مستر پرامپت (Master Prompt) شما هفته‌ی گذشته عالی کار می‌کرد، امروز نه. این شکست تصادفی نیست. پرامپت‌های ساختارمند روی رفتار خاص یک مدل کالیبره می‌شوند و هر به‌روزرسانی مدل، آن کالیبراسیون را می‌شکند. مهندسی پرامپت یعنی ساختن پرامپتی که این شکنندگی را از اول در نظر بگیرد — نه پرامپتی که یک‌بار بنویسید و فراموشش کنید.

مهندسی پرامپت چیست و جایگاهش در اکوسیستم AI#

مهندسی پرامپت (Prompt Engineering) طراحی، آزمون و بهینه‌سازی ورودی متنی یک مدل زبانی بزرگ (LLM) است تا خروجی قابل‌اعتماد و تکرارپذیر بگیرید. نه جادو کلمات است، نه مؤدب‌بودن اضافه. یک متغیر را مهندسی می‌کنید: متن ورودی. بقیه‌ی مدل ثابت است.

جایگاه دقیقش در اکوسیستم AI بین Context Engineering و Fine-tuning قرار می‌گیرد. Context Engineering کل ورودی سیستمی را مدیریت می‌کند (RAG، تاریخچه، پرامپت). Fine-tuning وزن‌های مدل را تغییر می‌دهد. مهندسی پرامپت فقط متن ورودی را می‌سازد — بدون تغییر وزن، بدون تغییر معماری.

ریشه‌ی تاریخی این حوزه به یادگیری درون‌زمینه‌ای (In-context Learning) در مقاله‌ی Brown et al., 2020 از OpenAI بازمی‌گردد. آنجا نشان داده شد که مدل بدون تغییر وزن، با چند نمونه در ورودی، رفتار جدید یاد می‌گیرد. از آنجا تا امروز، مهندسی پرامپت از «ترفند نوشتن» به «نظم مهندسی» رسیده است.

با وجود رشد مدل‌ها، بدون ساختاردهی مناسب هنوز خروجی ناپایدار است. مدل‌های بزرگ‌تر نیاز به پرامپت‌های کوتاه‌تر دارند، ولی حذف کامل ساختاردهی هنوز جواب نمی‌دهد.

مستر پرامپت چیست و چه فرقی با پرامپت ساده دارد؟#

مستر پرامپت یک پرامپت سیستمی لایه‌ای است که نقش، قواعد، قالب خروجی و ممنوعیات را در یک ساختار واحد تعریف می‌کند. تفاوتش با پرامپت ساده در همین لایه‌بندی است: پرامپت ساده یک دستور تک‌خطی است، مستر پرامپت شش بُعد رفتار مدل را هم‌زمان کنترل می‌کند.

شش لایه: نقش → زمینه → دستور → قالب → ممنوعیات → نمونه. هر لایه یک بُعد مستقل از خروجی را تنظیم می‌کند. حذف هر کدام، یک بُعد را به حدس مدل می‌سپارد.

در عمل، System Prompt قوانین ثابت را نگه می‌دارد و User Prompt درخواست متغیر کاربر را حمل می‌کند. مستر پرامپت معمولاً در نقش System Prompt قرار می‌گیرد و User Prompt روی آن سوار می‌شود.

نمونه‌ی ساختار یک مستر پرامپت:

نقش: تو یک ویراستار محتوای فارسی هستی که روی مقالات فنی تخصص دارد.
زمینه: مخاطب خروجی، توسعه‌دهنده‌هایی هستند که فارسی می‌نویسند اما با اصطلاحات انگلیسی کار می‌کنند.
دستور: متن ورودی را ویرایش کن و نیم‌فاصله‌ها را اصلاح کن.
قالب خروجی: فقط متن ویرایش‌شده، بدون توضیح اضافه.
ممنوعیات: از اعراب‌گذاری استفاده نکن. واژه‌های عربی را با فارسی جایگزین نکن. معادل انگلیسی را فقط بار اول بیاور.
نمونه: [ورودی: ...] → [خروجی: ...]

مراحل عملی ساخت مستر پرامپت از صفر#

ساخت مستر پرامپت یک فرآیند تکراری است: از تعریف هدف شروع می‌شود، با آزمون و دیباگ پیش می‌رود، و با نسخه‌بندی به نقطه‌ی پایدار می‌رسد. نوشتن اولیه آسان است؛ سختی در تست و نگهداشت است. هفت گام زیر این فرآیند را پوشش می‌دهد.

  1. هدف و مخاطب خروجی را مشخص کنید. بدون این، هر پرامپتی یک حدس است.
  2. نقش و حوزه‌ی دانش مدل را تعریف کنید. «تو یک متخصص هستی» کافی نیست — حوزه و سطح را مشخص کنید.
  3. قواعد و قالب خروجی را بنویسید. طول، ساختار، لحن، و فرمت دقیق.
  4. بخش ممنوعیات را اضافه کنید. این لایه تفاوت اصلی مستر پرامپت حرفه‌ای با آماتور است.
  5. حداقل ۲ نمونه‌ی ورودی-خروجی (Few-shot) بگذارید. نمونه‌ها رفتار مدل را محکم‌تر از هر توضیحی تنظیم می‌کنند.
  6. با مدل‌های مختلف تست کنید. پرامپتی که فقط روی یک مدل جواب می‌دهد، شکننده است.
  7. نسخه‌بندی کنید و تغییرات را مستند کنید. بدون changelog، بعد از سه هفته نمی‌دانید چرا این خط را نوشتید.

مستر پرامپت نهایی یک پروژه‌ی واقعی:

## نقش
تو یک دستیار برنامه‌نویسی Python هستی که فقط روی FastAPI تخصص دارد.

## زمینه
کاربر یک توسعه‌دهنده‌ی مبتدی است. فرض کن هیچ دانشی از async/await ندارد.

## دستور
کد ورودی را دیباگ کن. برای هر خط مشکل‌دار، علت و راه‌حل بده.

## قالب خروجی
۱. خلاصه‌ی مشکل (یک جمله)
۲. خط مشکل‌دار با شماره
۳. کد اصلاح‌شده
۴. توضیح کوتاه (حداکثر ۲ خط)

## ممنوعیات
- از اصطلاحات تئوری بدون توضیح استفاده نکن.
- کد کامل را دوباره بنویس فقط اگر تغییر بیش از ۵۰٪ باشد.
- اگر مشکل از ورودی نامعتبر کاربر است، مستقیم بگو «ورودی نامعتبر است» و ادامه نده.

## نمونه
ورودی: def get_user(id): return db.query(User).filter(User.id == id)
خروجی: ۱. این تابع شیء برمی‌گرداند نه پاسخ HTTP. ۲. خط ۱. ۳. return UserResponse.from_orm(result). ۴. FastAPI نیاز به مدل پاسخ مشخص‌شده دارد.

بهترین تکنیک‌های مهندسی پرامپت کدام‌اند؟#

چهار تکنیک بنیادین — نمونه‌دهی کم (Few-shot Prompting)، اندیشه‌ی زنجیره‌ای (Chain-of-Thought)، نقش‌دهی (Role Prompting) و جداکننده‌ها (Delimiters) — هسته‌ی مهندسی پرامپت مدرن را تشکیل می‌دهند. هر کدام یک بُعد متفاوت از رفتار مدل را کنترل می‌کند و ترکیب‌شان قوی‌تر از هر کدام به‌تنهایی است.

نمونه‌دهی کم (Few-shot Prompting)#

چند نمونه‌ی ورودی-خروجی در پرامپت قرار می‌دهید و مدل الگو را از درون‌زمینه یاد می‌گیرد. بدون تغییر وزن. بدون آموزش. فقط با نمایش. این تکنیک از یادگیری درون‌زمینه‌ای مستقیم مشتق شده و مؤثرترین روش تنظیم رفتار مدل در کاربرد است.

اندیشه‌ی زنجیره‌ای (Chain-of-Thought)#

مثال‌های استدلال گام‌به‌گام در پرامپت می‌گذارید تا مدل هم گام‌به‌گام فکر کند. Wei et al., 2022 از Google Brain نشان داد که اضافه‌کردن عبارت «Let's think step by step» در مدل‌های بزرگ، دقت مسائل ریاضی و منطقی را به‌طور محسوس بالا می‌برد. در مستر پرامپت، این تکنیک در بخش «نمونه» پیاده‌سازی می‌شود.

نقش‌دهی (Role Prompting)#

هویت و حوزه‌ی تخصصی مدل را تعریف می‌کنید. «تو یک پزشک هستی» رفتار مدل را به سمت پاسخ‌های پزشکی تنظیم می‌کند. اما این تکنیک مرز دارد — در مدل‌های بزرگ مدرن، محدودسازی بیش‌ازحد (Over-constraining) با Persona می‌تواند انعطاف مدل را بگیرد و خروجی رباتیک بسازد.

جداکننده‌ها (Delimiters)#

ساختاردهی بصری پرامپت با XML Tags، Markdown headings یا ###. جداکننده‌ها به مدل کمک می‌کنند مرز بین دستور، زمینه و ورودی کاربر را تشخیص دهد. تأثیر این تکنیک مدل‌محور است — Claude معمولاً به XML حساس‌تر پاسخ می‌دهد، GPT به Markdown headings. یک الگو برای همه‌ی مدل‌ها ننویسید.

اشتباهات رایج و شکنندگی پرامپت (Prompt Fragility)#

رایج‌ترین و پرهزینه‌ترین اشتباه، غفلت از شکنندگی پرامپت است: یک تغییر کوچک در ترتیب دستورات، حذف یک جداکننده، یا جابه‌جایی یک پاراگراف می‌تواند خروجی را کاملاً دگرگون کند. مستر پرامپت دارایی پایداری نیست؛ اگر تست ترتیب‌محور روی آن نکرده‌اید، در واقع آن را نشکسته‌اید.

سازه‌ی شیشه‌ای ظریف با ترک‌های نمایان که شکنندگی پرامپت‌های ساده و بدون ساختار را به تصویر می‌کشد
هر ترک روی شیشه، یک خطای ساختاری در پرامپت است

شکنندگی پرامپت (Prompt Fragility)#

تعریف: حساسیت بیش‌ازحد خروجی مدل به تغییرات ظاهری در پرامپت. مثال عملی: اگر «ممنوعیات» را قبل از «قالب خروجی» بگذارید، مدل ممکن است قالب را نادیده بگیرد. اگر بعد از آن بگذارید، درست کار می‌کند. این ترتیب‌محوری، همان شکنندگی است.

راه مقابله: پرامپت را با ورودی‌های مختلف و ترتیب‌های مختلف تست کنید. اگر با جابه‌جایی یک پاراگراف خروجی عوض شد، پرامپت شما هنوز به نقطه‌ی پایداری نرسیده.

محدودسازی بیش‌ازحد با Persona#

وقتی مدل در چارچوب شخصیت‌پردازی گیر می‌کند و انعطاف از دست می‌رود. «تو یک استاد دانشگاه هستی که هرگز از عامیانه صحبت نمی‌کند» ممکن است در موارد لبه‌ای (Edge Cases) خروجی رباتیک بسازد. معیار عملی: اگر خروجی نیاز به «حرفه‌ای‌تر شدن» دارد، Persona کمک می‌کند. اگر نیاز به «انعطاف‌پذیرتر شدن» دارد، Persona ضرر می‌زند.

توصیه‌ی «مؤدبانه بپرسید»#

در مدل‌های مدرن تأثیر ناچیز و منحرف‌کننده از ساختاردهی واقعی. «لطفاً» و «ممنون می‌شم» توکن‌های اضافی هستند که Signal-to-Noise ratio را پایین می‌آورند. انرژی نوشتن را صرف ساختاردهی کنید، نه ادب.

پرامپت طولانی بدون بحث Signal-to-Noise ratio#

هر توکن اضافه باید ارزش داشته باشد. اگر یک جمله را حذف کنید و خروجی تغییر نکند، آن جمله زباله بود. مستر پرامپت‌هایی که «ممنوعیات» دارند، در پروژه‌های واقعی عملکرد بهتری از پرامپت‌های فقط «باید» دارند — این الگو در چندین پروژه‌ی اعضای کامیونیتی اسکول مشاهده شده است.

مهندسی پرامپت یا فاین‌تیونینگ؟ چه‌زمانی کدام روش جواب می‌دهد#

مهندسی پرامپت روی یک ورودی متنی کار می‌کند، فاین‌تیونینگ (Fine-tuning) وزن‌های مدل را تغییر می‌دهد، و Context Engineering کل ورودی سیستمی (RAG + تاریخچه + پرامپت) را مدیریت می‌کند. انتخاب روش به پیچیدگی، حجم داده، و نیاز به سبک خروجی بستگی دارد.

معیارPrompt EngineeringFine-tuningContext Engineering
هزینه‌ی اولیهپایین (فقط نوشتن و تست)بالا (داده + محاسبات)متوسط (زیرساخت RAG)
زمان استقرارساعت تا چند روزهفته تا ماهروز تا هفته
انعطافبالا (فوری قابل تغییر)پایین (بازآموزی لازم)متوسط (تغییر منابع داده)
مقیاس‌پذیریمحدود (هر مدل جداگانه)خوب (یک مدل نهایی)خوب (سیستمی)
مناسب برایتعاملات تکراری، پیچیدگی متوسطسبک خروجی خاص، حوزه‌ی محدودسیستم‌های RAG، محصولات واقعی

مستر پرامپت در واقع زیرمجموعه‌ای از Context Engineering است، نه رقیب آن. وقتی مستر پرامپت بخشی از یک سیستم RAG بزرگ‌تر می‌شود، از «مهندسی پرامپت» به «مهندسی سیستم» حرکت کرده‌اید.

نگهداشت مستر پرامپت و به‌روزرسانی با تغییر مدل‌ها#

با هر به‌روزرسانی مدل، مستر پرامپت‌هایی که روی رفتار خاص مدل کالیبره شده‌اند ممکن است بشکنند. این هزینه‌ی پنهانی است که در دوره‌های آموزشی معمولاً نادیده گرفته می‌شود. نگهداشت مستر پرامپت، کار اصلی است — نه نوشتن آن.

ابزارهای تست و دیباگ#

برای شروع، Playground رسمی هر مدل (OpenAI Playground، Anthropic Console) کافی است. برای پروژه‌های جدی‌تر، مقایسه‌ی خروجی بین نسخه‌ها و ثبت نتایج در جدول لازم است. ابزارهایی مانند DSPy و PromptLayer با تغییر خودکار پارامترهای پرامپت، بهترین ترکیب را پیدا می‌کنند.

نسخه‌بندی پرامپت#

پرامپت باید مثل کد، Git-able باشد. فایل‌های متنی (prompt.md) در مخزن، changelog، و تست خودکار. بدون نسخه‌بندی، بعد از دو ماه نمی‌دانید کدام تغییر باعث شکستن پرامپت شده.

استراتژی مدل‌محور نبودن#

نوشتن مستر پرامپتی که با Claude، GPT و Gemini کار کند، سخت‌تر از نوشتن پرامپت برای یک مدل است. اما مقیاس‌پذیرتر است. الگوی عملی: از ساختارهای زبانی ساده استفاده کنید، به XML یا Markdown خاص یک مدل وابسته نشوید، و پرامپت را روی حداقل دو مدل تست کنید.

الگوی مشاهده‌شده در پروژه‌های واقعی: پرامپت‌هایی که بدون تست روی مدل جدید deploy شده‌اند، باگ‌های پنهان تولید می‌کنند. این باگ‌ها معمولاً در Edge Cases ظاهر می‌شوند — نه در تست‌های عادی. یک مستر پرامپت که فقط روی یک ورودی نمونه تست شده، عملاً تست نشده است.

مهندسی پرامپت مهارتی رو به فرسایش است — نه به‌عنوان توانایی تعریف دقیق مسئله، بلکه به‌عنوان پرامپت‌نویسی خلاقانه‌ی طولانی. مدل‌های بزرگ‌تر، نیاز به پرامپت‌های ساختارمند و طولانی را کاهش می‌دهند. آنچه تغییر می‌کند: از پرامپت‌نویسی به Context Engineering حرکت می‌کنیم. مستر پرامپت امروز ابزار است، فردا ممکن است بخشی از یک سیستم بزرگ‌تر باشد.

اگر می‌خواهید این مهارت را در سطح عملی و پروژه‌محور یاد بگیرید — نه تئوری — آموزش جامع Claude و ابزارهای مشابه در کامیونیتی Claude اسکول، ۵۳ جلسه‌ی آفلاین دارد که مستر پرامپت‌نویسی، تست و نگهداشت را با پروژه‌ی واقعی پوشش می‌دهد.