اگر چند بار با ChatGPT، Gemini یا Claude کار کرده باشید، احتمالاً این تجربه را داشته‌اید: یک سؤال می‌پرسید و جواب معمولی می‌گیرید؛ همان درخواست را کمی دقیقتر می‌نویسید و ناگهان کیفیت پاسخ بسیار بهتر می‌شود.
همین اتفاق ساده، نقطه شروع مفهومی به نام مهندسی پرامپت یا Prompt Engineering است.
اما مهندسی پرامپت فقط این نیست که جمله‌های طولانی بنویسیم، به مدل بگوییم «مثل یک متخصص فکر کن» یا مجموعه‌ای از Promptهای آماده را حفظ کنیم.
در استفاده حرفهای از هوش مصنوعی، Prompt Engineering یعنی بتوانیم هدف، اطلاعات، محدودیت‌ها و شکل خروجی را طوری به مدل منتقل کنیم که احتمال دریافت نتیجه مفید، دقیق و قابل استفاده بالا برود.
OpenAI نیز Prompt Engineering را فرایند طراحی و بهینهسازی ورودی برای هدایت مؤثر پاسخ مدل تعریف می‌کند و بر دو اصل مهم تأکید دارد: درخواست باید واضح و مشخص باشد و بهبود Prompt معمولاً یک فرایند تکرارشونده است، نه کاری که همیشه در اولین تلاش تمام شود.
در این مقاله بررسی می‌کنیم مهندسی پرامپت چیست، یک پرامپت حرفهای چگونه ساخته می‌شود، چه تکنیک‌هایی واقعاً کاربردی هستند، چه اشتباهاتی کیفیت پاسخ را پایین می‌آورند و Prompt Engineering در عصر مدلهای جدید چه جایگاهی دارد.
پرامپت چیست؟
پرامپت یا Prompt همان ورودی‌ای است که به مدل هوش مصنوعی می‌دهیم تا بر اساس آن کاری انجام دهد. این ورودی الزاماً فقط یک سؤال متنی نیست؛ ممکن است شامل متن، تصویر، فایل، جدول، کد یا مجموعه‌ای از اطلاعات مختلف باشد.
وقتی می‌نویسیم:
برای فروشگاه من یک کپشن اینستاگرام بنویس.
یک Prompt ساخته‌ایم. اما مشکل این درخواست این است که مدل اطلاعات زیادی ندارد.
مدل مجبور می‌شود بسیاری از این موارد را خودش حدس بزند. هرچه مقدار حدس زدن مدل بیشتر شود، احتمال اینکه نتیجه با چیزی که در ذهن ماست فاصله داشته باشد افزایش پیدا می‌کند.
Prompt Engineering تلاش می‌کند این فاصله را کاهش دهد.
مهندسی پرامپت چیست؟
مهندسی پرامپت مجموعه‌ای از روش‌ها برای طراحی، ساخت، آزمایش و بهبود دستورهایی است که به مدلهای هوش مصنوعی می‌دهیم تا خروجی مناسب‌تری برای یک هدف مشخص دریافت کنیم.
کلمه «مهندسی» در این عبارت اهمیت دارد. اگر فقط یک Prompt بنویسیم، پاسخ را بخوانیم و بگوییم «خوب بود»، بیشتر در حال استفاده معمولی از AI هستیم.
در یک فرایند مهندسی‌شده می‌پرسیم:
- آیا مدل هدف را درست فهمید؟
- آیا خروجی قابل تکرار است؟
- کجا اشتباه کرد و چه اطلاعاتی کم داشت؟
- آیا فرمت خروجی مناسب بود؟
- اگر همین Prompt روی ده ورودی دیگر اجرا شود، همچنان خوب کار می‌کند؟
این نگاه Prompt Engineering را از مجموعه‌ای از «ترفندهای ChatGPT» جدا می‌کند. در واقع یک Prompt حرفهای بیشتر شبیه تعریف درست یک کار برای یک همکار هوشمند است.
OpenAI Academy نیز برای توضیح Prompting از همین مدل ذهنی استفاده می‌کند: یک Prompt بهتر در اصل یک Assignment بهتر است؛ یعنی باید مشخص باشد چه کاری، برای چه کسی، با چه Context و با چه خروجی موردانتظاری انجام شود.
چرا بعضی پرامپت‌ها نتیجه بهتری می‌دهند؟
فرض کنید مدیر یک فروشگاه آنلاین هستید و این درخواست را به AI می‌دهید:
فروش ما را تحلیل کن.
مدل تقریباً نمی‌داند چه چیزی باید تحویل دهد. حالا درخواست را این‌طور تغییر می‌دهیم:
فایل فروش سه ماه اخیر را بررسی کن. هدف من پیدا کردن محصولاتی است که فروش آن‌ها در ماه سوم حداقل ۲۰ درصد نسبت به میانگین دو ماه قبل کاهش داشته است. برای هر محصول میزان افت را محاسبه کن و سه دلیل احتمالی که از خود داده قابل استنباط است توضیح بده. اگر داده برای تعیین علت کافی نیست، حدس قطعی نزن و مشخص کن چه اطلاعات دیگری لازم است. خروجی را ابتدا در یک جدول کوتاه و سپس در یک جمع‌بندی مدیریتی حداکثر ۳۰۰ کلمه‌ای ارائه کن.
حالا مدل تقریباً می‌داند هدف چیست، چه داده‌ای مهم است، معیار افت چیست، چه چیزی نباید انجام دهد و خروجی باید چه شکلی داشته باشد.
این تفاوت، جوهر Prompt Engineering است.
یک مدل عملی برای نوشتن پرامپت حرفهای
برای بسیاری از کارها لازم نیست Promptهای پیچیده چندصفحه‌ای بنویسیم. می‌توانیم درخواست خود را با یک چارچوب ساده بررسی کنیم:
هدف
دقیقاً چه چیزی می‌خواهیم.
زمینه یا Context
چرا این کار انجام می‌شود و مخاطب یا شرایط چیست.
ورودی
همان داده‌ای که مدل باید روی آن کار کند.
محدودیت
چه چیزهایی مجاز یا غیرمجاز هستند.
خروجی
پاسخ نهایی چه ساختاری داشته باشد.
معیار بررسی
یک پاسخ خوب از نظر ما چه ویژگی‌هایی دارد.
مثلاً به‌جای:
برای سایتم مقاله بنویس.
می‌توان نوشت:
برای وبلاگ یک آکادمی آموزش کاربردی هوش مصنوعی، مقاله‌ای درباره کاربرد AI برای مدیران بنویس. مخاطب مدیران شرکت‌های کوچک و متوسط هستند که دانش فنی زیادی ندارند. متن باید آموزشی و روان باشد و از تبلیغات اغراق‌آمیز دوری کند. ابتدا مسئله‌های واقعی مدیر را توضیح بده و سپس برای هرکدام کاربرد عملی AI ارائه کن. طول مقاله حدود ۱۸۰۰ کلمه باشد، تیترهای H2 مشخص داشته باشد و در پایان یک جمع‌بندی کاربردی ارائه شود.
این Prompt هنوز ساده است، اما مدل تصویر بسیار واضح‌تری از نتیجه مورد انتظار دارد.
آیا باید همیشه به AI نقش بدهیم؟
احتمالاً Promptهایی مانند این را زیاد دیده‌اید:
You are the world's best marketing expert with 30 years of experience...
دادن Role می‌تواند در برخی مسائل مفید باشد؛ مثلاً وقتی می‌خواهیم زاویه دید، دانش مورد انتظار یا سبک پاسخ را مشخص کنیم. اما Role به‌تنهایی Prompt را حرفهای نمی‌کند.
مثل بهترین متخصص سئو دنیا رفتار کن و سایت من را بررسی کن.
به‌عنوان یک متخصص Technical SEO این صفحات را بررسی کن و فقط مشکلات مربوط به Crawlability، Indexing، Canonical و Internal Linking را گزارش کن. برای هر مشکل Severity، Evidence و راه‌حل پیشنهادی بده.
نکته این است که وظیفه و معیار خروجی معمولاً از لقب پرزرق‌وبرق برای مدل مهم‌تر هستند. مدلهای جدید نیز نسبت به نسل‌های قدیمی بهتر می‌توانند درخواست‌های طبیعی و هدف‌محور را بفهمند.
راهنمای جدید OpenAI برای مدلهای مدرن توصیه می‌کند به‌جای انتقال حجم زیادی از دستورهای قدیمی و بیش‌ازحد جزئی، نتیجه مطلوب، محدودیت‌های مهم و شکل موفقیت را واضح تعریف کنیم.
Few-shot Prompting؛ گاهی مثال از توضیح بهتر است
فرض کنید می‌خواهید صدها نظر مشتری را به سه گروه «مثبت، منفی و نیازمند پیگیری» تقسیم کنید. می‌توانید چند پاراگراف درباره قواعد دسته‌بندی توضیح دهید. اما گاهی ارائه چند نمونه بسیار مؤثرتر است.
- «ارسال خیلی سریع بود، ممنون.» → مثبت
- «کالا خراب به دستم رسید و هنوز کسی جواب نداده.» → نیازمند پیگیری
- «بسته‌بندی خوب نبود ولی محصول سالم بود.» → منفی
بعد از مدل بخواهید نظرات جدید را با همان الگو طبقه‌بندی کند.
راهنمای Google برای Gemini نیز استفاده از مثال‌های مشخص و متنوع را یکی از روش‌های مهم کنترل قالب، سبک و الگوی پاسخ معرفی می‌کند. این روش به‌خصوص زمانی مفید است که تعریف دقیق خروجی با توضیح نوشتاری سخت باشد.
اگر می‌خواهید AI دقیقاً متوجه شود «خروجی خوب» از نظر شما چه شکلی است، گاهی بهترین راه این است که یک نمونه خوب به آن نشان دهید.
ساختار دادن به Prompt چرا اهمیت دارد؟
وقتی Prompt کوتاه است، نوشتن یک پاراگراف معمولاً کافی است. اما اگر درخواست شامل دستور، داده، محدودیت و فرمت خروجی باشد، جدا کردن بخش‌ها می‌تواند خوانایی Prompt را افزایش دهد.
می‌توانیم از Markdown یا تگ‌های مشخص استفاده کنیم:
هدف تحلیل شکایت‌های مشتریان اطلاعات [متن شکایت‌ها] قوانین فقط بر اساس اطلاعات ارائه‌شده نتیجه‌گیری کن. خروجی موضوع شکایت، شدت، پیشنهاد اقدام
Anthropic و Google هر دو در راهنماهای Prompting خود روی استفاده از ساختار روشن برای جدا کردن Instructions، Context و Data تأکید دارند. این موضوع زمانی که فایل یا متن طولانی وارد Prompt می‌شود اهمیت بیشتری پیدا می‌کند.
یکی از مهم‌ترین مهارت‌ها: گفتن اینکه چه چیزی نمی‌دانیم
یک Prompt حرفهای همیشه فقط نمی‌گوید مدل چه کاری انجام دهد؛ گاهی مشخص می‌کند در صورت کمبود اطلاعات چه رفتاری داشته باشد.
اگر شواهد کافی برای نتیجه‌گیری وجود ندارد، علت را حدس نزن و دقیقاً بگو چه داده‌ای برای پاسخ نیاز داری.
این دستور ساده در تحلیل داده، تحقیق، پزشکی، حقوق، مالی و بسیاری از کارهای حساس اهمیت زیادی دارد. یکی از اشتباه‌های رایج کاربران این است که مدل را تحت فشار قرار می‌دهند تا حتماً یک پاسخ قطعی بدهد، حتی زمانی که اطلاعات کافی در اختیارش نیست.
Prompt Engineering خوب فقط تولید پاسخ بیشتر نیست؛ گاهی باعث می‌شود مدل پاسخ ندادن یا بیان عدم قطعیت را بهتر مدیریت کند.
پرامپت‌نویسی یک فرایند تکراری است
یک تصور اشتباه این است که Prompt Engineer باید بتواند در اولین تلاش Prompt کاملی بنویسد. در عمل معمولاً چنین نیست.
OpenAI، Google و Anthropic هر سه Prompt Engineering را فرایندی تکرارشونده می‌دانند. Prompt اولیه را می‌سازیم، خروجی را می‌بینیم، Failureها را پیدا می‌کنیم و سپس درخواست را اصلاح می‌کنیم.
جواب خیلی طولانی است
به Prompt محدودیت طول اضافه می‌کنیم.
نتیجه‌ها عمومی‌اند
Context بیشتری می‌دهیم.
فرمت خروجی ثابت نیست
نمونه خروجی یا Schema تعریف می‌کنیم.
دستور نادیده گرفته می‌شود
شاید دستورها متناقض یا بیش‌ازحد زیاد باشند.
این نگاه یک تغییر مهم ایجاد می‌کند:
به‌جای سؤال «بهترین Prompt چیست؟» باید بپرسیم «چگونه بفهمیم Prompt ما خوب کار می‌کند؟»
Prompt خوب باید قابل ارزیابی باشد
فرض کنید Prompt شما این باشد:
این متن را بهتر کن.
چگونه می‌خواهید بفهمید مدل کار را درست انجام داده است؟ «بهتر» تعریف مشخصی ندارد. اما اگر بنویسید:
این متن را برای صفحه محصول بازنویسی کن. لحن باید حرفهای اما ساده باشد، جملات طولانی را کوتاه کن، ادعاهای اغراق‌آمیز اضافه نکن، اطلاعات اصلی حذف نشوند و متن برای مخاطب غیرتخصصی قابل فهم باشد.
حالا معیارهایی برای ارزیابی خروجی داریم. در پروژه‌های حرفهای این موضوع حتی جدی‌تر می‌شود: Prompt روی مجموعه‌ای از نمونه‌های واقعی آزمایش می‌شود و عملکرد آن سنجیده می‌شود.
بنابراین Prompt Engineering حرفهای فقط Prompt Writing نیست؛ بخشی از آن Prompt Evaluation است.
آیا پرامپت هرچه طولانی‌تر باشد بهتر است؟
خیر. یکی از اشتباهات رایج، ساخت Promptهای بسیار طولانی است که ده‌ها قانون، Role و دستور تکراری دارند. اطلاعات اضافه می‌تواند باعث ایجاد Noise، تناقض یا محدود کردن بی‌دلیل مدل شود.
با قوی‌تر شدن مدل‌ها، این موضوع اهمیت بیشتری پیدا کرده است. مدلهای جدید معمولاً در درک هدف کلی بهتر شده‌اند و در بسیاری از مسائل می‌توان درخواست را طبیعی‌تر و نتیجه‌محورتر نوشت.
هدف Prompt Engineering نوشتن طولانی‌ترین Prompt ممکن نیست. هدف این است که مدل اطلاعات کافی برای انجام درست کار داشته باشد.
گاهی این اطلاعات در سه جمله جا میشوند؛ گاهی برای یک Task پیچیده به چند صفحه Context و نمونه نیاز داریم.
چه زمانی باید کار را به چند Prompt تقسیم کنیم؟
اگر یک درخواست شامل چند کار پیچیده و وابسته به یکدیگر است، گاهی بهتر است آن را به چند مرحله تقسیم کنیم.
فرض کنید می‌خواهید یک استراتژی بازاریابی کامل بسازید. می‌توان ابتدا از AI خواست بازار و مخاطب را تحلیل کند. بعد بر اساس نتیجه، Positioning پیشنهاد دهد. سپس کانال‌ها و کمپین‌ها را طراحی کند و در نهایت خروجی‌ها را نقد کند.
Google در راهنمای Prompt Design از Prompt Chaining به‌عنوان یکی از روش‌های مدیریت Taskهای پیچیده یاد می‌کند؛ خروجی یک مرحله می‌تواند ورودی مرحله بعد باشد. البته اینجا کم‌کم از Prompt ساده به Workflowهای مبتنی بر هوش مصنوعی نزدیک می‌شویم.
تفاوت Prompt Engineering و Context Engineering چیست؟
این تفاوت مخصوصاً با رشد AI Agentها اهمیت بیشتری پیدا کرده است.
Prompt Engineering
بیشتر روی دستورها و نحوه بیان درخواست تمرکز دارد.
Context Engineering
وقتی سیستم چندمرحله‌ای کار می‌کند، تاریخچه مکالمه، نتایج Toolها، اسناد بازیابی‌شده، Memory، اطلاعات کاربر و State سیستم هم وارد Context مدل میشوند.
Anthropic از Context Engineering به‌عنوان ادامه طبیعی Prompt Engineering یاد می‌کند: مسئله دیگر فقط «چه دستوری بنویسیم؟» نیست، بلکه «در هر لحظه چه اطلاعاتی باید در اختیار مدل قرار گیرد؟» نیز اهمیت پیدا می‌کند.
پس Prompt Engineering از بین نرفته است؛ بلکه بخشی از معماری بزرگ‌تری شده است. اگر مسیرت ساخت ایجنت هوش مصنوعی است، این لایه بعدی را هم ببین.
آیا Prompt Engineering هنوز مهارت مهمی است؟
بله، اما شکل اهمیت آن در حال تغییر است. در سال‌های اولیه ChatGPT گاهی تصور می‌شد آینده متعلق به افرادی است که مجموعه بزرگی از «Promptهای مخفی» دارند.
امروز مدل‌ها بسیار بهتر شده‌اند و بسیاری از تکنیک‌های عجیب Prompting اهمیت سابق را ندارند. ارزش واقعی به سمت مهارت‌های بنیادی‌تر حرکت کرده است: توانایی تعریف مسئله، ارائه Context مناسب، تعیین محدودیت، طراحی خروجی، دادن مثال مناسب و ارزیابی نتیجه.
این مهارت‌ها نه‌فقط برای ChatGPT، بلکه در تحلیل داده، برنامهنویسی با AI، تولید محتوا، اتوماسیون، ساخت AI Agent و بسیاری از کاربردهای دیگر استفاده میشوند.
Prompt Engineering را بهتر است نه به‌عنوان «حفظ کردن جملات جادویی»، بلکه به‌عنوان مهارت ارتباط دقیق با سیستم‌های هوش مصنوعی ببینیم.
از کجا Prompt Engineering را یاد بگیریم؟
بهترین مسیر یادگیری این نیست که صد Prompt آماده دانلود کنید. یک مسئله واقعی انتخاب کنید.
مثلاً نوشتن گزارش، تحلیل یک فایل، تولید محتوای شبکه اجتماعی یا بررسی بازخورد مشتری. ابتدا با یک Prompt ساده شروع کنید. خروجی را بررسی کنید و ببینید مشکل کجاست. بعد Context اضافه کنید، خروجی مطلوب را تعریف کنید، محدودیت بگذارید و در صورت نیاز مثال ارائه دهید. بعد Prompt را روی چند ورودی متفاوت آزمایش کنید.
اگر بتوانید توضیح دهید چرا نسخه جدید Prompt از نسخه قبلی بهتر عمل می‌کند، در حال یادگیری واقعی Prompt Engineering هستید. تمرین حرفهای بیشتر شبیه آزمایش و حل مسئله است تا حفظ کردن Template.
دوره رایگان مهندسی پرامپت تنسوا
اگر می‌خواهی از چت پراکنده به مهارت قابل‌انتقال برسی، سرفصل دوره را ببین یا خبر انتشار را بگیر. کتابخانه پرامپت هم نقطه شروع سریع است.
جمع‌بندی
مهندسی پرامپت یا Prompt Engineering فرایند طراحی و بهبود ورودی‌هایی است که برای هدایت مدلهای هوش مصنوعی استفاده میشوند. یک Prompt خوب به مدل کمک می‌کند بفهمد چه کاری باید انجام دهد، چه اطلاعاتی اهمیت دارد، چه محدودیت‌هایی وجود دارد و نتیجه خوب چه شکلی است.
اما مهندسی پرامپت فقط نوشتن دستورهای طولانی نیست. گاهی Prompt بهتر، Prompt کوتاه‌تر و شفاف‌تر است. گاهی یک مثال بیشتر از ده خط توضیح کمک می‌کند. گاهی لازم است Task پیچیده را به چند مرحله تقسیم کنیم. و گاهی مشکل اصلاً Prompt نیست؛ اطلاعات کافی در Context وجود ندارد.
به‌جای تلاش برای پیدا کردن جمله جادویی، مسئله را آن‌قدر واضح تعریف کنید که مدل بداند موفقیت دقیقاً چه شکلی است.
همین دیدگاه است که Prompt Engineering را از چند ترفند موقت به یک مهارت واقعی و کاربردی تبدیل می‌کند. در مراحل پیشرفته‌تر، این مهارت به حوزه‌هایی مانند Context Engineering، Structured Output، Tool Calling و طراحی AI Agent متصل می‌شود؛ جایی که دیگر فقط با یک سؤال و جواب ساده روبه‌رو نیستیم و باید کل محیط تصمیم‌گیری مدل را طراحی کنیم.
سوالات متداول درباره مهندسی پرامپت
مهندسی پرامپت چیست؟+
مهندسی پرامپت فرایند طراحی، آزمایش و بهینهسازی دستورهایی است که به مدلهای هوش مصنوعی داده میشوند تا خروجی دقیقتر، مرتبطتر و قابل استفادهتری تولید کنند.
آیا برای Prompt Engineering باید برنامهنویسی بلد باشیم؟+
برای استفاده عمومی از Prompt Engineering نیازی به برنامهنویسی نیست. اما در کاربردهای حرفهای مانند ساخت محصولات AI، اتوماسیون و Agentها، آشنایی با برنامهنویسی و API بسیار مفید است.
پرامپت خوب باید طولانی باشد؟+
خیر. Prompt باید اطلاعات موردنیاز برای انجام کار را به شکل واضح منتقل کند. طول بیشتر الزاماً به معنی کیفیت بالاتر نیست و حتی می‌تواند Noise ایجاد کند.
Few-shot Prompting چیست؟+
در Few-shot Prompting چند نمونه از ورودی و خروجی مطلوب به مدل داده می‌شود تا الگوی موردنظر را بهتر درک کند. این روش برای کنترل قالب، دسته‌بندی و سبک پاسخ بسیار کاربردی است.
تفاوت Prompt Engineering و Context Engineering چیست؟+
Prompt Engineering روی طراحی دستور تمرکز دارد، در حالی که Context Engineering درباره مدیریت تمام اطلاعاتی است که هنگام پاسخ‌گویی در اختیار مدل قرار می‌گیرد؛ از Prompt و تاریخچه مکالمه گرفته تا اسناد، Toolها و Memory.
آیا Prompt Engineer یک شغل مستقل است؟+
Prompt Engineering یک مهارت واقعی و مهم است، اما در بسیاری از کاربردها به‌جای یک شغل مستقل، به بخشی از تخصص‌هایی مانند AI Engineering، بازاریابی، تحلیل داده، اتوماسیون و Agent Engineering تبدیل می‌شود.
می‌خواهی پرامپت‌نویسی را اصولی یاد بگیری؟
دوره رایگان مهندسی پرامپت در حال ضبط است. شماره بگذار تا هنگام انتشار خبرت کنیم؛ یا همین حالا از کتابخانه پرامپت‌های آماده شروع کن.