در دنیای امروز که ابزارهای هوش مصنوعی نقش پررنگی در تولید محتوا، آموزش و حتی تصمیم‌گیری ایفا می‌کنند، گرفتن پاسخ‌های دقیق و قابل اعتماد اهمیت زیادی دارد. احتمالاً برای شما هم پیش آمده است که یک پرسش مشابه را چند بار از یک مدل زبانی بپرسید و پاسخ‌های متفاوتی دریافت کنید. این موضوع اتفاقی نیست؛ چون این مدل‌ها ذاتاً احتمالی عمل می‌کنند و کوچک‌ترین تفاوت در نحوه‌ی سؤال شما می‌تواند مسیر پاسخ را تغییر دهد. خبر خوب این است که با رعایت چند ترفند ساده اما حرفه‌ای، می‌توانید کنترل پاسخ‌ها را تا حد زیادی به دست بگیرید و جواب‌هایی باثبات‌تر و باکیفیت‌تر بگیرید. در ادامه ۷ ترفند کاربردی برای این کار را یاد می‌گیرید.
۱) نقش (Persona) مشخص به مدل بدهید
وقتی از مدل می‌خواهید مانند «یک تحلیل‌گر اقتصادی با ۲۰ سال تجربه»، «یک وکیل حقوق فناوری»، یا «مدرس دبیرستان» پاسخ دهد، در واقع به آن چارچوبی می‌دهید تا دانش، اولویت‌ها و لحنش را با آن نقش هم‌تراز کند.
مثال کوتاه:
- پرامپت معمولی: «چگونه سرمایه‌گذاری کنم؟»
- پرامپت بهینه: «تو یک مشاور مالی مجرب هستی که برای تازه‌کاران توضیح می‌دهد؛ با لحنی ساده و عملی بگو چگونه می‌توان با مبلغ کم سرمایه‌گذاری را شروع کرد.»
نتیجهٔ دوم معمولاً عملی‌تر، منسجم‌تر و متناسب با مخاطب هدف است.
۲) لحن و رفتار را صریح تعیین کنید
پس از تعریف نقش، لحن و رفتار را هم مشخص کنید: رسمی یا صمیمی؟ فنی یا ساده؟ محکم یا همدلانه؟
مثال کوتاه: «رفتارت حرفه‌ای، حمایت‌کننده و مفید است؛ مختصر می‌نویسی و مودب هستی. از اصطلاحات پیچیده تا حد امکان پرهیز کن.»
این کار از تغییر ناگهانی لحن در طول پاسخ جلوگیری کرده و ثبات برند یا تجربهٔ کاربر را حفظ می‌کند.
۳) از پرسش‌های هدفمند WH استفاده کنید
پرسش‌های بازِ «چه کسی؟ چه چیزی؟ چرا؟ چگونه؟ کِی؟ کجا؟» مدل را مجبور می‌کند دلایل، مراحل و جزئیات را پوشش دهد؛ بر خلاف پرسش‌های بله/خیر که خروجی کوتاه و سطحی می‌دهند.
مثال کوتاه: به‌جای «آیا تغییرات اقلیمی مهم است؟» بپرسید: «چرا تغییرات اقلیمی در دهه‌های آینده برای کشورهای در حال توسعه مهم است و چه تأثیری بر اقتصاد آن‌ها می‌گذارد؟»
۴) سطح خوانایی/مخاطب را تعیین کنید
همان موضوع برای مخاطبان مختلف باید با سطح پیچیدگی متفاوت نوشته شود. از مدل بخواهید خروجی را برای «دانش‌آموز کلاس نهم»، «عموم مردم»، یا «دانشجویان فیزیک» بنویسد.
مثال کوتاه: «این توضیح را برای دانش‌آموز کلاس نهم بازنویسی کن؛ جملات کوتاه، مثال ملموس، و بدون فرمول‌های پیچیده.»
۵) خروجی را مرحله‌به‌مرحله بخواهید
برای وظایف اجرایی، از مدل بخواهید فهرستِ گام‌ها، ترتیب انجام کار و نکات کلیدی هر مرحله را ارائه کند.
مثال کوتاه: «مراحل راه‌اندازی یک پروژهٔ Next.js را به ترتیب شماره بنویس و برای هر گام پیش‌نیازها و خطای رایج را هم توضیح بده.»
۶) محدودیت‌ها و استثناءها را روشن کنید
هر چه نمی‌خواهید در خروجی بیاید را صریح بنویسید: حد طول، پرهیز از موضوعات خاص، عدم تکرار، پرهیز از توصیهٔ حقوقی/پزشکی، و…
مثال کوتاه:
«موارد ممنوعه: محتوای سیاسی، جملات تکراری، ارجاع
به منابع نامعتبر.
۷) تکرار و بهبود مستمر را جدی بگیرید
پرامپت‌نویسی یک فرایند تکرارشونده است. اگر پاسخ ایده‌آل نبود، پرامپت را دقیق‌تر کنید: هدف را شفاف‌تر بنویسید، مثال اضافه کنید، قیود روشن‌تری بدهید، یا از مدل بخواهید نسخهٔ بهتر/کوتاه‌تر/فنی‌تر ارائه کند. هر بار که پرامپت را پالایش می‌کنید، پاسخ پایدارتر و نزدیک‌تر به نیاز شما می‌شود.
یک الگوی prompt جامع
[نقش] تو یک {نقش/پرسونا} هستی که برای {مخاطب هدف} می‌نویسی.
[وظیفه] هدف: {به‌طور دقیق چه می‌خواهید}.
[لحن/سبک] لحن {رسمی/صمیمی/حرفه‌ای/همدلانه}، جملات {کوتاه/متوسط}، از {اصطلاحات تخصصی/عامیانه} {استفاده کن/پرهیز کن}.
[سطح خوانایی] محتوا مناسب {سطح مخاطب} باشد.
[ساختار] پاسخ را به صورت {فهرست مرحله‌ای/بولت‌پوینت/بخش‌های تیتر‌دار} ارائه کن.
[قیود] حداکثر {N} کلمه. اگر آماری نقل می‌کنی، منبع معتبر بیاور.
[استثناءها] از {موارد ناخواسته} پرهیز کن.
[خروجی نهایی] در پایان یک جمع‌بندی ۲–۳ جمله‌ای بده.
نمونهٔ استفادهٔ سریع:
«تو یک مدرس داده هستی که برای
کارآموزان تازه‌کار می‌نویسی. هدف: توضیح
RAG در کمتر از ۱۸۰ کلمه. لحن
ساده و دقیق. خروجی را در قالب
۴ مرحله‌ی روشن بده. از
اصطلاحات سنگین پرهیز کن. در پایان
یک جمع‌بندی دو جمله‌ای بنویس.»
کتابخانهٔ prompt عمومی
ساخت مقاله/پست وبلاگ
برای تولید سریع مقاله ساخت‌یافته با هدینگ‌ها و جمع‌بندی.
نقش: تو یک نویسندهٔ محتوا هستی. موضوع: {موضوع}. مخاطب: {مخاطب}. هدف: {هدف/نتیجه}.
خروجی: تیتر H1، مقدمه 2-3 جمله، 5-7 هدینگ H2 با پاراگراف‌های کوتاه، جمع‌بندی 3 جمله.
قیود: لحن {ساده/حرفه‌ای/صمیمی}، حداکثر {N} کلمه، مثال واقعی.
اگر ابهامی هست، اول حداکثر 3 سؤال روشن‌کننده بپرس.
بازنویسی و ساده‌سازی متن
برای تبدیل متن سخت به نسخهٔ روان و قابل‌فهم با خلاصهٔ کوتاه.
نقش: ویراستار. متن ورودی بین سه علامت === است. سطح خوانایی: {عموم/دانشجو/مدیر}.
خروجی: نسخهٔ بازنویسی‌شده بدون خطای نگارشی، با جملات کوتاه، مثال ساده و خلاصهٔ 2 جمله‌ای.
اگر ابهامی هست، اول حداکثر 3 سؤال بپرس.
===
{متن}
===
خلاصهٔ ساخت‌یافته و اقدامات پیشنهادی
برای خلاصهٔ بولت‌پوینتی + کارهای قابل اقدام با مالک/ددلاین.
نقش: تحلیل‌گر. ورودی: متن/لینک/یادداشت.
خروجی: (1) خلاصهٔ 5 بولت (2) نکات کلیدی (3) ریسک‌ها (4) 3 اقدام پیشنهادی با مالک و ددلاین.
اگر ابهامی هست، اول حداکثر 3 سؤال بپرس.
ورودی: {متن/نکات}
توضیح مفهومی برای مخاطب مشخص
برای توضیح سادهٔ یک مفهوم با مثال و تمرین.
نقش: مدرس. موضوع: {مفهوم}. مخاطب: {دانش‌آموز/غیر فنی/مدیر}.
خروجی: تشبیه ساده، مثال روزمره، غلط‌گیری رایج، 3 سؤال تمرینی.
اگر ابهامی هست، اول 3 سؤال بپرس.
دستورالعمل مرحله‌به‌مرحله (How-To)
برای راهنمای عملی با گام‌ها، پیش‌نیازها و خطاهای رایج.
نقش: مربی فنی. وظیفه: {کار}. محیط: {سیستم‌عامل/ابزار}.
خروجی: مراحل شماره‌دار، پیش‌نیازها، خطاهای رایج+راه‌حل، چک‌لیست نهایی.
اگر ابهامی هست، اول 3 سؤال بپرس.
مقایسهٔ دو گزینه + جدول مزایا/معایب
برای تصمیم‌گیری بین دو گزینه با معیارهای روشن.
نقش: تحلیل‌گر محصول. مقایسه بین: {گزینه A} و {گزینه B} برای {سناریو}.
خروجی: جدول ویژگی‌ها، 3 معیار تصمیم، پیشنهاد برای {بودجه/تیم/مقیاس}.
اگر ابهامی هست، اول 3 سؤال بپرس.
ایده‌پردازی کنترل‌شده (Brainstorm)
برای تولید ۱۰ ایدهٔ عملی با گام اول و ریسک‌ها.
نقش: ایده‌پرداز. موضوع: {موضوع}. محدودیت‌ها: {بودجه/زمان/کانال}.
خروجی: 10 ایدهٔ قابل اجرا، برای هر ایده: توضیح 1 جمله‌ای + گام اول + ریسک.
اگر ابهامی هست، اول 3 سؤال بپرس.
ایمیل حرفه‌ای با لحن مشخص
برای نوشتن ایمیل کوتاه و موثر با CTA.
نقش: دستیار اجرایی. سناریو: {درخواست/فالوآپ/اعتراض محترمانه}. گیرنده: {سمت/شرکت}.
لحن: {مودب/قاطع/دوستانه}. خروجی: سابجکت، متن 90-140 کلمه، CTA واضح، امضا.
اگر ابهامی هست، اول 3 سؤال بپرس.
پست شبکه‌های اجتماعی (چند پلتفرم)
برای تولید خروجی مناسب توییتر/اینستاگرام/لینکدین.
نقش: مدیر محتوا. موضوع: {موضوع}. خروجی:
- 2 پست توییتر (280 کاراکتر)
- 1 کپشن اینستاگرام (3 هشتگ)
- 1 پست لینکدین (150-220 کلمه، حرفه‌ای)
اگر ابهامی هست، اول 3 سؤال بپرس.
SEO: تیتر، دیسکریپشن، کلیدواژه‌ها
برای تولید سریع H1، متا و کلمات کلیدی.
نقش: استراتژیست SEO. صفحه دربارهٔ {موضوع} برای {مخاطب}.
خروجی: 5 عنوان H1 پیشنهادی (زیر 60 کاراکتر)، متای توضیح (140-160 کاراکتر)،
لیست کلیدواژهٔ اصلی+فرعی، اسلاگ URL کوتاه.
اگر ابهامی هست، اول 3 سؤال بپرس.
تحقیق کوتاه با منابع (در صورت امکان)
برای شروع تحقیق با نقاط کلیدی و منابع.
نقش: محقق. سوال/فرضیه: {سؤال}. حوزه: {دامنه}.
خروجی: 5 نکتهٔ کلیدی، تعاریف، خلاهای دانشی، 3 منبع معتبر برای شروع.
اگر ابهامی هست، اول 3 سؤال بپرس.
ترجمه/بومی‌سازی با راهنمای لحن
برای ترجمهٔ دقیق با گزارش تصمیم‌های ترجمه‌ای.
نقش: مترجم/لوکالایزر. متن بین === را به {زبان مقصد} با لحن {رسمی/دوستانه}
و معادل‌سازی اصطلاحات تخصصی ترجمه کن؛ فهرست تصمیمات ترجمه‌ای بده.
اگر ابهامی هست، اول 3 سؤال بپرس.
===
{متن}
===
تولید کد با تست و مستندات
برای دریافت کد ماژولار + تست + مثال اجرا.
نقش: مهندس نرم‌افزار. زبان/فریمورک: {مثلاً Python/FastAPI}.
وظیفه: پیاده‌سازی {فیچر}. خروجی: کد ماژولار + Docstring + تست واحد + مثال اجرا.
اگر ابهامی هست، اول 3 سؤال بپرس.
رفع باگ/تحلیل ارور
برای ریشه‌یابی خطا با چک‌لیست تشخیصی و فیکس.
نقش: دیباگر. محیط: {زبان/نسخه/OS}. ارور/لاگ بین === است.
خروجی: علت‌های محتمل، چک‌لیست تشخیصی مرحله‌ای، فیکس پیشنهادی.
اگر ابهامی هست، اول 3 سؤال بپرس.
===
{پیام خطا/کد}
===
تحلیل دادهٔ ساده (CSV توضیحی)
برای بیرون کشیدن بینش‌ها از داده و پیشنهاد نمودار.
نقش: تحلیل‌گر داده. توضیح مجموعه‌داده: {ستون‌ها/هدف}.
خروجی: سوالات اکتشافی، 5 بینش کلیدی، ناهنجاری‌های احتمالی، 3 نمودار پیشنهادی و دلیل انتخاب.
اگر ابهامی هست، اول 3 سؤال بپرس.
برنامهٔ اجرایی/رودمپ کوتاه
برای ترسیم فازها، KPIها و مدیریت ریسک.
نقش: مدیر پروژه. هدف: {نتیجه}. افق: {مدت}. محدودیت: {بودجه/منابع}.
خروجی: فازها، تحویل‌دادنی‌ها، شاخص‌های موفقیت، ریسک‌ها و پلن کاهش ریسک.
اگر ابهامی هست، اول 3 سؤال بپرس.
تبدیل یادداشت جلسه به صورت‌جلسهٔ قابل اقدام
برای ساماندهی خروجی جلسه با مسئول‌ها و ددلاین‌ها.
نقش: منشی جلسه. ورودی بین ===.
خروجی: خلاصه، تصمیم‌ها، مسئول‌ها، ددلاین‌ها، موارد باز.
اگر ابهامی هست، اول 3 سؤال بپرس.
===
{یادداشت خام}
===
ساخت FAQ از یک متن بلند/محصول
برای تبدیل متن به پرسش‌های پرتکرار مرتب‌شده.
نقش: پشتیبانی. متن/محصول: {توضیح}.
خروجی: 10 پرسش پرتکرار + پاسخ کوتاه و دقیق، مرتب‌سازی از مبتدی تا پیشرفته.
اگر ابهامی هست، اول 3 سؤال بپرس.
الگوی پرامپت برای تصویر (متن→تصویر)
برای ساخت پرامپت‌های تصویری با جزئیات نور/لنز/کادر.
سبک: {فتورئالیستیک/ایزومتریک/مینیمال}. سوژهٔ اصلی: {چی؟}، موضوع: {برای چه؟}.
جزئیات: لنز/نور/زاویه/پس‌زمینه/بافت. نسبت تصویر: {16:9/4:5/...}.
خروجی: 3 واریانت با تفاوت سبک نور/کادربندی. اگر ابهامی هست، اول 3 سؤال بپرس.
مثال: "Photorealistic product shot, matte black earbuds on glass, soft rim light, shallow DOF, 3:2"
ارزیابی و بهبود پاسخ مدل
برای نمره‌دهی، پیشنهاد اصلاح و ارائهٔ نسخهٔ بهتر.
نقش: منتقد سازنده. خروجی فعلی بین === است.
وظیفه: (1) امتیازدهی 1-5 بر اساس {دقت/وضوح/ساختار} (2) 5 اصلاح پیشنهادی (3) نسخهٔ بهبود‌یافته.
اگر ابهامی هست، اول 3 سؤال بپرس.
===
{خروجی فعلی}
===
برای گرفتن پاسخ‌های پایدار و قابل‌اتکا از مدل‌های زبانی، پرامپت باید شفاف و دقیق باشد: نقش را تعیین کنید، لحن و مخاطب را مشخص کنید، با پرسش‌های WH مدل را به سمت جزئیات هدایت کنید، سطح خوانایی را کنترل کنید، ساختار مرحله‌ای بخواهید، محدودیت‌ها را صریح بگویید، و در نهایت با تکرار و بهبود مستمر، خروجی را بهینه کنید.
🔍 تحلیل ITrends
این ۷ ترفند، چارچوبی عملی برای کنترل کیفیت خروجی LLMها می‌دهد: تعریف نقش و لحن، ساختاردهی و قیود باعث می‌شود پاسخ‌ها از سطح «الهامی» به سطح «قابل‌استفاده در تولید» ارتقا پیدا کنند. توصیهٔ ما برای تیم‌های محتوا: یک Prompt Library کوچک بسازید و هر وظیفه را با همین الگو نسخه‌گذاری کنید.