مهندسی پرامپت (Prompt Engineering) بدون چارچوب تصمیم‌گیری، مجموعه‌ای از ترفندهای پراکنده است. این راهنما نشان می‌دهد کِی ساخت مستر پرامپت (Master Prompt) توجیه اقتصادی دارد، کِی مضر است و چگونه با محدودیت‌های توجه مدل و هزینه‌ی توکن کنار بیایید. هر بخش یک تصمیم مشخص را هدف گرفته، نه تکرار تئوری.

مهندسی پرامپت چیست و چرا بیشتر راهنماها گمراه‌کننده‌اند#

مهندسی پرامپت فرآیند طراحی و بهینه‌سازی ساختارمند ورودی مدل زبانی بزرگ (Large Language Model) برای تولید خروجی دقیق و قابل‌تکرار است. راهنماهای رایج گمراه‌کننده‌اند چون ده‌ها تکنیک را فهرست می‌کنند بدون اینکه بگویند کدام تکنیک، برای کدام مدل، در کدام شرایط درست است. چارچوب انتخاب، خود یک مهارت جداگانه است.

یک اشتباه بنیادی در ادبیات فارسی این حوزه وجود دارد: «پرامپت‌نویسی» با «مهندسی پرامپت» یکی فرض می‌شود. پرامپت‌نویسی یعنی نوشتن یک متن ورودی. مهندسی پرامپت یعنی فرآیند تکرار، اندازه‌گیری، تست و بهینه‌سازی آن متن. تفاوت این دو، تفاوت یک بار نوشتن با ساختن یک سیستم است.

مدل‌های زبانی بدون ساختار ورودی، خروجی نامنظم و غیرقابل‌اعتماد می‌دهند. مهندسی پرامپت پل میان این توانایی خام و کاربرد عملی است — نه جادو، نه ترفند زبانی، بلکه مهندسی واقعی.

راهنماهایی که «50 تکنیک پرامپت‌نویسی» ارائه می‌دهند، بدون چارچوب انتخاب عملاً خواننده را در انباری از ابزار بدون نقشه رها می‌کنند. تصمیم درباره‌ی اینکه کدام تکنیک را کِی استفاده کنید، خود یک مهارت جداگانه است.

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

مستر پرامپت یک دستورالعمل قابل‌استفاده‌ی مجدد است که علاوه بر ساختار ثابت، شامل متغیرها (Variables)، بلوک‌های شرطی (Conditional Blocks) و دستورالعمل‌های بازیابی (Retrieval Instructions) است. یک قالب ساده فقط جای‌خالی دارد؛ مستر پرامپت منطق تصمیم‌گیری هم دارد. این تفاوت، مرز میان یک فرم خام و یک سیستم قابل‌مدیریت است.

تفاوت کلیدی در این است: قالب ثابت به مدل می‌گوید «این را پر کن». مستر پرامپت به مدل می‌گوید «بر اساس این متغیرها، این شرط برقرار است یا نه، و در هر حالت این خروجی را بده».

اجزای یک مستر پرامپت:

  • نقش (Role): هویت و تخصصی که مدل باید فرض کند
  • زمینه (Context): اطلاعات ورودی و متغیرهای قابل‌تعویض
  • دستور اصلی (Task): کاری که مدل باید انجام دهد
  • محدودیت‌ها (Constraints): چه چیزهایی نباید در خروجی باشد
  • فرمت خروجی (Output Format): ساختار دقیق پاسخ

نمونه‌ی یک مستر پرامپت برای تولید محتوای سئومحور:

نقش: تو یک نویسنده‌ی محتوای فارسی با تخصص در سئو هستی.

زمینه:
- موضوع: {{topic}}
- مخاطب هدف: {{audience}}
- کلمات کلیدی: {{keywords}}
- طول هدف: {{word_count}} کلمه

دستور اصلی:
مقاله‌ای بنویس که {{keywords}} را به‌صورت طبیعی بگنجاند و برای مخاطب {{audience}} ارزش عملی داشته باشد.

محدودیت‌ها:
- از کلمات کلیشه‌ای پرهیز کن
- هر بخش حداکثر 4 خط باشد
- عنوان‌ها پرسشی یا خبری باشند

فرمت خروجی:
- H1، سپس پاراگراف مقدمه، سپس H2ها با بلوک پاسخ
- بدون لیست‌های توخالی

در این نمونه، {{topic}}، {{audience}}، {{keywords}} و {{word_count}} متغیرهایی هستند که در هر اجرا تغییر می‌کنند. ساختار ثابت می‌ماند، محتوا عوض می‌شود. این چیزی است که یک مستر پرامپت را از یک template ساده جدا می‌کند.

ساختار یک مستر پرامپت: از نقش تا فرمت خروجی#

ساختار مستر پرامپت از پنج لایه تشکیل شده: تعریف نقش، زمینه‌ی ورودی، دستور اصلی، محدودیت‌ها و فرمت خروجی. هر لایه یک وظیفه‌ی مشخص دارد و حذف هرکدام خروجی را ناقص می‌کند. ترتیب لایه‌ها هم اهمیت دارد چون مدل‌ها به ابتدای ورودی توجه بیشتری دارند.

برش عرضی از پنل‌های شفاف لایه‌لایه که اجزای ساختاری یک پرامپت را به تصویر می‌کشد
لایه‌ی بالایی نقش و لایه‌ی پایینی فرمت خروجی است؛ فاصله‌ی میان آن‌ها، فضای خلاقیت مدل است

لایه‌ی نقش — چه زمانی مؤثر است و چه زمانی فقط توکن اضافه است#

نقش‌دهی (Role Assignment) زمانی مؤثر است که خروجی نیاز به یک پرسونا مشخص دارد: نویسنده‌ی آکادمیک، تحلیل‌گر مالی، یا برنامه‌نویس ارشد. برای کارهای تبدیل داده‌ای مثل «این JSON را به CSV تبدیل کن»، نقش‌دهی فقط توکن اضافه است و هیچ تأثیری روی کیفیت ندارد.

الگوی مشاهده‌شده در پروژه‌های واقعی: تیم‌هایی که نقش‌دهی را فقط برای کارهای شخصیت‌محور نگه می‌دارند و برای کارهای ساختاری حذفش می‌کنند، هزینه‌ی توکن کمتری می‌پردازند بدون افت کیفیت.

لایه‌ی زمینه و دستور اصلی — نحوه‌ی تفکیک اطلاعات از دستور#

زمینه شامل داده‌های ورودی است: متنی که باید خلاصه شود، کدی که باید دیباگ شود، یا مجموعه‌ای از اطلاعات مرجع. دستور اصلی مشخص می‌کند مدل با این داده‌ها چه کند. تفکیک این دو از هم حیاتی است چون مدل‌ها وقتی اطلاعات و دستور در یک پاراگراف مخلوط شوند، اغلب بخشی از دستور را نادیده می‌گیرند.

لایه‌ی محدودیت و فرمت خروجی — چرا بدون این لایه مستر پرامپت عملاً template است#

محدودیت‌ها و فرمت خروجی، مستر پرامپت را از یک قالب ساده متمایز می‌کنند. بدون این لایه، مدل خودش تصمیم می‌گیرد خروجی را چطور ساختار دهد. با این لایه، خروجی قابل‌پیش‌بینی و قابل‌مقایسه می‌شود.

نمونه‌ی مستر پرامپت برای تحلیل داده:

نقش: تحلیل‌گر داده با تخصص در آماری توصیفی.

زمینه:
- داده‌ها: {{dataset_description}}
- سؤال تحلیلی: {{analysis_question}}
- ابزار مجاز: {{allowed_tools}}

دستور اصلی:
بر اساس {{analysis_question}}، یک تحلیل ساختاریافته ارائه بده.

شرط‌ها:
- اگر {{dataset_size}} بزرگ‌تر از 1000 سطر باشد: فقط خلاصه‌ی آماری بده
- اگر کوچک‌تر باشد: نمونه‌های اولیه هم بیاور

محدودیت‌ها:
- بدون حدس‌زدن داده‌های غایب
- هر ادعا باید به ستون مشخصی ارجاع دهد

فرمت خروجی:
## خلاصه‌ی اجرایی (3 جمله)
## یافته‌ها (شماره‌گذاری‌شده)
## محدودیت‌های تحلیل

این نمونه بلوک شرطی دارد — بخش «شرط‌ها» — که یک template ساده هرگز ندارد. مستر پرامپت واقعی همین منطق تصمیم‌گیری درون‌متنی است.

کِی باید مستر پرامپت بسازم و کِی یک پرامپت یک‌بارمصرف کافی است؟#

تصمیم بر اساس سه معیار است: تکرارپذیری (آیا این کار را بارها انجام می‌دهید؟)، پیچیدگی (آیا خروجی ساختار مشخصی می‌خواهد؟) و ریسک (آیا خروجی غلط هزینه‌ی عملی دارد؟). اگر هر سه معیار بالا باشد، مستر پرامپت لازم است. اگر یکی یا دو مورد پایین باشد، پرامپت یک‌بارمصرف کافی است.

معیارهای تصمیم‌گیری — تکرارپذیری، پیچیدگی و ریسک خروجی#

اگر کاری را فقط یک بار انجام می‌دهید، ساخت مستر پرامپت — نه، دقیق‌تر بگویم: هرگونه ساختاردهی بیش‌ازحد به ورودی — هزینه‌ی بی‌دلیل است. اگر خروجی ساختار مشخصی نمی‌خواهد (مثلاً «یک ایده بده»)، مستر پرامپت بیش‌ازحد سنگین است. اگر خروجی غلط هزینه‌ی مالی یا زمانی دارد، مستر پرامپت ضروری است.

استثنا — کارهای خلاقانه‌ی باز با مستر پرامپت ساختاریافته مکانیکی می‌شوند#

داستان‌نویسی، شعر، ایده‌پردازی و نام‌گذاری برند، کارهایی هستند که ساختار بیش‌ازحد در ورودی، خروجی را از حالت خلاقانه به حالت مکانیکی می‌برد. برای این کارها، پرامپت کوتاه و باز بهتر از مستر پرامپت ساختاریافته است. واقعیتش این است که هر محدودیت اضافی، یک بُعد آزادی را می‌کُشد.

چرخه‌ی تکرار و بهینه‌سازی (Prompt Iteration) — از پرامپت ساده شروع کنید و فقط در صورت نیاز لایه اضافه کنید#

الگوی عملی: پرامپت ساده بنویسید، خروجی را با معیار مشخص ارزیابی کنید، یک متغیر را تغییر دهید، دوباره تست کنید. بدون نسخه‌دهی (Version Control) نمی‌فهمید کدام تغییر واقعاً بهبود بوده است.

معیارپرامپت یک‌بارمصرفمستر پرامپت
هزینه‌ی ساخت اولیهکممتوسط تا زیاد
انعطاف‌پذیریبالامتوسط (ساختار ثابت، متغیرهای قابل‌تعویض)
قابلیت نسخه‌دهیمعمولاً نداردضروری
کاربردتک‌وظیفه، کار خلاقانهتکرارشونده، خروجی ساختاریافته
ریسک خروجی غلطقابل‌قبولغیرقابل‌قبول

تکنیک‌های اصلی پرامپت‌نویسی و کاربرد هرکدام#

تکنیک‌های اصلی شامل Zero-shot Prompting، Few-shot Prompting، Chain-of-Thought Prompting و Self-consistency هستند. انتخاب هرکدام به نوع task و مدل بستگی دارد. استفاده‌ی کورکورانه از Few-shot برای کارهای باز، خروجی را به سمت الگوهای تکراری می‌کشد و تنوع را می‌کُشد.

Zero-shot Prompting — ساده‌ترین حالت#

مدل بدون هیچ نمونه‌ای، فقط با دستور مستقیم کار را انجام می‌دهد. مناسب وقتی مدل با دستور خالی هم کار درست را می‌فهمد. اگر مدل در Zero-shot خروجی قابل‌قبول می‌دهد، اضافه کردن Few-shot فقط توکن مصرف می‌کند.

Few-shot Prompting — چند نمونه‌ی درون‌پرامپتی#

مقاله‌ی Brown et al. (OpenAI, 2020) نشان داد که چند نمونه‌ی درون‌پرامپتی بدون fine-tuning، مدل را قابل‌انطباق با فرمت و سبک موردنظر می‌کند. Few-shot زمانی مؤثر است که فرمت خروجی پیچیده است یا سبک خاصی مد نظر دارید.

Chain-of-Thought Prompting — افزودن گام‌های استدلالی#

مقاله‌ی Wei et al. (Google Research, 2022) نشان داد افزودن گام‌های استدلالی (Reasoning Steps) عملکرد مدل را در مسائل منطقی و ریاضی بهبود می‌دهد. این تکنیک برای کارهای تحلیلی مؤثر است، نه برای خلاصه‌سازی یا بازنویسی.

Self-consistency — تولید چند مسیر استدلالی و انتخاب پاسخ اکثریت#

مدل چند بار با دمای متفاوت پاسخ می‌دهد و خروجی اکثریت انتخاب می‌شود. هزینه‌ی توکن چند برابر می‌شود، اما دقت در مسائل پیچیده بالا می‌رود.

فریمورک‌های ساخت پرامپت — RACE، CRISPE، BROKE و کاربرد هرکدام#

فریمورک واحد «بهترین» وجود ندارد. RACE (Role, Action, Context, Expectation) برای کارهای ساختاریافته مناسب است. CRISPE (Capacity, Role, Insight, Statement, Personality, Experiment) برای پرامپت‌های نقش‌محور. BROKE (Background, Role, Objective, Key Results, Evolve) برای کارهای تحلیلی و پروژه‌ای. انتخاب بستگی به نوع task و مدل هدف دارد.

اشتباه رایج: توصیه‌ی «همیشه Few-shot استفاده کن». برای کارهای خلاقانه، Few-shot خروجی را محدود به الگوهای نمونه‌ها می‌کند و تنوع را از بین می‌برد.

مهندسی پرامپت با مهندسی زمینه چه فرقی دارد؟#

مهندسی پرامپت بر ساختار دستورالعمل تمرکز دارد؛ مهندسی زمینه (Context Engineering) بر مدیریت اطلاعاتی که در پنجره‌ی توجه (Attention Window) مدل قرار می‌گیرد — شامل بازیابی، اولویت‌بندی و چیدمان اطلاعات. این دو مکمل‌اند، نه جایگزین.

پدیده‌ی Lost in the Middle که در مقاله‌ی Liu et al. (Stanford, 2023) مستند شده، نشان می‌دهد مدل‌ها در بازیابی اطلاعات میانیِ زمینه‌ی طولانی ضعیف‌ترند. اطلاعات ابتدای ورودی و انتهای ورودی بیشترین توجه را دریافت می‌کنند.

نقش Context Engineering در سیستم‌های RAG#

در سیستم‌های بازیابی‌محور (Retrieval-Augmented Generation)، مهندسی زمینه تعیین می‌کند چه اسنادی، با چه ترتیبی و با چه اولویتی به مدل داده شوند. مهندسی پرامپت در این سیستم‌ها تعیین می‌کند مدل با این اسناد چه کند. تفکیک این دو مسئولیت، طراحی تمیزتر و قابل‌نگهداری‌تر می‌سازد.

چیدمان بهینه‌ی اطلاعات#

دستورهای حیاتی را در ابتدای پرامپت یا انتهای آن بگذارید. اطلاعات مرجع طولانی را در وسط قرار دهید. اگر دستور مهمی وسط متن دفن شود، مدل ممکن است آن را نادیده بگیرد — نه به‌خاطر بی‌استعدادی، به‌خاطر ساختار توجه.

اشتباهات رایج در پرامپت‌نویسی و هزینه‌ی عملی هرکدام#

پنج اشتباه اصلی وجود دارد: نقش‌دهی مطلق، باور به «پرامپت طولانی‌تر بهتر است»، کپی پرامپت بین مدل‌ها بدون سازگارسازی، استفاده‌ی کورکورانه از Few-shot، و نادیده‌گرفتن هزینه‌ی توکن. هرکدام هزینه‌ی عملی مشخصی دارد.

اشتباه اول — نقش‌دهی برای همه‌چیز#

«هر پرامپت را با نقش شروع کن» توصیه‌ی رایجی است که برای کارهای تبدیل داده‌ای فقط توکن اضافه است. نقش‌دهی برای کارهای شخصیت‌محور مؤثر است، نه برای «این لیست را مرتب کن».

اشتباه دوم — پرامپت بیش‌ازحد بلند#

Lost in the Middle باعث گم‌شدن دستورهای کلیدی می‌شود. پرامپت 2000 توکنی که دستور اصلی‌اش در توکن 1200ام آمده، احتمال نادیده‌گرفته‌شدنش را بالا می‌برد.

اشتباه سوم — کپی مستر پرامپت یک مدل روی مدل دیگر#

ساختار بهینه‌ی GPT-4o، Claude و Gemini متفاوت است. نحوه‌ی توجه‌دهی، پاسخ‌دهی به دستورهای منفی و تحمل ابهام در هر مدل فرق می‌کند. یک مستر پرامپت که برای Claude بهینه شده ممکن است روی GPT خروجی ضعیف‌تری بدهد. سازگارسازی (Adaptation) بین مدل‌ها ضروری است.

اشتباه چهارم — هزینه‌ی پنهان توکن‌های اضافه#

هر توکن در API هم هزینه‌ی مالی دارد و هم تأخیر زمانی. مستر پرامپتی که 1500 توکن دارد ولی 800 توکنش اضافی است، در مقیاس هزاران درخواست، هزینه‌ی قابل‌توجهی می‌سازد.

اشتباه پنجم — نداشتن نسخه‌دهی#

بدون Version Control نمی‌فهمید کدام تغییر باعث بهبود یا تخریب خروجی شده. الگوی مشاهده‌شده در پروژه‌های واقعی: تیم‌هایی که پرامپت‌هایشان را در Git یا ابزار مشابه نسخه‌دهی می‌کنند، خطای خروجی را به‌طور محسوس کاهش می‌دهند چون می‌توانند تغییرات را ایزوله و مقایسه کنند.

آیا با پیشرفت مدل‌ها مهندسی پرامپت منسوخ می‌شود؟#

خیر. مدل‌های بزرگ‌تر بدون پرامپت دقیق هم خروجی نامنظم می‌دهند. آنچه تغییر می‌کند این است که پرامپت‌های کوتاه‌تر و طبیعی‌تر کار می‌کنند و نیاز به ساختارهای دست‌وپاشکسته کمتر شده، ولی چارچوب تصمیم‌گیری و مدیریت زمینه همچنان ضروری است.

چه چیزی از بین می‌رود#

ترفندهای زبانی عجیب، کلیدواژه‌های جادویی مثل «Think step by step» که برای مدل‌های قدیمی لازم بود، و ساختارهای بیش‌ازحد فرمال که مدل‌های جدید بدون آن‌ها هم کار درست را می‌فهمند.

چه چیزی باقی می‌ماند#

تعریف مسئله، محدودیت‌ها، فرمت خروجی و مدیریت زمینه. تا زمانی که خروجی ساختاریافته، قابل‌تکرار و بدون هالوسیناسیون (Hallucination) لازم باشد، مهندسی پرامپت و مهندسی زمینه ضروری‌اند.

ابزارها و محیط‌های مدیریت پرامپت#

ابزارهای مدیریت پرامپت به سه دسته تقسیم می‌شوند: محیط‌های آزمایش (Playground)، فریمورک‌های کدنویسی و ابزارهای نسخه‌دهی و تست. انتخاب بستگی به سطح فنی و حجم استفاده دارد.

محیط‌های آزمایش#

OpenAI Playground و Anthropic Console برای تست سریع و مقایسه‌ی خروجی بدون کدنویسی مناسب‌اند. برای کسی که تازه شروع کرده، این‌ها نقطه‌ی شروع طبیعی‌اند.

فریمورک‌های کدنویسی#

LangChain برای زنجیره‌سازی (Chaining) و ساخت جریان‌های چندمرحله‌ای. DSPy برای بهینه‌سازی خودکار پرامپت — یعنی ابزار خودش پرامپت را بر اساس معیار مشخصی بهتر می‌کند.

نسخه‌دهی و تست#

الگوی رایج: استفاده از Git برای ذخیره‌ی تغییرات پرامپت، هر commit یک نسخه، هر تغییر یک commit message توضیحی. برای تست خودکار، ابزارهایی مثل Promptfoo یا Helicone اجازه می‌دهند خروجی‌ها را با معیار مشخص مقایسه کنید.

ابزارکاربرد اصلیسطح فنی لازمقابلیت نسخه‌دهی
OpenAI Playgroundتست سریع، مقایسه‌ی مدل‌هاپایینمحدود
Anthropic Consoleتست Claude، تنظیم System Promptپایینمحدود
LangChainزنجیره‌سازی، جریان چندمرحله‌ایمتوسط تا بالابا Git
DSPyبهینه‌سازی خودکار پرامپتبالاداخلی
Git + فایل متنینسخه‌دهی پرامپتمتوسطکامل

مهندسی پرامپت یک مهارت عملی است، نه تئوری. بهترین راه یادگیری، ساختن، شکستن و دوباره ساختن است. اگر می‌خواهید با Claude و ابزارهای مشابه عمیق‌تر کار کنید — از مستر پرامپت‌نویسی تا ساخت ایجنت بدون کدنویسی — دوره‌ی «آموزش جامع Claude و ابزارهای مشابه» در کامیونیتی Claude اسکول دقیقاً همین مسیر را پوشش می‌دهد.