بیشتر شکست‌های پرامپت‌نویسی از یک سوءتفاهم بنیادین سرچشمه می‌گیرد: رفتار با مدل زبانی مثل رفتار با یک تابع pure است — ورودی ثابت، خروجی ثابت. در عمل مدل زبانی یک تابع احتمالاتی است و پرامپت، نه دستور، بلکه قراردادی است که توزیع خروجی‌ها را جهت می‌دهد. همین تفاوت، تمام رویکرد ساختارمندسازی را عوض می‌کند: گاهی مستر پرامپت دقیقاً همان چیزی است که نباید بسازید.

مهندسی پرامپت قرارداد احتمالاتی است، نه دستورالعمل#

مهندسی پرامپت (Prompt Engineering) طراحی ورودی‌هایی است که توزیع احتمالاتی خروجی یک مدل زبانی بزرگ را جهت می‌دهد. تفاوتش با نوشتن دستور این است که مدل، پرامپت را «ترجیح» می‌دهد، نه «تضمین». این یعنی هر پرامپت یک قرارداد احتمالاتی است، نه یک فرمان اجرایی.

در جستجوی وب، نتیجه قطعی است: کوئری مشخص، پاسخ مشخص. در پرامپت‌دهی، یک ورودی واحد می‌تواند صدها خروجی مختلف تولید کند. مدل، پرامپت شما را به‌عنوان سیگنال جهت‌دهنده تفسیر می‌کند، نه دستور اجرایی. ممکن است آن را نادیده بگیرد، تفسیر متفاوت کند، یا در مرزهای آموزش‌دیده‌اش گیر بماند.

مقایسه با قرارداد API (API Contract) دقیق است. همان‌طور که یک قرارداد API ورودی، خروجی، کدهای خطا و رفتار استثنایی را تعریف می‌کند، مستر پرامپت هم باید نقش، محدودیت، فرمت خروجی و سازوکار fallback داشته باشد. اگر API contract فقط بگوید «داده بده و نتیجه بگیر» بدون تعریف خطا، در تولید فرو می‌پاشد. پرامپت هم همین‌طور.

نکته‌ای که کمتر گفته می‌شود: نقش دانش حوزه‌ای (Domain Knowledge) از ساختار پرامپت مهم‌تر است. بدون دانستن اینکه خروجی مطلوب چیست، بهترین ساختار هم بی‌فایده است. پرامپت‌نویسی بدون domain knowledge، نسخه‌بندی یک قرارداد بدون دانستن محتوای آن است.

مستر پرامپت چیست و چه زمانی به آن نیاز دارید؟#

مستر پرامپت (Master Prompt) یک پرامپت ساختارمند و قابل‌بازاستفاده است که نقش، وظیفه، محدودیت و فرمت خروجی را یک‌بار تعریف می‌کند تا با متغیرهای مختلف بارها فراخوانی شود. نیاز به آن زمانی ایجاد می‌شود که وظیفه تکرارشونده باشد و ثبات خروجی اهمیت داشته باشد.

سه شرایط که مستر پرامپت لازم می‌شود:

  • وظیفه تکرارشونده است و بیش از چند بار اجرا می‌شود
  • چند نفر از یک پرامپت استفاده می‌کنند و ثبات خروجی مهم است
  • نیاز به مقیاس‌پذیری دارید: یک بار بنویسید، بارها اجرا کنید

اما سه حالت شکست وجود دارد که در آن‌ها مستر پرامپت مضر است:

  1. وظیفه یک‌بارمصرف و ساده: اگر پرامپت ساده جواب می‌دهد، ساختارمندسازی فقط هزینه توکنی اضافه و پیچیدگی بی‌مورد ایجاد می‌کند.
  2. پنجره زمینه (Context Window) محدود: اگر مدل پنجره زمینه کوچک دارد، مستر پرامپت طولانی از بودجه ورودی می‌خورد و جایی برای داده واقعی نمی‌ماند.
  3. تغییر مدل هدف: مستر پرامپت بهینه‌شده برای یک مدل ممکن است روی مدل بعدی بدتر عمل کند. این شکنندگی (Fragility) در تغییر نسخه، هزینه پنهان مستر پرامپت است.

تمایز پرامپت شخصی با پرامپت تیمی بنیادین است. پرامپت شخصی می‌تواند مبهم باشد چون context ذهنی شما را دارد و خودتان خروجی را اصلاح می‌کنید. پرامپت تیمی باید صفر-زمینه (Zero-Context) باشد: هر کسی بدون دانستن پیشینه شما باید بتواند از آن استفاده کند و نتیجه یکسان بگیرد. محدودیت‌ها، فرمت و fallback باید صریح نوشته شوند.

ساختار شش‌جزئی مستر پرامپت قابل‌بازاستفاده#

هر مستر پرامپت مؤثر شش جزء دارد: نقش، زمینه، وظیفه، محدودیت، فرمت خروجی و سازوکار fallback. حذف هر یک از این شش جزء، ریسک خروجی نامطلوب را به‌طور فزاینده بالا می‌برد؛ چون هر جزء یک لایه از رفتار سیستم را پوشش می‌دهد و بدون آن، مدل از آموزش عمومی‌اش پر می‌کند.

شش پنل شش‌ضلعی شیشه‌ای چیده‌شده به‌صورت زنبوری که هر کدام نماد یک جزء مستقل از ساختار مستر پرامپت هستند
این چیدمان نشان می‌دهد حذف یا جایگزینی یک پنل، کل ساختار را از هم نمی‌پاشد.

نقش و هویت (Role)#

نقش، مدل را در چارچوب رفتاری مشخص قرار می‌دهد. نه صرفاً «تو یک متخصص هستی»، بلکه مشخص‌تر: «تو یک ویراستار فنی فارسی‌زبان هستی که فقط با اصطلاحات رایج در متون تخصصی کامپیوتر آشناست». نقش دقیق، فضای احتمالاتی خروجی را محدود می‌کند.

زمینه و محدودیت‌ها (Context & Constraints)#

این بخش مرز بین داده و دستور را مشخص می‌کند. محدودیت‌ها باید صریح باشند: چه چیزهایی نباید در خروجی باشد، چه طولی مجاز است، چه مخاطبی در نظر گرفته شده. اگر محدودیت ننویسید، مدل از آموزش‌های عمومی‌اش پر می‌کند.

وظیفه و فرمت خروجی (Task & Output Format)#

وظیفه باید قابل‌سنجش باشد. «خوب بنویس» سنجش‌پذیر نیست. «سه پاراگراف، هر کدام حداکثر 60 کلمه، بدون فهرست» سنجش‌پذیر است. فرمت خروجی هرچه دقیق‌تر، هزینه post-processing کمتر.

نمونه‌ها و متغیرها (Examples & Variables)#

نمونه ورودی-خروجی، الگوی مورد انتظار را به مدل نشان می‌دهد. متغیرها (Placeholder) با نام‌های مشخص مثل {{input_text}} یا {{tone}} نوشته شوند تا استفاده مجدد ساده باشد.

سازوکار fallback#

مدل چه کند وقتی مطمئن نیست یا داده کافی ندارد؟ بدون fallback، مدل حدس می‌زند و خروجی بی‌ارزش تولید می‌کند. با fallback، مدل صریحاً می‌گوید «داده کافی ندارم» یا «این خارج از محدوده من است». این بخش، همان‌طور که در قرارداد API رفتار خطا تعریف می‌شود، رفتار عدم‌قطعیت را مشخص می‌کند.

نمونه مستر پرامپت قابل‌کپی:

نقش: تو یک مترجم فنی فارسی‌زبان هستی که متون تخصصی نرم‌افزار را به فارسی روان و دقیق ترجمه می‌کند.

زمینه: مخاطب خروجی، توسعه‌دهنده‌های ایرانی با 2 تا 5 سال تجربه هستند. اصطلاحات فنی رایج (مثل API، SDK، framework) به همان شکل انگلیسی باقی بمانند.

وظیفه: متن انگلیسی زیر را به فارسی ترجمه کن. لحن: فنی اما نه خشک. جمله‌های کوتاه. حداکثر 20 کلمه در هر جمله.

محدودیت‌ها:
- از واژه‌های عمومی مثل «بدون شک» یا «در دنیای امروز» استفاده نکن.
- پاراگراف‌ها حداکثر 4 خط باشند.
- اگر اصطلاحی معادل رایج فارسی ندارد، انگلیسی‌اش را داخل پرانتز بیاور.

فرمت خروجی: فقط متن ترجمه‌شده، بدون توضیح اضافه، بدون مقدمه.

fallback: اگر بخشی از متن مبهم است یا اصطلاحی معادل دقیق ندارد، آن بخش را با علامت [نیاز به بازبینی] مشخص کن و ترجمه نزدیک‌ترین معادل را بنویس.

متن ورودی:
{{input_text}}

چرا پرامپت‌های ساختارمند گاهی بدتر از پرامپت ساده عمل می‌کنند؟#

پرامپت طولانی‌تر لزوماً بهتر نیست و در بسیاری موارد، ساختارمندسازی بیش از حد خودش منبع خطاست.

پدیده Attention Dilution (رقیق‌شدن توجه): هر توکن اضافی در پرامپت، وزن توجه مدل را بین اجزا پخش می‌کند. فرض کنید پرامپت شما 2000 توکن است و مدل 4000 توکن context window دارد؛ در این حالت بخش عمده‌ای از ظرفیت ورودی صرف خودِ پرامپت می‌شود، نه تحلیل داده شما.

هزینه پنهان در مقیاس تولید: اگر مستر پرامپت شما 1500 توکن دارد و روزانه 1000 فراخوانی انجام می‌دهید، 1.5 میلیون توکن صرفاً ورودی پرامپت است. این هزینه محاسباتی و تأخیر واقعی ایجاد می‌کند. در مقیاس کوچک، این هزینه محسوس نیست؛ در مقیاس تولید، قابل‌توجه است.

شکنندگی در تغییر مدل (Prompt Fragility Across Model Versions): پرامپتی که برای مدل A بهینه شده، ممکن است روی مدل B بدتر عمل کند. ساختار XML که در Claude توصیه می‌شود، لزوماً برای Gemini بهینه نیست. مستر پرامپت یک دارایی شکننده است، نه یک دارایی پایدار.

قاعده عملی: اگر پرامپت ساده جواب می‌دهد، مستر پرامپت نسازید. هزینه ساخت، تست، نسخه‌بندی و نگهداری مستر پرامپت فقط در صورتی توجیه دارد که وظیفه تکرارشونده باشد و ثبات خروجی اهمیت داشته باشد.

تکنیک‌های پیشرفته: زنجیره تفکر، چندنمونه‌ای و پرامپت معکوس#

زنجیره تفکر (Chain-of-Thought)، پرامپت‌دهی چندنمونه‌ای (Few-Shot Prompting) و پرامپت معکوس (Reverse Prompting) سه رویکرد متفاوت به یک مسئله‌اند: رساندن مدل به خروجی مطلوب. هر سه در شرایط خاصی مؤثرند و هر سه در شرایط دیگر بی‌اثر یا مضر می‌شوند.

زنجیره تفکر (Chain-of-Thought)#

Wei et al. (2022) نشان دادند که درخواست «مرحله به مرحله فکر کن» دقت مدل‌ها را در مسائل استدلالی بالا می‌برد. اما این تکنیک در مدل‌هایی مثل o1 و R1 که ذاتاً reasoning-native هستند، بی‌اثر یا حتی مضر است. این مدل‌ها از قبل زنجیره تفکر داخلی دارند؛ اضافه کردن آن به پرامپت فقط توکن اضافی مصرف می‌کند.

پرامپت‌دهی چندنمونه‌ای (Few-Shot Prompting)#

چند نمونه ورودی-خروجی به مدل نشان می‌دهد که چه الگویی انتظار دارید. نکته‌ای که کمتر گفته می‌شود: بر اساس مشاهدات تجربی، ترتیب نمونه‌ها تأثیر دارد. نمونه آخر معمولاً بیشترین وزن توجه را می‌گیرد. اگر خروجی‌های مشابه تولید می‌کنید، تنوع نمونه‌ها مهم‌تر از تعداد آن‌هاست.

پرامپت معکوس (Reverse Prompting)#

به‌جای حدس‌زدن ساختار بهینه، ابتدا خروجی مطلوب را بنویسید و از مدل بخواهید پرامپتی بسازد که آن خروجی را تولید کند. این روش، بار شناختی طراحی پرامپت را از دوش شما برمی‌دارد و به مدل می‌دهد. الگوی تکرارشونده در پروژه‌های واقعی: پرامپت معکوس نقطه شروع می‌سازد، سپس دستی بهینه‌سازی می‌کنید.

نمونه پرامپت معکوس قابل‌کپی:

من خروجی مطلوب زیر را می‌خواهم:

«{{desired_output}}»

یک پرامپت بنویس که مدل زبانی را به تولید دقیقاً این خروجی برساند. پرامپت باید شامل نقش، محدودیت، فرمت خروجی و fallback باشد. پرامپت را به فارسی بنویس.

اگر خروجی مطلوب من ویژگی خاصی دارد که باید در پرامپت منعکس شود، آن را در بخش توضیحات پرامپت ذکر کن.

پرامپت‌دهی سلسله‌مراتبی (Hierarchical Prompting)#

وظیفه پیچیده را به زیرپرامپت‌ها بشکنید. هر زیرپرامپت یک وظیفه کوچک و مشخص دارد. خروجی هر مرحله، ورودی مرحله بعد می‌شود. این روش در مقایسه با یک مستر پرامپت بزرگ، دو مزیت دارد: قابل‌تست‌تر است و اگر یک مرحله خراب شود، فقط همان مرحله را اصلاح می‌کنید.

چگونه پرامپت را نسخه‌بندی و در محیط تولید تست کنیم؟#

پرامپت در محیط تولید باید مثل کد نسخه‌بندی شود: semver، تست خودکار، ثبت تغییرات و پایش خروجی. ابزارهایی مثل PromptLayer، LangSmith، DSPy و LangChain این چرخه را امکان‌پذیر می‌کنند. اگر پرامپت شما در محیط تولید استفاده می‌شود ولی نسخه‌بندی ندارد، در اولین تغییر مدل یا تغییر داده، بدون هیچ هشداری کیفیت خروجی افت می‌کند.

Semver برای پرامپت#

چه چیزی breaking change محسوب می‌شود؟ تغییر در فرمت خروجی مورد انتظار، حذف یک محدودیت که مصرف‌کننده‌های پایین‌دستی به آن وابسته‌اند، یا تغییر نقش به‌طوری که لحن خروجی عوض شود. تغییرات جزئی مثل اصلاح املایی یا افزودن یک مثال، patch version هستند.

تست و ارزیابی#

Golden Dataset بسازید: مجموعه‌ای از ورودی‌های مرجع با خروجی‌های مطلوب. هر بار که پرامپت تغییر می‌کند، روی این dataset تست کنید. A/B testing پرامپت‌ها در محیط تولید، تنها راه اطمینان از بهبود واقعی است، نه بهبود توهمی.

ابزارها#

ابزارکاربرد اصلیمناسب برای
PromptLayerثبت، نسخه‌بندی و پایش پرامپت‌هاتیم‌های کوچک تا متوسط
LangSmithتست، ارزیابی و trace خروجیتوسعه‌دهنده‌های LangChain
DSPyبهینه‌سازی خودکار پرامپتپرامپت‌هایی که الگوریتمی بهینه می‌شوند
LangChainارکستراسیون پرامپت‌ها و زنجیره‌هاپرامپت‌های سلسله‌مراتبی و پیچیده

امنیت پرامپت#

حملات پرامپت اینجکشن (Prompt Injection) در OWASP Top 10 for LLM Applications قرار دارند. این حمله زمانی رخ می‌دهد که داده ورودی — مثلاً محتوای یک وب‌سایت یا فایل آپلودشده — حاوی دستوراتی باشد که مدل آن‌ها را به‌جای داده، به‌عنوان دستور جدید تفسیر کند. دفاع شامل: جداسازی صریح داده و دستور (مثلاً با XML tags در Claude، طبق توصیه رسمی Anthropic)، فیلتر ورودی، محدودسازی دسترسی ابزار، و پایش خروجی غیرمنتظره است.

مرز مهندسی پرامپت با fine-tuning و تفاوت مدل‌ها#

مهندسی پرامپت برای تنظیم رفتار در پنجره زمینه است؛ fine-tuning برای تغییر ذاتی مدل. بین این دو، یک جدول تصمیم‌گیری وجود دارد. تفاوت‌های ساختاری GPT، Claude و Gemini هم باید رعایت شود: الگوهای attention متفاوت، فرمت‌های توصیه‌شده متفاوت و پنجره‌های زمینه متفاوت.

جدول مقایسه‌ای مهندسی پرامپت در برابر fine-tuning#

معیارمهندسی پرامپتFine-tuning
هزینه اولیهکم (فقط زمان)بالا (داده + محاسبات)
زمان اجراسریع (دقیقه تا ساعت)طولانی (ساعت تا روز)
انعطاف در تغییربالا (ویرایش پرامپت)پایین (بازآموزی لازم است)
نیاز به دادهکم یا بدون دادهصدها تا هزاران نمونه
مناسب برایتنظیم رفتار، فرمت، لحنتغییر ذاتی مدل، سبک ثابت
شکنندگی در تغییر مدلبالامتوسط (مدل base عوض می‌شود)

تفاوت‌های پرامپت‌نویسی بین مدل‌ها#

Anthropic در مستندات رسمی‌اش استفاده از XML tags برای جداسازی بخش‌های پرامپت را توصیه می‌کند. این الگو در Claude به‌خوبی کار می‌کند چون مدل روی این ساختار آموزش دیده است. در GPT، ساختارهای سلسله‌مراتبی و numbered list مؤثرتر عمل می‌کنند. Gemini الگوی متفاوتی دارد و پرامپت‌های ساده‌تر و مستقیم‌تر روی آن بهتر جواب می‌دهند.

چه زمانی پرامپت کافی نیست؟ وقتی وظیفه تکراری با داده ساختارمند دارید، وقتی نیاز به سبک ثابت دارید که در پنجره زمینه جا نمی‌شود، یا وقتی محدودیت پنجره زمینه اجازه ارسال تمام context را نمی‌دهد. در این موارد، fine-tuning یا ترکیب retrieval-augmented generation با پرامپت کوتاه‌تر، گزینه بهتری است.

اثر تغییر مدل بر پرامپت موجود جدی است. هر بار که مدل هدف عوض می‌شود، پرامپت باید بازتست شود. این در نسخه‌بندی پرامپت باید ثبت شود: پرامپت نسخه 2.1 برای مدل X تست شده، برای مدل Y نه.

مهندسی پرامپت مهارت «بهتر سوال پرسیدن» نیست. قرارداد احتمالاتی بستن با مدلی است که رفتار ذاتی‌اش نوسانی است. مستر پرامپت بسازید وقتی تکرار دارید، پرامپت ساده بنویسید وقتی یک‌بارمصرف است، و هرگز فراموش نکنید که تغییر مدل، تمام تست‌های شما را بی‌اعتبار می‌کند. اگر می‌خواهید این چرخه را در عمل و روی پروژه‌های واقعی تمرین کنید، دوره‌ی آموزش جامع Claude و ابزارهای مشابه در کامیونیتی Claude اسکول، از صفر تا ساخت ایجنت با پرامپت‌نویسی ساختارمند را پوشش می‌دهد.