متن مرجع، تقسیم وظایف پیچیده، دادن زمان به مدل برای فکر کردن، و ارزیابی خروجی. اما نکته‌ی عملی‌ای که در همین مستندات کم‌تر دیده می‌شود این است: در مدل‌های جدیدتر این استراتژی‌ها بیشتر «حذف» می‌خواهند تا «افزودن». مدل‌های GPT-4 و Claude 3 توانایی استنتاج نیات پنهان را دارند و شلوغی پرامپت عملاً نویز ایجاد می‌کند، نه راهنمایی.

مستر پرامپت چرا بهتر از پرامپت معمولی جواب می‌دهد؟#

مستر پرامپت (Master Prompt) یک پرامپت پارامتریک است که با تغییر متغیرها در هر بار استفاده خروجی جدید و هم‌کیفیت تولید می‌کند. پرامپت معمولی ثابت است و برای هر نیاز باید از نو نوشته شود؛ نتیجه‌اش هم قابل‌پیش‌بینی نیست.

در پروژه‌های واقعی یک الگوی تکرارشونده دیده می‌شود: مستر پرامپت از سه بخش مجزا ساخته می‌شود — هویت و محدودیت، ساختار خروجی، و متغیرهای پارامتریک. بخش متغیرها دقیقاً همان چیزی است که پرامپت را از «یک دستور ثابت» به «یک سیستم قابل‌بازاستفاده» تبدیل می‌کند.

هزینه‌ی پنهان پرامپت بدون ساختار پارامتریک این است: کاربر در هر بار استفاده وقت قابل‌توجهی صرف اصلاح خروجی و تنظیم مجدد می‌کند. با مستر پرامپت درست‌ساخته، فقط مقدار متغیرها عوض می‌شود و بقیه‌ی ساختار ثابت می‌ماند — یعنی اصلاح خروجی عملاً حذف می‌شود.

ساختار سه‌بخشی مستر پرامپت مؤثر#

مستر پرامپت مؤثر از سه بخش مجزا ساخته می‌شود: هویت و محدودیت‌ها، ساختار خروجی، و متغیرهای پارامتریک. بخش سوم آنچه در مقالات آموزشی کمتر گفته می‌شود و عامل اصلی قابل‌استفاده‌ی مجدد است.

سه بلور هندسی مجزا که در کنار هم یک ساختار یکپارچه و متعادل می‌سازند، نشان‌دهنده معماری سه‌بخشی مستر پرامپت
هر بخش مستر پرامپت مانند یک لایه‌ی مستقل عمل می‌کند اما در کنار هم یک کل واحد می‌سازند.

شرح هر بخش#

بخش اول — هویت و محدودیت: نقش مدل، لحن، و مرزهای خروجی را مشخص می‌کند. مثلاً «تو یک ویراستار محتوای فارسی هستی که از کلمات عربی استفاده نمی‌کند». این بخش ثابت است و تغییر نمی‌کند.

بخش دوم — ساختار خروجی: قالب دقیق، طول، و ترتیب اجزای خروجی را تعیین می‌کند. مثلاً «خروجی شامل سه پاراگراف است: اول نتیجه‌گیری، دوم شواهد، سوم پیشنهاد عملی». این بخش هم معمولاً ثابت می‌ماند.

بخش سوم — متغیرهای پارامتریک: placeholders که در هر بار استفاده مقدار می‌گیرند. مثلاً موضوع، مخاطب، یا زاویه‌ی دید. این بخش هر بار عوض می‌شود و همین پرامپت را زنده نگه می‌دارد.

مراحل عملی ساخت مستر پرامپت قابل‌استفاده‌ی مجدد#

  1. یک خروجی مطلوب دستی بنویسید (نه با کمک مدل). این نسخه‌ی مرجع شماست.
  2. از خودتان بپرسید: چه چیزهایی در این خروجی ثابت‌اند؟ آن‌ها را در بخش هویت و ساختار قرار دهید.
  3. چه چیزهایی عوض می‌شوند؟ آن‌ها را به‌صورت متغیر با نام مشخص تعریف کنید.
  4. پرامپت را با ۳ ورودی مختلف تست کنید. اگر خروجی‌ها هم‌کیفیت‌اند، مستر پرامپت شما قابل‌استفاده‌ی مجدد است.
  5. اگر خروجی‌ها نوسان دارند، متغیرها را شفاف‌تر یا محدودتر کنید.

نمونه‌ی مستر پرامپت آماده:

تو یک نویسنده‌ی محتوای فارسی هستی که لحن محاوره‌ای و بی‌تعارف دارد. از کلمات عربی و عبارت‌های تشریفاتی پرهیز کن.

ساختار خروجی:
— پاراگراف اول: نتیجه‌ی اصلی در ۴۰ تا ۶۰ کلمه
— پاراگراف دوم: ۲ دلیل یا شواهد
— پاراگراف سوم: یک پیشنهاد عملی

متغیرها:
موضوع: {{topic}}
مخاطب: {{audience}}
زاویه‌ی دید: {{angle}}

تکنیک‌های پرامپت‌نویسی هرکدام کجا استفاده می‌شوند؟#

تکنیک‌های پرامپت‌نویسی هرکدام یک هدف مشخص دارند و ترکیب همه‌ی آن‌ها در یک پرامپت، مدل را گیج می‌کند. انتخاب تکنیک بر اساس نوع مسئله انجام می‌شود، نه بر اساس تعداد تکنیک‌ها.

تکنیککاربرد اصلیخطای رایج
Zero-Shot Prompting (بدون نمونه)کارهای ساده و مستقیم مثل ترجمه یا خلاصه‌سازیبرای کارهای پیچیده بدون نمونه، خروجی ساختارمند نمی‌دهد
Few-Shot Prompting (با چند نمونه)الگوبرداری از سبک و ساختار خاصنمونه‌های ناهمگن، مدل را به سمت میانگین می‌کشاند
Chain-of-Thought (زنجیره‌ی فکر)مسائل استدلالی و ریاضیدر تولید محتوای خلاقانه، خروجی را طولانی و پرحاشیه می‌کند
Role Prompting (نقش‌دهی)تنظیم لحن و زاویه‌ی دیدنقش‌های بیش‌ازحد خاص، مدل را از داده‌های واقعی دور می‌کنند

استثنای فارسی‌زبان#

ترکیب فارسی و انگلیسی در یک پرامپت گاهی خروجی را غیرقابل‌پیش‌بینی تغییر می‌دهد. زبان پرامپت و زبان خروجی را صریحاً جدا کنید. در بخش محدودیت‌ها، قوانین نگارش فارسی (نیم‌فاصله، حروف فارسی «ی» و «ک») را صریح ذکر کنید. اگر پرامپت انگلیسی است و خروجی فارسی می‌خواهید، این را در پرامپت بنویسید نه اینکه فرض کنید مدل خودش می‌فهمد.

نمونه‌ی پرامپت دوم:

Write in Persian (Farsi). Use half-spaces (نیم‌فاصله) correctly. Use Persian characters ی and ک, not Arabic variants.

Role: You are a technical writer who explains complex concepts simply.
Tone: Direct, confident, no fluff.
Output format: {{format}}
Topic: {{topic}}
Target reader: {{reader}}

اشتباهات رایج و هزینه‌ی پنهانشان#

اشتباهات رایج مهندسی پرامپت در پروژه‌های واقعی تکرار می‌شوند و هرکدام هزینه‌ی مشخصی بر کیفیت خروجی و زمان کاربر می‌گذارد.

  • «هر پرامپت را با think step by step شروع کنید»: فقط در مسائل استدلالی مؤثر است. در تولید محتوا، خروجی را بیش‌ازحد طولانی و تکراری می‌کند.
  • «پرامپت هرچه بلندتر، خروجی بهتر»: مشکل از عدم شفافیت است نه کمبود کلمه. پرامپت ۵۰۰ کلمه‌ای مبهم از پرامپت ۸۰ کلمه‌ای شفاف بدتر نتیجه می‌دهد.
  • «مستر پرامپت یعنی یک پرامپت ثابت برای همه‌ی موارد»: مستر پرامپت ساختار پارامتریک دارد، نه یک‌بار‌نوشته‌شده. اگر متغیر ندارد، مستر پرامپت نیست.
  • «یک بار پرامپت بنویس و تمام»: بدون چرخه‌ی ارزیابی و تکرار (Iteration)، کیفیت خروجی محدود می‌ماند. رسیدن به نسخه‌ی قابل‌استفاده‌ی مجدد معمولاً چند چرخه‌ی تست نیاز دارد.
  • «استفاده از تمام تکنیک‌ها همزمان»: مدل را گیج می‌کند. هر تکنیک یک سیگنال است؛ سیگنال‌های متضاد، خروجی تصادفی می‌سازند.
  • «مهندسی پرامپت جای برنامه‌نویسی را می‌گیرد»: بدون کدنویسی نمی‌توان سیستم‌های پرامپت را مقیاس داد، خطاها را مدیریت کرد، یا خروجی را به سامانه‌های دیگر وصل کرد.

مهندسی context چه فرقی با مهندسی پرامپت دارد؟#

مهندسی context (Context Engineering) مدیریت پویای پنجره‌ی زمینه، اولویت‌دهی به اسناد مرجع و حذف اطلاعات غیرمرتبط است؛ در حالی که مهندسی پرامپت روی متن ورودی متمرکز می‌ماند. در مدل‌های جدیدتر، مهندسی context تأثیر بیشتری بر کیفیت خروجی دارد تا خودِ پرامپت‌نویسی.

مستر پرامپت یک فایل استاتیک است؛ context engineering پویا و زمان‌مندی‌شده است. یعنی در هر درخواست، تصمیم می‌گیرید چه اطلاعاتی وارد پنجره‌ی context شود و چه اطلاعاتی حذف شود.

وقتی مدل به دانش تخصصی یا داده‌های داخلی سازمان نیاز دارد که در پنجره‌ی context نمی‌گنجد، RAG (Retrieval-Augmented Generation) مناسب است. وقتی سبک و ساختار خروجی به‌طور بنیادی باید تغییر کند و پرامپت‌نویسی به حد مطلوب نمی‌رسد، fine-tuning گزینه‌ی بعدی است. اما هر دو نیازمند زیرساخت فنی‌اند و در بسیاری موارد، یک مستر پرامپت درست‌ساخته همان نتیجه را با هزینه‌ی بسیار کمتر می‌دهد.

ابزارهای مدیریت و تست پرامپت کدام‌اند؟#

ابزارهای مدیریت و تست پرامپت سه دسته‌اند: ردیابی نسخه، ارزیابی خودکار، و ساخت سیستم چندمرحله‌ای. انتخاب ابزار به مقیاس پروژه بستگی دارد.

ابزارکارکرد اصلیمناسب برای
PromptLayerردیابی و نسخه‌بندی پرامپت‌هاتیم‌هایی که می‌خواهند تاریخچه‌ی تغییرات پرامپت را داشته باشند
LangSmithارزیابی و دیباگ زنجیره‌های پرامپتسیستم‌های چندمرحله‌ای با نیاز به تست خودکار
LangChainساخت سیستم‌های چندمرحله‌ای پرامپتتوسعه‌دهندگانی که پرامپت را به کد وصل می‌کنند
OpenAI Playground / Anthropic Consoleتست سریع بدون زیرساختفاز طراحی و آزمایش اولیه

چرخه‌ی ارزیابی و تکرار در طراحی پرامپت#

پرامپت‌نویسی بدون چرخه‌ی ارزیابی، حدس‌زدن است. یک چرخه‌ی عملی ساده: پرامپت را بنویسید، با چند ورودی مختلف تست کنید، خروجی‌ها را با معیار مشخص مقایسه کنید، و بر اساس نوسانات، پرامپت را اصلاح کنید. این چرخه تا رسیدن به ثبات ادامه می‌یابد.

اگر هنوز در مرحله‌ی «کدام ابزار را انتخاب کنم» یا «چطور پرامپت‌هایم را مقیاس بدهم» گیر کرده‌اید، مسیر عملی‌تر این است که اول با یک ابزار تست سریع شروع کنید، پرامپت‌هایتان را بنویسید، و بعد از رسیدن به ثبات، سراغ ابزارهای مدیریت نسخه بروید. ترتیب را عوض نکنید؛ این خطای رایجی است که وقت زیادی می‌گیرد.

مهندسی پرامپت مؤثر یعنی حذف نویز، ساخت‌دهی متغیرها، و پذیرش اینکه مدل‌های جدیدتر با پرامپت کوتاه‌تر و شفاف‌تر بهتر کار می‌کنند. اگر می‌خواهید این ساختار را در عمل بسازید و به ایجنت هوش مصنوعی (AI Agent) و اتوماسیون تبدیلش کنید، دوره‌ی «آموزش جامع Claude و ابزارهای مشابه» در کامیونیتی Claude اسکول دقیقاً همین مسیر را پوشش می‌دهد.