وقتی پرامپت جواب نمیدهد: راهنمای عیبیابی
پرامپت نوشتهاید و خروجی بد است. پنج علت رایج و راه تشخیص هرکدام، روش نصفکردن پرامپت، آزمون در گفتگوی خالی، و نشانهی اینکه کار اصلاً از توان مدل بیرون است.
پرامپت پانزدهخطی را نوشتهاید، جزئیات هم داخلش هست، و خروجی به درد نمیخورد. قرار بود توضیح محصول برای یک فروشگاه اینترنتی لوازم آشپزخانه باشد؛ چیزی که آمده انشایی است دربارهی «تجربهی لذتبخش آشپزی». دوباره مینویسید، طولانیتر. بدتر میشود.
پرامپتِ طولانیتر معمولاً درمان نیست. وقتی خروجی خراب است، بهجای اضافهکردن باید بفهمید کدام تکهی دستور خرابی را میسازد — همان کاری که با یک برنامهی باگدار میکنید.
فرض این نوشته این است که اصول را بلدید و پرامپتنویسی فارسی را خواندهاید. حالا پرامپت هست، خروجی بد است، از کجا شروع کنیم.
اول خرابی را دقیق نام ببرید
«خوب نشد» تشخیص نیست. تا نگویید چه چیزی بد است، هر اصلاحی تیر در تاریکی است. شش حالت رایج: بیربط، درست اما بیش از حد کلی، لحن غلط، قالب غلط، ناقص، و آن یکی که مطمئن حرف میزند ولی ساختگی است — که در توهم هوش مصنوعی باز شده است.
یک جمله بنویسید، با فعل: «برای هر محصول یک متن یکسان میدهد.» همین جمله نصف علت را لو میدهد.
نشانه، علت محتمل، اصلاح
| نشانهی خروجی بد | علت محتمل | اصلاح |
|---|---|---|
| کلی و بیجزئیات، شبیه ویکیپدیا | صورتمسئلهی مبهم | مخاطب و معیار موفقیت را بنویسید |
| هر اجرا لحن و طول متفاوت | تعارض بین دستورها | دستور متضاد را حذف یا اولویتبندی کنید |
| ساختار هر بار عوض میشود | قالب خروجی نامشخص | تعداد، ترتیب و نام ستونها را بگویید |
| شبیه چیزی که میخواهید نیست | نبودِ نمونه | یک نمونهی خروجی مطلوب بچسبانید |
| به موضوع یا لحن قبلی برمیگردد | زمینهی آلوده | در گفتگوی تازه اجرا کنید |
| عدد و محاسبه غلط است | بیرون از توان مدل | داده را خودتان بدهید یا ابزار دیگر |
علت یکم: صورتمسئلهی مبهم
«حرفهای بنویس»، «جذاب باشد»، «سئو را رعایت کن» به نظر دستورند، ولی معیار ندارند. حرفهای برای یک شرکت بیمه یعنی خشک و بیطعنه؛ برای صفحهی اینستاگرام همان فروشگاه یعنی چیز دیگری.
راه تشخیصش ساده است: خودتان جواب بدهید. اگر نمیتوانید در یک جمله بگویید خروجی درست چه شکلی است، مدل هم نمیتواند و به میانگین هرچه دیده پناه میبرد. خروجیِ «کلی» یعنی نبودِ معیار، نه بیسوادی مدل.
علت دوم: دستورهایی که همدیگر را خنثی میکنند
«کوتاه ولی کامل»، «رسمی ولی صمیمی»، «خلاقانه باش ولی از این ساختار بیرون نرو». مدل نمیتواند هر دو را با هم بدهد، پس یکی را انتخاب میکند و دفعهی بعد شاید دیگری را. اگر خروجیهای پشتسرهم فرق فاحش دارند، احتمالاً پرامپت متعارض دارید؛ دلیلهای دیگرش را چرا هر بار جواب متفاوتی میگیرم باز کرده است.
تشخیص: هر دستور را در یک خط جدا بنویسید و دوبهدو کنار هم بگذارید. تعارض معمولاً بین دو خطی است که ده خط از هم فاصله دارند و هرگز کنار هم ندیدهایدشان. بعد اولویت بدهید: «اگر کوتاهی و کامل بودن تعارض کردند، کوتاهی مقدم است.»
علت سوم: نمونه ندادهاید
یک نمونهی خروجی درست، از ده خط توضیح بیشتر کار میکند. اگر قبلاً متنی نوشتهاید که راضیتان کرده، همان را بچسبانید و بنویسید «با همین لحن، همین طول، همین ترتیب». اگر نمونهی خوب ندارید، نمونهی بد بدهید: این را نوشت، این را نمیخواهم.
علت چهارم: قالب خروجی نامشخص
وقتی نگویید خروجی چه شکلی باشد، مدل خودش شکلی انتخاب میکند و دفعهی بعد شکل دیگری. تعداد و ترتیب را بگویید، و اگر جدول میخواهید نام ستونها را بنویسید: «جدول سهستونی با ستونهای نام محصول، مزیت اصلی، مخاطب.»
برای کارهای تکرارشونده مثل توضیح محصول، قالب را یک بار درست بنویسید و همیشه همان را بفرستید. فرقش با مهندسی زمینه این است که آنجا کل بستر مطرح است و اینجا فقط شکل خروجی.
علت پنجم: زمینهی آلوده از گفتگوی قبلی
سی پیام قبلتر خواسته بودید متنها رسمی باشد. حالا در همان گفتگو کپشن اینستاگرام میخواهید و خروجی بوی نامهی اداری میدهد. مدل دستور قدیمی را فراموش نکرده؛ همهی گفتگو بخشی از ورودی اوست و مرزهای این حافظه در حافظه در هوش مصنوعی آمده است.
نشانهاش روشن است: پرامپت بیعیب است ولی خروجی به موضوع یا لحن قبلی برمیگردد. اینجا اصلاح پرامپت وقت تلفکردن است؛ بستر را عوض کنید نه متن دستور را.
روش نصفکردن: کدام نیمه خراب است
وقتی پرامپت بلند است و نمیدانید مقصر کجاست، نصفش کنید. نیمهی اول را تنها اجرا کنید: اگر همان خرابی بود، مشکل در همین نیمه است؛ اگر نبود، در نیمهی دوم. باز نصف کنید. با سه چهار مرحله به دو سه خط میرسید. همان منطق اشکالزدایی در برنامهنویسی است.
یک قاعده را نشکنید: بین دو اجرا فقط یک چیز را عوض کنید. اگر همزمان جمله و مدل را عوض کنید، نمیفهمید کدام اثر داشته است.
آزمون در گفتگوی تازه
پیش از هر بازنویسی، همان پرامپت را بدون یک حرف تغییر در گفتگویی خالی اجرا کنید. اگر خروجی درست شد، متن دستور سالم بوده و تاریخچه خرابش میکرده. اگر باز بد بود، مشکل واقعاً در پرامپت است. این آزمون کمتر از یک دقیقه وقت میگیرد و ساعتها بازنویسی بیجا را حذف میکند؛ در نارنگی کافی است گفتگوی جدید باز کنید.
برای هر کار تازه، گفتگوی تازه. و پرامپتهای خوبتان را بیرون از گفتگو نگه دارید، در یک فایل یا یادداشت گوشی. کسی که ذخیرهشان میکند، نسخهی سالم را برای مقایسه با نسخهی خراب در دست دارد.
از خود مدل بپرسید کجا برایش مبهم بود
کاری که کم انجام میشود و اغلب جواب میدهد: بهجای اجرای پرامپت، از مدل بخواهید نقدش کند — بگویید اجرا نکن، فقط بازبینی کن:
این پرامپت را اجرا نکن. فقط بازبینیاش کن.
متن پرامپت:
«[متن پرامپت خودتان]»
سه چیز بگو:
۱. کدام جملهها مبهماند و چند برداشت دارند
۲. کدام دو دستور با هم تعارض دارند
۳. چه اطلاعاتی کم است که مجبوری حدس بزنی
برای هر مورد شمارهی خط و یک جمله توضیح بنویس. بازنویسی نکن.جواب همیشه دقیق نیست و گاهی ایراد بیاهمیت میگیرد. ولی معمولاً یکی دو جمله را نشان میدهد که شما دیگر نمیبینیدشان. فهرست حدس است، نه حکم.
وقتی مشکل از پرامپت نیست
بعضی کارها با هیچ پرامپتی درست نمیشوند: محاسبهی دقیق روی چند رقم — که چراییِ ضعفش در چرا هوش مصنوعی در ریاضی ضعیف است آمده — قیمت امروز دلار، موجودی انبار شما، شمارش دقیق کلمههای یک متن، و آییننامهی داخلی سازمانتان که منتشر نشده. اینجا پرامپتنویسی راه نجات نیست؛ داده را خودتان بدهید یا کار را جای دیگری ببرید.
گاهی هم مدل کوچک است: مدلی که برای جواب سریع ساخته شده تحلیل چندلایه را خوب انجام نمیدهد و صیقلدادن پرامپت فرقی نمیکند؛ انتخاب درست را کدام مدل برای چه کاری جمع کرده است.
در متن پزشکی، حقوقی و مالی خرابی به چشم نمیآید؛ خروجی منظم و مطمئن است ولی یک عدد یا یک مادهی قانونی غلط است. عیبیابی پرامپت این را حل نمیکند. ابزار پیشنویس میدهد و بازبینی نهایی با متخصص است — بیاستثنا.
جمعبندی
خروجی بد اغلب از کمحجمی پرامپت نمیآید، از ابهام یا تعارض یا بیقالبی میآید. پیش از بازنویسی، خرابی را نام ببرید، در گفتگوی تازه امتحان کنید، و اگر باز بد بود پرامپت را نصف کنید تا مقصر پیدا شود.
و اگر بعد از همهی اینها خروجی درست نشد، شاید کار از توان مدل بیرون باشد. پذیرفتن این، از ده بار بازنویسی مفیدتر است. تلههای دیگر این مسیر را ۱۵ اشتباه رایج در کار با هوش مصنوعی جمع کرده است.
برای ادامه:
