مهندسی پرامپت
مهندسی پرامپت به زبان ساده یعنی پرسیدن سوالات خوب از هوش مصنوعی. پرامپت ورودی شما با سوال یا درخواستتان است.
مهندسی پرامپت یعنی طراحی سوالات و دستورالعمل‌های هدفمند برای کمک به مدل‌های هوش مصنوعی تا پاسخ‌های درست را در چت‌ها ارائه دهند. با پرامپت‌های بهتر، نتایج بهتری خواهید گرفت.
همراه با مشخصات مدل انتخاب‌شده، این موضوع تعیین‌کننده کیفیت پاسخ است.
عناصر یک پرامپت (سوال)
برای دریافت نتایج بهتر باید به نکات زیر توجه کنید:
- هدف: دقیقاً از مدل زبان چه می‌خواهید؟
- نقش: مدل زبان چه نقشی دارد؟ (مثلاً «تحلیلگر بازاریابی»، «مشاور حقوقی»، «مدیر پروژه»)
- زمینه: اطلاعات پس‌زمینه درباره درخواست (مثلاً اهداف کسب‌وکار، جزئیات پروژه، اطلاعات بازار)
- سبک: چه سبکی می‌خواهید؟ (مثلاً رسمی، متقاعدکننده، مختصر)
- خروجی: چه فرمتی می‌خواهید؟ (مثلاً گزارش، ایمیل، طرح ارائه، قطعه کد)
هدف
توصیف دقیق هدف سوال شما ضروری است و نمی‌توان آن را حذف کرد.
چه چیزی می‌خواهید بدانید؟
- سوالات واقعی ممکن است، اما محدودیت‌ها را در نظر داشته باشید (مثلاً دانش به‌روز ممکن است وجود نداشته باشد)
- مانند گوگل، پاسخ دقیقاً یکسان نخواهد بود اگر سوال را چند بار بپرسید
- مزیت «چت» این است که می‌توانید سوالات بعدی را بپرسید
نمونه پرامپت با هدف واضح:
یک شرح از مهم‌ترین چالش‌ها برای پیاده‌سازی یک پلتفرم هوش مصنوعی جدید در یک شرکت متوسط ارائه دهید.
پیاده‌سازی یک پلتفرم هوش مصنوعی جدید در یک شرکت متوسط چالش‌های مختلفی دارد. برخی از چالش‌های مهم عبارتند از:
- مقاومت در برابر تغییر: کارکنان به فرآیندها و سیستم‌های موجود عادت کرده‌اند. یک پلتفرم هوش مصنوعی جدید نیاز به تطبیق دارد و ممکن است مقاومت ایجاد کند، به‌ویژه اگر تأثیر آن بر جریان‌های کاری واضح نباشد.
- کیفیت و در دسترس بودن داده‌ها: پلتفرم‌های هوش مصنوعی به شدت به داده‌ها وابسته‌اند. جمع‌آوری، پاک‌سازی و ساختاربندی داده‌ها برای پلتفرم جدید می‌تواند پیچیده و زمان‌بر باشد.
- یکپارچه‌سازی با سیستم‌های موجود: پلتفرم هوش مصنوعی اغلب باید با سایر برنامه‌های کسب‌وکار (ERP، منابع داده، ابزارهای BI) یکپارچه شود. این می‌تواند چالش‌های فنی ایجاد کند.
- هزینه‌ها: علاوه بر هزینه‌های مجوز پلتفرم، هزینه‌های پیاده‌سازی، آموزش، زیرساخت داده و احتمالاً نیروی متخصص وجود دارد.
- آموزش و پذیرش: کارکنان باید در استفاده از پلتفرم جدید و تفسیر خروجی آن آموزش ببینند. بدون آموزش مناسب و پشتیبانی مستمر، میزان پذیرش پایین خواهد ماند.
- انتخاب پلتفرم و موارد استفاده مناسب: پلتفرم‌ها و فناوری‌های هوش مصنوعی زیادی وجود دارد. انتخاب پلتفرم و تعریف موارد استفاده مرتبط که با نیازها و اهداف استراتژیک شرکت هماهنگ باشد، حیاتی است.
- ملاحظات اخلاقی و انطباق: بسته به کاربرد پلتفرم هوش مصنوعی، ممکن است مسائل اخلاقی و الزامات انطباق (مثلاً GDPR) وجود داشته باشد که باید با دقت رسیدگی شوند.
- مدیریت پروژه: پیاده‌سازی موفق نیازمند مدیریت پروژه قوی، اهداف واضح و مشارکت ذینفعان از بخش‌های مختلف است.
افزودن نقش و زمینه
افزودن نقش و زمینه باعث پاسخ‌های بهتر و خاص‌تر می‌شود.
نمونه همان سوال اما با نقش و زمینه:
به عنوان مدیر پروژه مسئول پیاده‌سازی یک پلتفرم هوش مصنوعی جدید برای تحلیل داده و بهینه‌سازی فرآیند در یک ارائه‌دهنده خدمات B2B با ۱۵۰ کارمند، شرحی از مهم‌ترین چالش‌ها و استراتژی‌های کاهش احتمالی ارائه دهید.
به عنوان مدیر پروژه پیاده‌سازی یک پلتفرم هوش مصنوعی جدید برای تحلیل داده و بهینه‌سازی فرآیند در یک ارائه‌دهنده خدمات B2B با ۱۵۰ کارمند، چالش‌ها و استراتژی‌های کاهش زیر را می‌بینم:
- مقاومت در برابر تغییر و پذیرش کاربران:
- چالش: کارکنان، به‌ویژه کسانی که وظایفشان مستقیماً تحت تأثیر قرار می‌گیرد، ممکن است در رها کردن روش‌های کاری آشنا و پذیرش دیدگاه‌های جدید مبتنی بر هوش مصنوعی مردد باشند.
- کاهش: کاربران کلیدی را زود درگیر کنید. مزایا (کارایی، تصمیم‌گیری بهتر، دیدگاه‌های جدید) را به وضوح بیان کنید. آموزش‌های گسترده مبتنی بر نقش و پشتیبانی مستمر فراهم کنید. «قهرمانان هوش مصنوعی» را در بخش‌ها تعیین کنید.
- کیفیت داده، حاکمیت داده و مهاجرت داده:
- چالش: اثربخشی پلتفرم هوش مصنوعی به داده‌های با کیفیت و مدیریت‌شده بستگی دارد. داده‌های سیستم‌های موجود اغلب ناسازگار، ناقص یا نادرست هستند.
- کاهش: با ممیزی دقیق داده‌ها شروع کنید، چارچوب حاکمیت داده تعریف کنید و پاک‌سازی داده‌ها را قبل از یکپارچه‌سازی/مهاجرت انجام دهید. مدل‌ها و جریان‌های داده واضح تعریف کنید. تست‌ها را انجام داده و داده‌ها را به دقت اعتبارسنجی کنید.
- یکپارچه‌سازی با زیرساخت IT موجود:
- چالش: اتصال به منابع داده موجود، ERP، CRM و سایر سیستم‌های کسب‌وکار باید بدون نقص و امن باشد.
- کاهش: همه یکپارچه‌سازی‌های لازم را زود شناسایی کنید. پلتفرم هوش مصنوعی با APIهای قوی یا کانکتورهای استاندارد انتخاب کنید. یکپارچه‌سازی‌ها را به دقت تست کنید.
- گسترش دامنه پروژه و افزایش بودجه:
- چالش: در طول پروژه ممکن است درخواست‌های جدید برای کاربردهای هوش مصنوعی ایجاد شود که دامنه را گسترش داده و هزینه‌ها را افزایش دهد.
- کاهش: دامنه‌ای روشن و محدود با موارد استفاده مشخص (MVP - حداقل محصول قابل ارائه) برای فاز اول تعریف کنید. فرآیند مدیریت تغییر سختگیرانه داشته باشید. برنامه‌ریزی و بودجه‌بندی واقع‌بینانه با بافر را رعایت کنید.
- انتخاب فناوری و شریک پیاده‌سازی مناسب:
- چالش: بازار هوش مصنوعی پیچیده است. انتخاب فناوری نادرست یا شریک بی‌تجربه می‌تواند پروژه را شکست دهد.
- کاهش: تحقیقات دقیق درباره فناوری‌های هوش مصنوعی مناسب برای موارد استفاده تعریف‌شده انجام دهید. شریکی با تجربه اثبات‌شده در صنعت شما و فناوری‌های انتخابی انتخاب کنید. مراجع بخواهید.
- کمبود دانش و مهارت‌های هوش مصنوعی در سازمان:
- چالش: ممکن است تخصص داخلی کافی برای استفاده مؤثر، نگهداری یا توسعه بیشتر پلتفرم هوش مصنوعی وجود نداشته باشد.
- کاهش: در آموزش و یادگیری سرمایه‌گذاری کنید. استخدام نیروی متخصص یا همکاری نزدیک با شریک پیاده‌سازی برای انتقال دانش را در نظر بگیرید. فرهنگ یادگیری مستمر ایجاد کنید.
- ملاحظات اخلاقی و قابلیت توضیح‌پذیری (Explainable AI):
- چالش: تصمیمات گرفته‌شده یا پشتیبانی‌شده توسط هوش مصنوعی باید شفاف و قابل توضیح باشند، به‌ویژه اگر بر مشتریان یا کارکنان تأثیر بگذارند. سوگیری در داده‌ها می‌تواند به نتایج ناعادلانه منجر شود.
- کاهش: دستورالعمل‌های اخلاقی برای استفاده از هوش مصنوعی تدوین کنید. در صورت امکان مدل‌های قابل تفسیر انتخاب کنید. فرآیندهایی برای شناسایی و کاهش سوگیری پیاده کنید. نظارت انسانی بر تصمیمات حیاتی هوش مصنوعی داشته باشید.
با پرداختن پیشگیرانه به این چالش‌ها، احتمال موفقیت پیاده‌سازی پلتفرم هوش مصنوعی که واقعاً به اهداف کسب‌وکار کمک می‌کند، افزایش می‌یابد.
تکنیک‌ها
در ادامه چند تکنیک را که می‌توانید در پرامپت‌های پیشرفته‌تر استفاده کنید، شرح می‌دهیم.
تکنیک ۱ - ارائه مثال
برای اطمینان از اینکه مدل زبان سبک مورد نظر شما را به کار می‌برد، یک یا دو مثال بدهید.
این روش «one & few-shot prompting» نام دارد.
یک ایمیل پیشنهادی به مشتریان درباره به‌روزرسانی برنامه‌ریزی‌شده سیستم بنویسید. از سیاست داخلی ما برای ارتباط با مشتریان استفاده کنید (نکات مرتبط از سیاست را اضافه کنید). از این خبرنامه اخیر به عنوان راهنمای سبک استفاده کنید، اما هیچ اطلاعات محتوایی را وارد نکنید: (متن خبرنامه را اضافه کنید)
پرامپت کامل به شرح زیر است:
سیاست داخلی برای ارتباط با مشتریان:
- همیشه حرفه‌ای و مودب باشید.
- به موقع درباره تغییرات مهم یا اختلالات اطلاع دهید.
- اطلاعات واضح و مختصر ارائه دهید.
- در صورت لزوم راه‌حل یا جبران ارائه دهید.
برای سبک از این خبرنامه استفاده کنید، اما هیچ اطلاعاتی از آن نگیرید. مشتری گرامی،
مایلیم شما را از به‌روزرسانی سیستم پیش رو که ممکن است بر خدمات ما تأثیر بگذارد، مطلع کنیم.
تاریخ و زمان به‌روزرسانی: [تاریخ و زمان] مدت زمان پیش‌بینی‌شده اختلال: [مدت] خدمات درگیر: [خدمات]
در این مدت ممکن است خدمات ما موقتا قطع شود. ما تلاش می‌کنیم تا مزاحمت را به حداقل برسانیم و خدمات را هرچه سریع‌تر بازیابی کنیم.
در ادامه پاسخ مدل زبان به پرامپت کامل با مثال‌ها آمده است
مشتری گرامی،
مایلیم شما را از به‌روزرسانی سیستم پیش رو که ممکن است بر خدمات ما تأثیر بگذارد، مطلع کنیم.
تاریخ و زمان به‌روزرسانی: [تاریخ و زمان] مدت زمان پیش‌بینی‌شده اختلال: [مدت] خدمات درگیر: [خدمات]
در این مدت ممکن است خدمات ما موقتا قطع شود. ما تلاش می‌کنیم تا مزاحمت را به حداقل برسانیم و خدمات را هرچه سریع‌تر بازیابی کنیم.
اگر سوالی داشتید، لطفاً با ما تماس بگیرید.
با احترام، [نام شما] [سمت شما] [نام شرکت] [اطلاعات تماس]
تکنیک ۲ - ارائه قالب
برای اطمینان از اینکه مدل زبان از قالب خاصی استفاده می‌کند، یک قالب و یک مثال بدهید. این باعث می‌شود مدل پاسخ خود را به شکل یا ساختار مشخصی ارائه دهد. می‌توانید قالب‌های بسیار متنوعی در موقعیت‌های مختلف استفاده کنید، مانند:
- خروجی csv برای وارد کردن در اکسل یا ابزار تحلیل داده
- خروجی json برای یکپارچه‌سازی API یا فایل‌های پیکربندی
- طرح جلسه برای یک جلسه پروژه
نمونه پرامپت: فهرستی از سه کانال بازاریابی بالقوه برای یک محصول SaaS جدید که به کسب‌وکارهای کوچک و متوسط (MKB) هدف دارد، تولید کن. پاسخ خود را به شکل زیر قالب‌بندی کن: کانال: دامنه مخاطب: بازگشت سرمایه بالقوه: منابع مورد نیاز:
مثلاً: کانال: تبلیغات لینکدین دامنه مخاطب: عناوین شغلی خاص، صنایع، اندازه شرکت بازگشت سرمایه بالقوه: بالا، در صورت هدف‌گیری مناسب منابع مورد نیاز: بودجه تبلیغات، تولید محتوا، مدیریت کمپین
این روش «output templates» نام دارد.
در ادامه پاسخ مدل زبان به پرامپت با قالب خروجی آمده است
کانال: بازاریابی محتوا (وبلاگ و SEO) دامنه مخاطب: شرکت‌هایی که به دنبال راه‌حل برای مشکلات خود هستند، ترافیک ارگانیک بازگشت سرمایه بالقوه: بلندمدت بالا، ایجاد اعتبار منابع مورد نیاز: نویسندگان محتوا، متخصص SEO، زمان برای تحقیق کلمات کلیدی و ترویج محتوا
کانال: تبلیغات گوگل (جستجو) دامنه مخاطب: شرکت‌هایی که به دنبال کلمات کلیدی خاص مرتبط با محصول SaaS هستند بازگشت سرمایه بالقوه: متوسط تا بالا، بسته به رقابت و CPC منابع مورد نیاز: بودجه تبلیغات، تحقیق کلمات کلیدی، بهینه‌سازی صفحه فرود، مدیریت کمپین
کانال: بازاریابی ایمیلی (پرورش لید) دامنه مخاطب: لیدهای جمع‌آوری‌شده از وب‌سایت، وبینارها یا کانال‌های دیگر بازگشت سرمایه بالقوه: بالا، مؤثر برای تبدیل لید به مشتری منابع مورد نیاز: پلتفرم بازاریابی ایمیلی، محتوا برای دنباله ایمیل‌ها، مهارت‌های بخش‌بندی
تکنیک ۳ - ارائه راهنمایی (hint)
برای اطمینان از اینکه مدل زبان به شکل خاصی شروع و می‌نویسد، یک راهنمایی بدهید. این راهنمایی را در انتهای پرامپت می‌نویسیم.
نمونه پرامپت: می‌توانی این گزارش تحقیق بازار را برایم خلاصه کنی؟ (بخش‌های مرتبط گزارش را بچسبان). پاسخ خود را با این جمله شروع کن: یافته‌های اصلی این تحقیق بازار عبارتند از:
- متن گزارش را بچسبان
این روش «cues و hints» نام دارد. این مثال از یک گزارش فرضی استفاده می‌کند.
در ادامه پاسخ مدل زبان به پرامپت با راهنمایی آمده است
یافته‌های اصلی این تحقیق بازار عبارتند از:
- تقاضا برای نرم‌افزار مدیریت پروژه مبتنی بر ابر در کسب‌وکارهای کوچک و متوسط طی دو سال گذشته ۳۵٪ افزایش یافته است.
- عوامل اصلی تصمیم‌گیری برای کسب‌وکارهای کوچک و متوسط، سهولت استفاده، قابلیت‌های یکپارچه‌سازی با ابزارهای موجود و قیمت‌گذاری است.
- رقیب A سهم بازار ۲۵٪ دارد، پس از آن رقیب B با ۱۸٪ قرار دارد. فضای کافی برای بازیگران جدید که روی بخش‌های خاص یا تجربه کاربری برتر تمرکز دارند، وجود دارد.
- بزرگ‌ترین چالش‌ها برای کسب‌وکارهای کوچک و متوسط در پذیرش نرم‌افزار جدید، سرمایه‌گذاری اولیه و زمان لازم برای آموزش کارکنان است.
- انتظار می‌رود بازار در پنج سال آینده سالانه ۱۵٪ رشد کند.
تکنیک ۴ - جدا کردن محتوا از دستورالعمل‌ها
گاهی پرامپت به دلیل محتوای اضافی بسیار طولانی است و مدل زبان دقیقاً آنچه می‌خواهید را تفسیر نمی‌کند. احتمالاً این را در مثال قبلی دیده‌اید. در این حالت محتوا را با سه علامت نقل قول در ابتدا و انتهای متن از بقیه پرامپت جدا کنید.
نمونه پرامپت: می‌توانی این مقاله را برایم خلاصه کنی؟ “”” (متن مقاله خود را بچسبان). “”” پاسخ خود را با این جمله شروع کن: نکات اصلی این مقاله عبارتند از:
این روش «content splits» نام دارد. این مثال دوباره از یک مقاله اینترنتی استفاده می‌کند: https://www.leraar24.nl/2619420/onderwijs-op-afstand-wat-hebben-we-geleerd/
در ادامه پاسخ مدل زبان به پرامپت با محتوای جداشده آمده است. ما از سه علامت نقل قول یا سه ستاره برای جدا کردن زمینه سوال استفاده می‌کنیم.
نکات اصلی این مقاله عبارتند از:
- در بحران کرونا، معلمان باید استراتژی‌ها و تکنیک‌هایی برای آموزش از راه دور به مؤثرترین شکل ممکن طراحی می‌کردند، در حالی که والدین نقش بزرگ‌تری در حمایت از فرزندانشان ایفا می‌کردند.
- عوامل مهم برای موفقیت آموزش از راه دور شامل سازماندهی یک برنامه روزانه ساختارمند، حفظ ارتباط باز بین معلم و دانش‌آموز، و انتخاب آگاهانه بخش‌های درسی که به صورت آنلاین یا روی کاغذ انجام می‌شوند، بود.
- چالش‌ها مربوط به یافتن راه‌هایی برای حمایت از دانش‌آموزان آسیب‌پذیر و فشار اضافی بر والدین، به‌ویژه کسانی که در خانه کار می‌کنند، است.
- دیجیتالی شدن مدارس به سرعت افزایش یافته است، با افزودن ابزارها و روش‌های دیجیتال جدید. مقاله نمونه‌ای از معلمی به نام مندی د وریس را ذکر می‌کند که با وجود تجربه کوتاه در آموزش، توانست به همکارانش با مهارت‌های دیجیتال خود کمک کند.
- مقاله همچنین اهمیت حفظ ارتباط و توجه مستمر به دانش‌آموزان، به‌ویژه در آموزش ویژه، را برجسته می‌کند و نکات عملی برای معلمان و والدین ارائه می‌دهد.
- در نهایت، مقاله امیدوار است که مشارکت والدین در آموزش از راه دور فرزندانشان پس از همه‌گیری نیز ادامه یابد.
تکنیک ۵ - ابتدا درخواست اطلاعات اضافی
می‌توانید دستور دهید که ابتدا سوالات تکمیلی پرسیده شود قبل از اینکه پاسخ تولید شود. این به مدل زبان کمک می‌کند تا درخواست شما را دقیق‌تر و خاص‌تر کند.
نمونه پرامپت: «می‌خواهم یک پیشنهاد پروژه برای توسعه یک اپلیکیشن موبایل جدید برای ارتباطات داخلی تهیه کنم. اپ باید ویژگی‌هایی برای اخبار، دفترچه تلفن کارکنان و پیام‌رسانی مستقیم داشته باشد. قبل از نوشتن پیشنهاد پروژه، می‌توانی سوالات تکمیلی از من بپرسی تا پیشنهاد بهتر شود؟»
این روش «ask before answer prompting» نام دارد.
در ادامه پاسخ مدل زبان به پرامپت با درخواست اطلاعات تکمیلی آمده است
البته! در اینجا چند سوال هست که می‌توانم بپرسم تا پیشنهاد پروژه بهتر شود: هدف اصلی اپ ارتباطات داخلی چیست؟ (مثلاً افزایش مشارکت، بهبود انتشار اطلاعات، تسهیل همکاری) مخاطب خاص در شرکت کیست؟ (مثلاً همه کارکنان، بخش‌های خاص، کارکنان میدانی) آیا سیستم‌ها یا پلتفرم‌های موجودی وجود دارد که اپ باید با آن‌ها یکپارچه شود؟ (مثلاً اینترانت، سیستم منابع انسانی، Active Directory) بودجه و زمان‌بندی مورد نظر برای توسعه و پیاده‌سازی چقدر است؟ آیا الزامات امنیتی یا انطباق خاصی وجود دارد که اپ باید رعایت کند؟ (مثلاً GDPR، سیاست نگهداری داده‌ها) چه شاخص‌های کلیدی عملکرد (KPI) برای اندازه‌گیری موفقیت اپ استفاده خواهد شد؟ آیا ایده‌ای درباره طراحی یا برندینگ اپ وجود دارد؟ آیا باید با هویت سازمانی هماهنگ باشد؟ آیا ترجیحی برای پلتفرم توسعه (iOS، اندروید، چندسکویی) وجود دارد؟
با این اطلاعات تکمیلی می‌توانیم تصویر بهتری از دامنه و نیازمندی‌ها داشته باشیم و پیشنهاد پروژه قوی‌تری تهیه کنیم.
تکنیک ۶ - پرامپت احساسی
می‌توانید دستور دهید که لحن متن با احساسات زیرین هماهنگ شود یا واکنش احساسی خاصی ایجاد کند. این برای خدمات مشتری، ارتباطات داخلی یا بازاریابی مفید است.
نمونه پرامپت: «باید یک ایمیل به مشتری ناراضی از قطعی اخیر سرویس بنویسم. مشتری نوشته است: """ …. """ (متن مشتری را بچسبان). می‌خواهم ایمیل همدلانه باشد، ناراحتی مشتری را تأیید کند و راه‌حل سازنده‌ای ارائه دهد.»
این روش «emotional prompting» نام دارد. این مثال از یک شکایت فرضی استفاده می‌کند.
پرامپت کامل به شرح زیر است:
باید یک ایمیل به مشتری ناراضی از قطعی اخیر سرویس بنویسم. مشتری نوشته است: """جناب آقا/خانم،
من بسیار از قطعی غیرمنتظره سرویس دیروز بعدازظهر ناامید شده‌ام. این موضوع به شدت عملیات ما را مختل کرده و باعث کاهش بهره‌وری شده است. ما به خدمات شما اعتماد داریم و چنین اتفاقاتی غیرقابل قبول است. انتظار دارم توضیح واضح و جبران مناسبی دریافت کنم."""
می‌خواهم ایمیل همدلانه باشد، ناراحتی مشتری را تأیید کند و راه‌حل سازنده‌ای ارائه دهد.
در ادامه پاسخ دریافتی از مدل زبان آمده است
جناب [نام مشتری] محترم،
از پیام شما بسیار سپاسگزاریم و بابت قطعی سرویسی که دیروز بعدازظهر تجربه کردید، صمیمانه عذرخواهی می‌کنیم. کاملاً درک می‌کنم که این موضوع چقدر برای شما ناامیدکننده بوده و چه تأثیری بر عملیات کسب‌وکارتان داشته است. بسیار متأسفیم که نتوانستیم انتظارات شما و استانداردهای خدمات خود را برآورده کنیم.
این قطعی به دلیل [توضیح کوتاه و واضح علت، مثلاً خرابی فنی غیرمنتظره در مرکز داده ما] رخ داد. ما فوراً اقدام کردیم و تکنسین‌های ما سخت کار کردند تا سرویس را هرچه سریع‌تر بازیابی کنند. سرویس از ساعت [زمان] به طور کامل فعال شده است.
ما این حادثه را بسیار جدی می‌گیریم و در حال ارزیابی علت برای جلوگیری از تکرار در آینده هستیم.
برای جبران ناراحتی، خوشحال می‌شویم [پیشنهاد مشخص، مثلاً تخفیف در فاکتور بعدی / ارتقاء رایگان یک ماهه / اعتبار سرویس] را به شما ارائه دهیم. یکی از مدیران حساب ما ظرف ۲۴ ساعت با شما تماس خواهد گرفت تا این موضوع را شخصاً بررسی کند و به سوالات احتمالی پاسخ دهد.
بار دیگر از ناراحتی پیش آمده عذرخواهی می‌کنیم. ما قدردان مشتریان خود هستیم و تلاش می‌کنیم در آینده خدمات قابل اعتمادی که شایسته آن هستید را ارائه دهیم.
با احترام،
[نام شما/نام شرکت]
تکنیک ۷ - درخواست چند نسخه
در این روش چند نسخه از پاسخ درخواست می‌کنید تا گزینه‌های مختلف داشته باشید. مثلاً می‌خواهید مدل به تولید چند شعار بازاریابی برای محصول جدید کمک کند. زاویه‌های مختلف زیادی وجود دارد، پس چند گزینه می‌خواهید. این می‌تواند به طور مؤثری با تعیین نقش خاص برای مدل و پرامپت سیستمی برای هدایت مدل ترکیب شود.
می‌توانید درباره نقش‌ها در مقاله مربوطه بیشتر بخوانید. این مثال چند نسخه‌ای در انتهای مقاله آمده است و اینجا کامل تکرار نمی‌شود.
تکنیک ۸ - ترکیب با پرامپت سیستمی
با پرامپت سیستمی می‌توانید دستوراتی به مدل هوش مصنوعی بدهید. این یک دستور است که به مدل می‌دهید تا وظیفه یا رفتار مدل را به شکل خاصی شکل دهد. می‌توانید مشخص کنید چه نوع خروجی از مدل انتظار دارید. این روشی برای هدایت مدل و جلوگیری از پاسخ‌های نامربوط یا ناخواسته است.
چند نمونه پرامپت سیستمی ساده و عمومی:
"می‌خواهم دستیار دوستانه و کمک‌کننده‌ای باشی."
"همیشه حرفه‌ای و محترمانه در زبان خود بمان."
"روی ارائه پاسخ‌های مشخص و مستقیم بدون جزئیات اضافی تمرکز کن."
پرامپت سیستمی به نوعی لحن و انتظارات برای مکالمه یا وظیفه خاصی که با مدل هوش مصنوعی انجام می‌دهید را تعیین می‌کند.
می‌توانید پرامپت سیستمی عمومی را در تنظیمات ترجیحات تعیین کنید، اما بهتر است این پرامپت‌ها را برای هر وظیفه‌ای که می‌خواهید خودکار کنید، طراحی کنید. به این نقش‌ها می‌گوییم.
می‌توانید درباره نقش‌ها در مقاله مربوطه بیشتر بخوانید.
حاشیه‌نویسی یک بخش
متنی را در یک پیام چت کامل انتخاب کنید و حاشیه‌نویسی را انتخاب کنید. در پنجره سوال یا دستور تغییر بنویسید، مثلاً «فقط این جمله را ساده‌تر کن» و ذخیره را بزنید. می‌توانید چند بخش را حاشیه‌نویسی کنید. سپس ارسال کنید؛ پرامپت اضافی در فیلد ورودی لازم نیست اما می‌توانید اضافه کنید. بخش حاشیه‌نویسی شده همراه با نظر ذخیره می‌شود، حتی اگر به پنجره دیگری بروید. می‌توانید قبل از ارسال حاشیه‌نویسی را حذف کنید. در موبایل برای انتخاب متن آن را نگه دارید.