Goal, Format, Warnings, Context
Sania Sayari《هر چه پرامپت دقیقتر و مرحلهبهمرحله طراحی شود، احتمال دریافت خروجیهای کاربردی و مفید بیشتر خواهد بود.》
🐍📊🔍در این پست با در نظر گرفتن عنوان «تحلیل یک دیتاست ساده با پایتون» ساختار چهارمرحلهای را توضیح میدهیم.
مرحله اول: هدف
✅️Goal
در اولین قدم از پرامت نویسی، باید بهصورت واضح و دقیق هدف خود را مشخص کنید؛ یعنی دقیقاً بگویید از هوش مصنوعی چه کاری میخواهید انجام دهد. این بخش مثل تعیین roadmap است که مدل را هدایت میکند تا بهترین نتیجه را ارائه دهد.
هدف باید کامل و جزئی باشد، اما در عین حال ساده و قابل فهم برای هر مخاطبی؛ نباید پیچیده یا مبهم باشد تا هوش مصنوعی بتواند بهخوبی منظور شما را درک کند و خروجی مناسبی تولید کند.
💡 پرامپت نمونه:
"میخوام کدی ساده به زبان پایتون نوشته بشه که یک فایل CSV را بخونه، دادههای عددی موجود در هر ستون را تحلیل کرده و میانگین هر ستون را محاسبه کنه."
مرحله دوم: فرمت پاسخ
✅️Return Format
در این مرحله باید به هوش مصنوعی دقیقاً بگویید که میخواهید پاسخ خود را چگونه و در چه قالبی دریافت کنید. اجازه ندهید هوش مصنوعی خودش قالب خروجی را انتخاب کند؛ بلکه باید مشخص کنید که خروجی به چه شکل باشد تا پاسخها سازمانیافته و قابل استفاده باشند.
این کار باعث میشود که اطلاعات به صورت قابل فهم و کاربردی در اختیار شما قرار گیرد و وقت کمتری برای ویرایش یا تفسیر آن صرف شود.
فرمت پاسخ میتواند شامل موارد زیر باشد:
📊 جدول با ستونهای مشخص (مثلاً ستون نام، مقدار، میانگین، و…)
☑️ چکلیست گامبهگام یا رودمپ (همراه با bullet points)
📝 متن با لحن رسمی، دوستانه یا خلاصه
💻 خروجی کد برنامه در زبان مورد نظر
و...
💡 پرامپت نمونه:
"پاسخ رو به صورت یک جدول از نوع pandas.DataFrame ارائه بده که این ستونها رو شامل بشه:
▪️ Feature Name: نام ستون عددی
▪️ Mean: میانگین
▪️ Max: بیشترین مقدار
▪️ Std: انحراف معیار
جدول باید آمادهی خروجی گرفتن با to_csv(). باشه. یک نمودار میلهای ساده هم رسم کن که میانگین و بیشینهی هر ستون عددی رو در کنار هم نشون بده."
مرحله سوم: هشدارها
✅️Warnings
در این مرحله باید به مدل اطلاع بدهیم که چه موضوعاتی نباید در خروجی وجود داشته باشند. این هشدارها، مدل زبانی را در یک چارچوب روشن قرار میدهد و کمک میکند از موارد کلی، سطحی، یا نامرتبط جلوگیری شود. گاهی فقط گفتن "چه چیزی میخواهیم " کافی نیست. چون مدل ممکن است به دلایل آماری، چیزهایی را ارائه دهد که "معمولاً جواب میدهد" اما در موقعیت ما مناسب نیست. با تعیین هشدار، به مدل اطلاع میدهیم که چه مسیرهایی کاملاً بسته هستند.
نمونههایی از هشدارهای کاربردی:
🚩 توصیههای کلی ارائه نده و فقط پاسخهای دقیق و مرتبط ارائه کن.
🚩 پاسخها باید متناسب با سطح دانش یک دانشجوی ... باشند.
🚩 از منابع نامعتبر یا اطلاعات بدون پشتوانه استفاده نکن.
🚩 از بهکار بردن اصطلاحات تخصصی بدون تعریف خودداری کن.
و...
💡 پرامپت نمونه:
" از بهکار بردن مفاهیم و کتابخانههای بسیار تخصصی برای ساخت جدول در پایتون خودداری کن؛ در صورت استفاده، حتماً تعریفی کوتاه و واضح به صورت کامنت برای درک بهتر ارائه بده.
کدی که ارائه میکنی باید ساده، واضح و قابل اجرا باشد و از پیچیدگیهای غیرضروری اجتناب کن."
مرحله چهارم: زمینه
✅️Context Dump
در این مرحله، بهتر است زمینه و شرایطی که در آن قرار دارید را با مدل هوش مصنوعی در میان بگذارید. هرچه تصویر دقیقتری از موقعیت شما داشته باشد، خروجیاش شخصیسازی شدهتر و برایتان مفیدتر خواهد بود.
از جمله مواردی که میتوانید در قالب زمینه ارائه دهید:
🎓 سطح علمی و آشنایی شما با موضوع (مثلاً دانشآموز، دانشجوی کارشناسی، یا فرد غیرفنی)
🧰 منابع، ابزارها یا دادههایی که در اختیار دارید
⚙️ نوع استفادهای که از خروجی مدل خواهید داشت (مثلاً برای ارائه کلاسی، تحلیل اولیه یا استفاده حرفهای)
📅 زمان و مهلت انجام کار یا محدودیتهای محیطی (مثلاً اگر به اینترنت یا برخی کتابخانهها دسترسی ندارید)
🔁 کارهایی که قبلاً برای رسیدن به هدفتان انجام دادهاید (تا مدل بداند از کجا شروع کند)
*** با در اختیار گذاشتن این اطلاعات، به مدل کمک میکنید تا پاسخهایی بسازد که واقعاً با نیاز و موقعیت شما هماهنگ باشند، نه صرفاً جوابهایی عمومی و ازپیشساخته.
💡 پرامپت نمونه:
زمینه: دانشجوی ... هستم که در حال یادگیری تحلیل داده با پایتون هستم. با کتابخانههایی مثل pandas و matplotlib آشنایی اولیه دارم، ولی هنوز تسلط کامل ندارم. دیتاستی که دارم شامل حدود ۲۰۰ ردیف و ۷ ستون عددی هست و فایل CSV اون رو ارسال میکنم. این کد جدول آماری که میخواهم، قرار است بخشی از تمرین کلاسی من باشد، باید ساده و قابل توضیح برای ارائه حضوری باشد. لپتاپی که استفاده میکنم منابع محدودی دارد، پس از پردازشهای سنگین یا کتابخانههای پیچیده استفاده نکن.
📝 📝 📝 _____________________📝 📝 📝
این ساختار در ابتدا برای مدل GPT-4.0-turbo ارائه شد، اما تجربه کاربران نشان داده است که در مدلهای متنوعی مانند GPT-4o و حتی GPT-3.5 نیز عملکرد بسیار خوبی دارد.
پیشنهاد میشود برای دریافت پاسخهایی جامعتر، دقیقتر و با منابع قویتر، از زبان انگلیسی استفاده کنید. مدلهای هوش مصنوعی بهطور گستردهتری روی متون انگلیسی آموزش دیدهاند و در نتیجه پاسخهای تخصصیتری در این زبان ارائه میدهند.
✨️ سؤالات خود را به انگلیسی مطرح کنید.
✨️ یا از مدل بخواهید پاسخهای نهایی را به زبان انگلیسی ارائه دهد، حتی اگر گفتگو فارسی باشد.
✨️ اگر لازم بود، از ترجمه کمک بگیرید یا از مدل بخواهید معادلهای فارسی را نیز بنویسد.
آنچه در این پست گفتیم، راهنمایی بود برای نوشتن یک پرامپت خوب، قابل فهم و نتیجهمحور. این چهار مرحله، برای بهرهگیری عمومی و مؤثر از هوش مصنوعی در موقعیتهای روزمره و نیمهتخصصی طراحی شدهاند.
اما اگر علاقهمند باشید که این مسیر را جدیتر و حرفهایتر دنبال کنید دورهها و منابع متعددی وجود دارد که میتوانند در این راه راهنمای خوبی باشند.