مهندسی پرامپت یک مهارت نوشتن نیست، یک چرخهی مهندسی است. پرامپتی که امروز در محیط تولید کار میکند، فردا با بهروزرسانی مدل ممکن است خروجی متفاوت بدهد. بدهی پرامپت (Prompt Debt) از افزودن شرطهای متوالی بدون بازطراحی میآید و پوسیدگی پرامپت (Prompt Rot) از تغییر مدل بیخبر شما. این مقاله هم ساخت مستر پرامپت (Master Prompt) را توضیح میدهد و هم نگهداری آن را در طول زمان.
مهندسی پرامپت چیست و چه فرقی با کدنویسی دارد؟#
مهندسی پرامپت (Prompt Engineering) طراحی ساختارمند ورودیها برای هدایت رفتار مدل زبانی بزرگ (LLM) است. برخلاف کدنویسی، خروجیاش قطعی نیست و به تکرار، آزمونوخطا و بازطراحی نیاز دارد. هستهی کار، شفافسازی نیات و شکستن یک درخواست به اجزای مستقل است، نه نوشتن سینتکس.
یک پرامپت عملیاتی سه جزء دارد: ورودی ساختارمند، محدودیتهای سخت و فرمت خروجی. اگر هر سه را ندارید، پرامپت توصیفی نوشتهاید و از مدل انتظار رفتار عملیاتی دارید. این تفاوت، پرامپت توصیفی را از پرامپت مهندسیشده جدا میکند.
تفاوت اصلی با طراحی گفتگو (Conversation Design) در یک نقطه است: در طراحی گفتگو مسیر از پیش تعریفشدهای وجود دارد، اما در مهندسی پرامپت مدل آزاد است و فقط چارچوب دارد. این آزادی، هم قدرت مدل و هم منبع ناپایداری آن است.
پیشنیاز فنی ندارد. اگر میتوانید یک دستور کار را بهصورت شفاهی به همکار تازهوارد بدهید، میتوانید پرامپت بنویسید. مانع اصلی، عادت به نوشتن پرامپت توصیفی است نه نبود دانش برنامهنویسی. در کلاسهای مهندسی پرامپت، بارها دیده شده که شرکتکنندههای بدون سابقهی کدنویسی، پرامپتهای بهتری از برنامهنویسان تازهکار مینویسند چون عادت به «شفافیت نیت» دارند.
ساختار مستر پرامپت: شش لایهای که پرامپت قابلاتکا میسازد#
مستر پرامپت یک پرامپت ماژولار و قابلاستفادهی مجدد است که از شش لایهی مستقل ساخته میشود: نقش، زمینه، دستور، محدودیت، فرمت خروجی و مثال. بهجای یک متن یکپارچه، هر لایه جدا قابلآزمون و اصلاح است. این ساختار، پایهی نگهداری در محیط تولید را میسازد.

توضیح هر لایه#
- لایهی ۱ — نقشدهی (Role Prompting): مدل چه هویتی بگیرد و از چه منظری پاسخ دهد. «تو یک ویرایشگر فنی هستی» نه «تو یک دستیار عمومی هستی».
- لایهی ۲ — زمینه: اطلاعات لازم برای فهم مسئله، بدون جزئیات غیرمرتبط. هر خط اضافی، توجه مدل را رقیق میکند.
- لایهی ۳ — دستور: فعل اصلی و هدف. افعال امری مشخص بنویسید نه توصیف مبهم. «بازنویس» بهتر از «بهتر کن» است.
- لایهی ۴ — محدودیت: چه نکاتی را نگفت، حداکثر طول، ممنوعیتها. محدودیتها را مثبت تعریف کنید نه منفی: «فقط سه جمله» بهتر از «طولانی ننویس».
- لایهی ۵ — فرمت خروجی (Structured Output): قالب دقیق پاسخ. الگوی صریح بدهید نه درخواست مبهم.
- لایهی ۶ — چندنمونهای (Few-shot Prompting): یک تا 3 نمونهی ورودی-خروجی برای الگوبرداری مدل.
الگوی لایهای در مقابل پرامپت یکپارچه#
پرامپت یکپارچه، متنی است که همهچیز در آن قاطی شده. اگر خروجی بد بود، نمیدانید کدام بخش را اصلاح کنید. پرامپت لایهای، هر جزء را جدا نگه میدارد. اگر مدل نقش را درست اجرا نکرد، فقط لایهی یک را عوض میکنید. اگر فرمت خروجی خراب بود، فقط لایهی پنج را اصلاح میکنید.
ماژولار بودن دو مزیت عملی دارد: استفادهی مجدد (همان مستر پرامپت با تغییر لایهی ۲ و ۳ برای مسئلهی دیگر) و نگهداری در تیم (هر نفر لایهی خودش را ویرایش میکند بدون تداخل). الگوی تکرارشوندهای که در پروژههای تیمی دیده میشود: تیمهایی که پرامپت را در یک فایل متنی یکپارچه نگه میدارند، بعد از چند ماه ویرایش گروهی، پرامپتی دارند که هیچکس مسئولیتش را نمیپذیرد.
نمونهی مستر پرامپت ششلایه برای تولید محتوای فنی فارسی:
نقش: تو یک ویرایشگر محتوای فنی فارسی هستی که مخاطبش توسعهدهندهی میانی است. زمینه: این متن برای بلاگ یک پلتفرم آموزشی نوشته میشود. مخاطب با مفاهیم پایهی برنامهنویسی آشناست ولی اصطلاحات جدید را نمیشناسد. دستور: این پاراگراف را بازنویس. جملههای بلند را بشکن. اصطلاح انگلیسی را بار اول با معادل فارسی و توضیح یکخطی بیاور. محدودیت: حداکثر 4 جمله. بدون کلیشهی «در دنیای امروز». بدون لحن تبلیغاتی. فرمت خروجی: فقط متن بازنویسیشده. بدون توضیح اضافه. مثال: ورودی: «در دنیای امروز، مهندسی پرامپت بهعنوان یک مهارت حیاتی شناخته میشود که بدون شک همه باید آن را یاد بگیرند.» خروجی: «مهندسی پرامپت (Prompt Engineering) فرآیند ساختارمند نوشتن ورودیهای مدل زبانی است. هستهی آن شفافسازی نیات است، نه نوشتن کد.»
تکنیکهای بنیادین: کدام تکنیک برای چه مسئلهای بهینه است؟#
هر تکنیک پرامپتنویسی برای نوع خاصی از مسئله بهینه است. انتخاب اشتباه، تأخیر، هزینه یا کاهش دقت میسازد. بدوننمونه برای طبقهبندی ساده کافی است؛ زنجیرهی تفکر (Chain-of-Thought) برای استدلال چندمرحلهای لازم است؛ و نقشدهی برای تنظیم لحن و زاویه مؤثرتر از فرمت خروجی است.
| تکنیک | مناسب برای | هزینهی افزوده | زمانی که نباید استفاده کرد |
|---|---|---|---|
| بدوننمونه (Zero-shot) | طبقهبندی ساده، کارهای تکراری با الگوی مشخص | حداقل | وقتی مدل باید سبک خاصی را الگوبرداری کند |
| چندنمونهای (Few-shot) | الگوبرداری از سبک، قالب یا منطق خاص | متوسط (توکن اضافی) | وقتی خود نمونهها ابهام دارند |
| زنجیرهی تفکر (Chain-of-Thought) | مسائل ریاضی، استدلال چندمرحلهای، تحلیل علت | بالا (توکن + تأخیر) | طبقهبندی، استخراج فیلد، کارهای ساده |
| نقشدهی (Role Prompting) | تنظیم لحن، عمق و زاویهی پاسخ | کم | وقتی خروجی ساختارمند لازم است و نقش کمکی نمیکند |
پژوهش Wei و همکاران (2022) نشان داد افزودن زنجیرهی تفکر دقت مدلها را در مسائل ریاضی و استدلالی بهطور چشمگیری افزایش میدهد. اما همین تکنیک برای طبقهبندی احساسی یا استخراج فیلد، فقط تأخیر و هزینهی اضافی میسازد بدون بهبود محسوس. این یکی از گرانترین اشتباهات رایج است: تیمهایی که CoT را بهعنوان «بهترین تکنیک» روی همهی پرامپتهایشان اعمال میکنند، هزینهی API را بیدلیل بالا میبرند.
نکتهی عملی: پرامپت قابلاتکا معمولاً از چندین دور آزمونوخطا عبور میکند. هر دور شامل اجرای پرامپت روی ورودیهای واقعی، ثبت شکستها و اصلاح لایهی مربوطه است. انتظار «یکبار نوشتن و تمام» خود یکی از اشتباهات رایج است.
چرا پرامپتم گاهی جواب درست میدهد و گاهی نه؟#
رفتار ناپایدار مدل معمولاً از سه منبع میآید: تضاد بین پرامپت سیستم (System Prompt) و پرامپت کاربر (User Prompt)، رقیقشدن توجه در پنجرهی زمینه (Context Window)، و دمای تولید (Temperature) تنظیمنشده. اگر پرامپت شما ناپایدار است، قبل از هر چیز این سه متغیر را بررسی کنید.
پرامپت سیستم چارچوب رفتاری را تعریف میکند و پرامپت کاربر درخواست مشخص را میفرستد. اگر این دو در تضاد باشند — مثلاً سیستم بگوید «مختصر جواب بده» و کاربر بخواهد «تفصیلی توضیح بده» — مدل در تعارض قرار میگیرد و خروجی بین این دو نوسان میکند.
مدیریت پنجرهی زمینه یک اصل ساده دارد: مهمترین دستور را نزدیک ابتدای پرامپت بگذارید. اگر مدل در یک پرامپت بلند به بخش انتهایی توجه نمیدهد، مشکل از ظرفیت پنجره نیست، از اولویتبندی اطلاعات است. دستور اصلی را اول بنویسید، جزئیات را بعد.
دمای تولید پایین، تکرارپذیری بیشتر و خلاقیت کمتر میدهد. دمای بالا، تنوع بیشتر و ریسک توهم (Hallucination) بالاتر. برای کارهای استخراج اطلاعات و طبقهبندی، دمای پایین تنظیم کنید. برای تولید ایده و متن خلاقانه، دمای متوسط. اما یک استثنا که کمتر کسی میگوید: حتی با دمای صفر، دو اجرای متوالی همان پرامپت روی همان ورودی، گاهی خروجی متفاوت میدهد. ناپایداری ذاتی مدل است، نه باگ شما.
خروجی ساختارمند: JSON و جدول بدون فاینتیونینگ#
برای گرفتن خروجی ساختارمند از مدل، باید فرمت را در لایهی پنجم مستر پرامپت بهصورت الگوی صریح تعریف کنید و با چندنمونهای یک خروجی کامل بدهید. فاینتیونینگ (Fine-tuning) برای این کار ضروری نیست. مشکل اصلی اکثر کاربران، درخواست فرمت بدون تعریف فیلدهاست.
الگوی صریح یعنی ساختار JSON را داخل پرامپت بنویسید، نه اینکه فقط بگویید «JSON بده». مدل بدون الگو، فیلدهای دلخواه میسازد و خروجی قابلپارس (parse) نخواهد بود.
نمونهی پرامپت استخراج اطلاعات به فرمت JSON:
از متن زیر، اطلاعات زیر را استخراج کن و فقط بهصورت JSON برگردان. بدون توضیح اضافه. ساختار موردنیاز: {"نام": "", "سازمان": "", "نقش": "", "ایمیل": "", "موضوع": ""} اگر فیلدی در متن نبود، مقدار آن را null بگذار. متن: «مهندس سارا احمدی، مدیر فنی شرکت دادهپرداز، در ایمیلی به نشانی s.ahmadi@example.com دربارهی بهینهسازی الگوریتم خوشهبندی نوشت.»
نکتهی حرفهای: برای پرامپتهای طولانی، فرمت خروجی را در ابتدای پرامپت تعریف کنید تا مدل از همان اول بداند مقصد چیست. اگر فرمت را در انتها بگذارید و پرامپت بلند باشد، مدل ممکن است فراموش کند.
این دستور «فقط JSON برگردان، بدون توضیح اضافه» را در پرامپت سیستم بگذارید نه پرامپت کاربر. پرامپت سیستم چارچوب رفتاری است و پرامپت کاربر درخواست مشخص. محدودیتهای رفتاری در سیستم قویتر اجرا میشوند.
پرامپت، فاینتیونینگ یا RAG؟ درخت تصمیم عملی#
مهندسی پرامپت برای اکثر موارد کافی است. فاینتیونینگ وقتی لازم است که سبک خروجی با پرامپت قابلتکرار نیست. بازیابی افزایشیافتهی تولید (RAG) وقتی لازم است که مدل به دادهی بهروز یا خاص سازمان نیاز دارد. انتخاب بر اساس سه معیار انجام میشود: حجم داده، دقت موردنیاز و هزینه.
- حجم داده: پرامپت برای دادهی کم و ثابت. RAG برای دادهی زیاد و متغیر. اگر اطلاعات مرتب عوض میشود، در پرامپت بگنجاندناش یعنی هر بار پرامپت را بازنویسی.
- دقت موردنیاز: اگر دقت معمولی کافی است، پرامپتنویسی تکراری معمولاً میرسد. اگر دقت بسیار بالا لازم است، فاینتیونینگ یا ترکیب RAG + پرامپت.
- هزینه: فاینتیونینگ نیاز به دادهی آموزش، زیرساخت و زمان دارد. پرامپتنویسی هزینهی محاسباتی اضافی ندارد.
مدلهای زبانی بزرگ حتی با پرامپتهای خوبنوشتهشده، نرخ توهم صفر ندارند. این یک محدودیت ذاتی معماری است نه یک باگ قابلرفع با پرامپت بهتر.
نکتهی غیرکالایی: بیشتر تیمهایی که سراغ فاینتیونینگ میروند، در واقع مشکلشان پرامپت ضعیف بوده نه محدودیت مدل. قبل از فاینتیونینگ، مستر پرامپت ششلایه را امتحان کنید. در گفتگوهای اعضای کامیونیتی، این سؤال بارها تکرار شده: «آیا واقعاً فاینتیونینگ لازم است یا پرامپتم هنوز جای بهبود دارد؟» و پاسخ تقریباً همیشه دومی بوده.
بدهی پرامپت و پوسیدگی پرامپت: نسخهبندی در محیط تولید#
بدهی پرامپت از افزودن شرطهای متوالی بدون بازطراحی لایهها میآید. پوسیدگی پرامپت وقتی رخ میدهد که پرامپتی روی مدل نسخهی اول کار میکرد، روی نسخهی دوم خروجی متفاوت میدهد بدون اینکه شما تغییری داده باشید. راهحل هر دو، نسخهبندی و تست بازگشتی (Regression Test) است.
بدهی پرامپت: چگونه انباشته میشود؟#
سناریوی رایج: پرامپت اولیه کار میکرد. یک باگ گزارش شد، یک شرط اضافه کردید. باگ دیگر، شرط دیگر. بعد از چند ماه، پرامپت 40 خطی شده که هیچکس نمیفهمد چرا هر شرط آنجاست. حالا اگر یکی را حذف کنید، خروجیهای دیگر خراب میشوند. این بدهی پرامپت است.
علامت هشدار: اگر نمیتوانید توضیح دهید هر خط پرامپت چه باگی را رفع کرده، بدهی پرامپت دارید.
پوسیدگی پرامپت و تست بازگشتی#
پرامپتهایی که در محیط تولید پایدار هستند، معمولاً از چندین دور بازطراحی عبور کردهاند. اما حتی بعد از این بازطراحیها، بهروزرسانی مدل میتواند رفتار را تغییر دهد. مدلهای زبانی بزرگ با هر نسخهی جدید، در تفسیر پرامپتها تفاوتهای ظریفی دارند.
تست بازگشتی یعنی مجموعهای از ورودیهای استاندارد که بعد از هر تغییر مدل یا پرامپت اجرا میشوند و خروجیشان با خروجی موردانتظار مقایسه میشود. اگر خروجی تغییر کرد، یا پرامپت را اصلاح میکنید یا تغییر را میپذیرید و مستند میکنید.
الگوی عملی: فایل پرامپت + فایل تستهای بازگشتی + changelog، هر سه در یک ریپازیتوری. این دقیقاً همان الگویی است که برای مدیریت کد استفاده میکنید، فقط برای پرامپت.
نکتهی غیرکالایی: تیمهایی که پرامپتهایشان را در کد اپلیکیشن hardcode کردهاند، اولین قربانیان پوسیدگی پرامپت هستند. پرامپت را از کد جدا کنید، در فایل مستقل نگه دارید و بهصورت config بارگذاری کنید.
اشتباهات رایج و هزینهی هرکدام در پرامپتنویسی#
شش الگوی غلط تکرارشونده در پرامپتنویسی وجود دارد. هرکدام هزینهی مشخصی ایجاد میکند — از رقیقشدن توجه مدل تا پرامپتهای شکننده. شناختن این الگوها، سریعتر از یاد گرفتن تکنیکهای جدید است.
- «پرامپت را طولانی بنویس، بهتر جواب میدهد»: هزینه — رقیقشدن توجه و افزایش هزینهی توکن. کیفیت ساختار مهمتر از کمیت است.
- «فقط specific باش»: هزینه — توصیهی بیمحتوا بدون توضیح مکانیزم ابهامزدایی. «Specific» یک هدف است نه یک روش.
- «یک پرامپت کامل بنویس و تمام»: هزینه — فرآیند تکراری (Iterative Refinement) را نادیده میگیرد و پرامپتهای شکننده میسازد.
- «همیشه از زنجیرهی تفکر استفاده کن»: هزینه — تأخیر و توکن اضافی بدون بهبود دقت در کارهای ساده.
- «پرامپت انگلیسی همیشه بهتر جواب میدهد»: هزینه — مدلهای زبانی بزرگ مدرن در فارسی عملکرد قابلقبول دارند. اگر خروجی ضعیف است، مشکل از ساختار پرامپت است نه از زبان.
- «مهندسی پرامپت یعنی برنامهنویسی»: هزینه — مانع ورود غیربرنامهنویسها میشود درحالیکه هستهی کار شفافسازی نیات است.
مهندسی پرامپت یک عملیات مهندسی است با بدهی، پوسیدگی و نیاز به تست بازگشتی. مستر پرامپت ششلایه را بسازید، ماژولار نگه دارید، نسخهبندی کنید و هر بار که مدل عوض شد، تست بازگشتی اجرا کنید. اگر هنوز در مرحلهی «یک پرامپت بنویس و تمام» هستید، پرامپت شما در محیط تولید دوام نخواهد آورد.
اگر میخواهید این چرخه را در پروژهی واقعی تمرین کنید — از نوشتن مستر پرامپت تا تست بازگشتی و نگهداری — دورهی «آموزش جامع Claude و ابزارهای مشابه» در کامیونیتی اسکول، پرامپتنویسی را در کنار ساخت ایجنت و Vibe Coding پوشش میدهد. همزمان با کسانی کار میکنید که پرامپتهایشان را در محیط تولید نگه میدارند، نه فقط در چت آزمایشی.







دیدگاهها
برای گذاشتن دیدگاه وارد شو
دیدگاهها فقط از حسابهای کاربری پذیرفته میشوند.
ورود / ثبتنامهنوز دیدگاهی ثبت نشده — اولین نفر باش.