مهندسی پرامپت چیست؟

کیفیت خروجی مدل به کیفیت درخواست بستگی دارد. اصول عملی: هدف را روشن بگویید، زمینه و مخاطب را بدهید، قالب خروجی را مشخص کنید، چند مثال نشان دهید (few-shot) و قیدها را صریح بنویسید. گاهی گفتن «گام‌به‌گام فکر کن» یا تقسیم کار به چند درخواست کوچک نتیجه را بهتر می‌کند.

پرامپت را مثل کد آزمایش کنید: مجموعه‌ای از ورودی‌های نمونه نگه دارید، تغییرها را با آن بسنجید و نسخه‌ها را ثبت کنید. تغییر مدل می‌تواند رفتار پرامپت را عوض کند.

مهندسی پرامپت جایگزین ارزیابی و بررسی انسانی نیست؛ برای کاربردهای حساس باید با محافظت در لایه‌ی برنامه ترکیب شود.

مثال کاربردی

تیم محتوا خروجی نامنظم می‌گیرد. با افزودن مخاطب، قالب خروجی، سه مثال خوب و یک قید «از ادعای عددی بدون منبع پرهیز کن»، یکنواختی بالا می‌رود. هر نسخه را روی ۲۰ ورودی ثابت می‌سنجند.

چطور در عمل بررسی کنیم؟

بهترین راه یادگرفتن این مفهوم، دیدن آن در یک درخواست واقعی است. یک کلید بسازید، فهرست مدل‌ها را با /v1/models بگیرید، یک درخواست کوچک بفرستید و فیلدهای پاسخ (از جمله usage و finish_reason) را بخوانید. سپس همان درخواست را با پارامتر یا مدل دیگر تکرار و در داشبورد مصرف و هزینه را مقایسه کنید. نمونه‌های آماده در راهنمای cURL و راهنمای پایتون هست.

اصطلاحات نزدیک

• پرامپت سیستم: System Prompt دستورالعمل اولیه‌ای است که نقش، لحن، قوانین و محدودیت‌های مدل را برای کل گفتگو تعیین می‌کند.
• دمای نمونه‌برداری: Temperature پارامتری است که میزان تصادفی بودن انتخاب توکن بعدی را تنظیم می‌کند؛ مقدار پایین پاسخ‌های قابل‌پیش‌بینی‌تر و مقدار بالا پاسخ‌های خلاقانه‌تر می‌دهد.
• توهم مدل: توهم (Hallucination) وقتی است که مدل زبانی اطلاعات نادرست یا ساختگی را روان و مطمئن بیان می‌کند.
• فاین‌تیونینگ: Fine-tuning ادامه‌ی آموزش یک مدل از پیش‌آموزش‌دیده روی داده‌ی اختصاصی است تا سبک، قالب یا رفتار خاصی را یاد بگیرد.

در پیکو هوش

می‌توانید پرامپت واحد را روی چند مدل کاتالوگ اجرا و مقایسه کنید؛ مصرف و هزینه‌ی هر اجرا در داشبورد دیده می‌شود.

اشتباهات رایج

• پرامپت مبهم و چندمنظوره.
• ارزیابی با یک نمونه‌ی تصادفی.