معرفی و تعریف
مهندسی پرامپت و طراحی زمینه مدل، توانایی طراحی، آزمودن و نگهداری دستورها و اطلاعات ورودی به «مدلهای زبانی بزرگ» (LLM) است. هدف این مهارت، تبدیل نیاز محصول یا فرایند کاری به ورودی دقیق و قابلتکرار برای تولید خروجی مفید، ساختیافته و متناسب با محدودیتهای مشخص به شمار میرود.
این مهارت به نوشتن پرسش بهتر برای چتبات محدود نمیشود. فرد متخصص بخشهای زیر را طراحی میکند:
دستورهای پایدار
داده متغیر کاربر
اطلاعات بازیابیشده
نمونههای راهنما
قالب خروجی
محدودیت پنجره زمینه
نام نقش پیامها و تقدم آنها میان API-ها و نسخههای مدل تفاوت دارد. بنابراین مستندات مدل یا API انتخابی باید بررسی شود و نباید یک الگوی نقش برای همه مدلها ثابت فرض گردد.
نمونههای راهنما با نقش پیام تفاوت دارند. نمونه، شکل مطلوب ورودی یا خروجی را نشان میدهد، اما نقش پیام نحوه ارسال هر بخش از مکالمه به API را تعیین میکند. در هر دو حالت، طراحی باید موارد زیر را مشخص سازد:
اقدامات ممنوع برای مدل
زمان اعلام ابهام یا کمبود شواهد
شیوه اعتبارسنجی خروجی پیش از مصرف در نرمافزار
افراد زیر برای ساخت دستیار، سامانه پاسخگویی به پرسش، خلاصهساز، استخراجکننده اطلاعات و گردشکارهای مبتنی بر مدل از این مهارت بهره میبرند:
مهندسان هوش مصنوعی
توسعهدهندگان اپلیکیشنهای هوش مصنوعی
توسعهدهندگان بکاند
در محصول واقعی، کیفیت این طراحی بر دقت، ثبات پاسخ، هزینه مصرف توکن و امکان ارزیابی سامانه اثر میگذارد. برای فرد آشنا با API و برنامهنویسی، رسیدن به سطح کاربردی به حدود ۱۰۰ تا ۱۴۰ ساعت تمرین هدفمند نیاز دارد. فردی که همزمان مفاهیم مدل زبانی و برنامهنویسی را میآموزد، به حدود ۱۴۰ تا ۲۰۰ ساعت زمان نیاز خواهد داشت.
این مهارت را با نامهای دیگری نیز میشناسند:
- پرامپتنویسی
- مهندسی دستور مدل
- طراحی کانتکست مدل
- Prompt Engineering
- LLM Prompt Engineering
- Context Engineering
- LLM Context Design
اهمیت و کاربردها
چرا این مهارت مهم است؟
مدلهای زبانی میتوانند در گفتوگوی کوتاه پاسخهای خوبی ارائه دهند. اما اپلیکیشن قابل اعتماد به رفتار قابل پیشبینی نیاز دارد. مهندسی پرامپت به تبدیل نیازمندیهای محصول به دستورهای روشن، دادههای زمینه مناسب و خروجی قابل پردازش کمک میکند. از این رو خطاهای ناشی از موارد زیر کاهش مییابند:
ابهام در ورودی
پاسخهای خارج از دامنه
قالبهای نامعتبر
این مهارت بخشی از ساخت محصول مبتنی بر مدل به شمار میرود و جایگزین برنامهنویسی، ارزیابی یا طراحی سیستم نیست. در بسیاری از پروژهها، پرامپت باید همراه با موارد زیر طراحی شود:
بازیابی اطلاعات
اعتبارسنجی خروجی
ثبت رخدادها
آزمونهای موردی
تسلط بر چند الگوی آماده برای نگهداری سامانه در محیط واقعی کفایت نمیکند. پرامپت به تنهایی امنیت، پیروی کامل مدل از دستورها یا درستی پاسخ را تضمین نمیکند. برای مدیریت ریسکها، اقدامات زیر باید به اجرا درآیند:
جداسازی داده و دستور غیرقابلاعتماد از دستورهای اصلی
اعطای دسترسی حداقلی و مجاز به ابزارها
بررسی خروجی پیش از اجرای عمل حساس
خطراتی مانند حمله تزریق پرامپت، افشای داده حساس و پاسخهای بیمنبع با طراحی لایههای کنترلی، آزمون مخرب و بازبینی انسانی مدیریت میشوند.
در بازار کار ایران، این توانمندی به عنوان مهارت مستقل برای استخدام ارائه نمیشود. کارجو بهتر است این مهارت را زیر عنوانهای زیر جستوجو و عرضه کند:
مهندس هوش مصنوعی
توسعهدهنده هوش مصنوعی
توسعهدهنده بکاند
برای استخدام، ارائه نمونهکار قابل آزمون شامل مسئله، نسخههای پرامپت، داده آزمون، معیار ارزیابی، اعتبارسنجی خروجی و مدیریت خطا نسبت به نمایش چند گفتوگوی موفق ارزش بیشتری دارد. عنوانهایی مانند Prompt Engineer در فرصتهای بینالمللی یا دورکاری دیده میشوند، اما نباید آنها را مسیر استخدامی ثابتی در ایران دانست.
کاربردها
-
طراحی دستیار پشتیبانی مبتنی بر دانش سازمان
پاسخگویی به پرسشهای کاربران بر اساس اسناد و آییننامههای داخلی سازمان اجرا میشود.
-
استخراج اطلاعات از متنهای نیمهساختیافته
طراحی دستور و قالب JSON برای استخراج فیلدهایی مانند نام، تاریخ، شماره پیگیری یا موضوع از قراردادها و درخواستها.
-
خلاصهسازی قابلکنترل اسناد
تعیین مخاطب، طول، ساختار، نکات اجباری و مواردی که مدل نباید در خلاصه حذف یا تفسیر کند.
-
تولید پیشنویس در گردشکارهای سازمانی
ساخت فرمها، نامهها و گزارشهای اولیه جهت سرعتبخشی به فرآیندهای کاری انجام میشود.
-
طراحی خروجی برای اتصال به نرمافزار
درخواست خروجی ساختیافته از مدل و اعتبارسنجی آن پیش از ارسال به API، پایگاه داده یا مرحله بعدی گردشکار، پاسخ نامعتبر باید خطا یا مسیر جایگزین داشته باشد.
-
آزمون رفتار مدل در سناریوهای حساس
ساخت مجموعهای از ورودیهای عادی، مبهم، متناقض، خارج از دامنه و مخرب برای بررسی پایداری، تزریق پرامپت و محدودیتهای پرامپت.
-
ارائه نمونهکار برای فرصتهای هوش مصنوعی و بکاند
مستندسازی جریان کوچک شامل API، نسخه پرامپت، داده آزمون، خروجی اعتبارسنجیشده، ثبت خطا و توضیح تصمیمهای طراحی.
ابزارهای مرتبط
پیشنیازها
موارد زیر پایههای لازم برای شروع را نشان میدهند.
- آشنایی مقدماتی با نحوه تعامل با یک مدل زبانی بزرگ
- توانایی خواندن مستندات فنی انگلیسی
- آشنایی مقدماتی با JSON برای ساخت خروجی قابلپردازش
مسیر یادگیری مهندسی پرامپت و طراحی زمینه مدل
-
۲۰ ساعت
شناخت قابلیتها و محدودیتهای مدلهای زبانی
مفاهیم پایه مانند مدل زبانی، توکن، پنجره زمینه، دمای تولید، تصادفیبودن پاسخ و خطای توهم را فرا بگیرید. یک وظیفه ثابت را با ورودیهای کوتاه، مبهم و متناقض اجرا کنید. سپس تفاوت پاسخهای مدل را مشاهده و ثبت نمایید.
-
۲۵ ساعت
نوشتن دستورهای روشن و قابلسنجش
نیاز مبهم را به هدف، مخاطب، ورودی، محدودیت و معیار خروجی تبدیل کنید. برای وظیفهای مانند طبقهبندی درخواست مشتری، پرامپتهای مختلف بنویسید. به جای قضاوت کلی، نتیجه هر پرامپت را با نمونههای یکسان مقایسه کنید.
-
۳۰ ساعت
طراحی پیامها و نمونههای راهنما
دستورهای پایدار را از داده متغیر کاربر جدا کنید. با چند نمونه مناسب نشان دهید که پاسخ مطلوب چه شکلی دارد. نام و تقدم نقشهای پیام را از مستندات API یا مدل انتخابی بررسی کنید، زیرا همه API-ها نقشها و اولویتهای یکسانی ندارند. نمونههای راهنما را جدا از نقش پیام طراحی کنید. در نهایت نحوه سوق دادن مدل به پاسخ ناخواسته توسط این نمونهها را ارزیابی کنید.
-
۳۰ ساعت
مدیریت زمینه و خروجی ساختیافته
ضرورت هر بخش از زمینه را مشخص کنید، زیرا اطلاعات نامرتبط هزینه و خطا را افزایش میدهد. خروجیهای JSON را با فیلدهای اجباری، مقادیر مجاز و رفتار مشخص برای داده ناقص طراحی کنید. خروجی را در کد اعتبارسنجی کنید و به دستور مدل اتکا نکنید.
برای آزمون و نمونهسازی سریع از Python و Jupyter Notebook استفاده کنید، هرچند این دو ابزار برای همه کاربردها ضروری نیستند. همچنین OpenAI API تنها گزینه موجود نیست و انتخاب API باید با نیاز محصول، مدل و محدودیتهای فنی شما سازگار باشد.
-
۲۵ ساعت
ایمنسازی زمینه، ابزارها و دستورها
دستورهای قابلاعتماد را از متن کاربر، محتوای اسناد، نتایج جستوجو و دادههای بیرونی جدا کنید. سناریوهای تزریق پرامپت، درخواست افشای داده حساس، محتوای سند مخرب و دستورهای متناقض را آزمایش کنید. به ابزارهای متصل به مدل فقط مجوزهای لازم را بدهید. عملهای پرریسک را پیش از اجرا تایید کنید و مسیر خطا یا ارجاع به انسان را قرار دهید.
رفتارهای ناامن را شناسایی کنید و اثر آنها را با کنترل دسترسی، اعتبارسنجی، ثبت رخداد و آزمون تکرارشونده کاهش دهید.
-
۲۵ ساعت
ارزیابی و بهبود نظاممند پرامپتها
برای کاربردی مشخص، مجموعه آزمونی شامل موارد زیر بسازید:
ورودیهای معمول
موارد مرزی
درخواستهای خارج از دامنه
دادههای ناسازگار
ورودیهای مخرب
معیارهایی مانند صحت فیلدها، رعایت قالب، پوشش پاسخ، نرخ خطا و رد پاسخ بیمنبع را تعریف کنید. هر تغییر پرامپت را با همان مجموعه آزمون مقایسه کنید.
-
۲۰ ساعت
پیادهسازی یک جریان ساده در API
پرامپت نسخهبندی شدهای را از طریق API در برنامهای کوچک اجرا کنید. ورودی، نسخه پرامپت، خروجی، خطا و هزینه تقریبی درخواست را ثبت کنید. برای پاسخ نامعتبر، مسیر بازتلاش یا ارجاع به کاربر طراحی کنید. از قرار دادن بیدلیل دادههای حساس در زمینه مدل پرهیز کنید.
از LangChain در صورت نیاز برای ساخت جریانهای چندمرحلهای استفاده کنید، اگرچه این ابزار، پیشنیاز مهارت محسوب نمیشود. همچنین pgvector را فقط در معماریهای RAG برای جستوجوی برداری به کار ببرید، چرا که برای تمرینهای ساده پرامپت نیازی به آن نیست.
زمان تقریبی یادگیری
برآورد مجموع زمان آموزش، مطالعه و تمرین تا رسیدن به سطح کاربردی؛ بسته به پیشزمینه شما میتواند کمتر یا بیشتر باشد.
پروژههای تمرینی
در ادامه، مهمترین موارد این بخش به تفکیک معرفی شدهاند.
-
طبقهبند درخواستهای پشتیبانی با خروجی JSON
توضیح پروژه: پرامپتی بسازید که از مدل درخواست کند متن درخواست را به دسته، فوریت، خلاصه و وضعیت ابهام تبدیل کند. برای ۳۰ نمونه آزمون، اعتبار JSON، درستی دستهبندی و رفتار برنامه هنگام خروجی نامعتبر را بررسی کنید.
-
خلاصهساز صورتجلسه با قالب ثابت
توضیح پروژه: از مدل بخواهید تصمیمها، مسئول هر اقدام، موعدها و پرسشهای باز را در قالبی مشخص استخراج کند. نمونههای دارای اطلاعات ناقص و موعد مبهم را نیز آزمایش کنید و خروجی نامعتبر را پیش از استفاده اعتبارسنجی کنید.
-
دستیار پرسشوپاسخ محدود به یک مجموعه سند
توضیح پروژه: برای پاسخگویی بر پایه چند سند، دستور و منطق بررسی طراحی کنید تا منبع هر پاسخ ثبت شود، پاسخ بیمنبع رد شود و هنگام ناکافی بودن شواهد، مدل یا برنامه ناتوانی در پاسخگویی را اعلام کند.
-
مجموعه ارزیابی پرامپت برای یک وظیفه واقعی
توضیح پروژه: وظیفهای مانند استخراج داده از پیامها انتخاب کنید و دستکم ۴۰ ورودی آزمون بسازید. نتایج دو نسخه پرامپت را با معیارهای از پیش تعریف شده مقایسه و مستند کنید.
-
آزمون امنیت یک دستیار متصل به ابزار
توضیح پروژه: برای دستیار فرضی، سناریوهای تزریق پرامپت، درخواست داده حساس، دستورهای متناقض و فراخوانی ابزار بدون مجوز بسازید. کنترلهای دسترسی، رد درخواست و ثبت رخدادها را آزمایش و نتایج را مستند کنید.
پرسشهای رایج درباره مهندسی پرامپت و طراحی زمینه مدل
اگر درباره این مهارت پرسشی دارید، ممکن است پاسخ آن را در میان موارد زیر پیدا کنید.
آیا مهندسی پرامپت فقط نوشتن متن طولانی برای چتبات است؟
خیر. پرامپت خوب لزوماً طولانی نیست. این مهارت شامل تعریف هدف و محدودیت، مدیریت زمینه، طراحی قالب خروجی، آزمون موردی و بهبود نسخههای مختلف دستور است.
برای یادگیری مهندسی پرامپت باید برنامهنویس باشم؟
برای تمرین مفاهیم اولیه خیر. اما برای ساخت اپلیکیشن واقعی، اتصال به API، اعتبارسنجی خروجی، ثبت خطا و کنترل هزینه، آشنایی با برنامهنویسی بسیار کمککننده است.
تفاوت مهندسی پرامپت و توسعه RAG چیست؟
مهندسی پرامپت بر دستور و زمینه ارسالی به مدل تمرکز دارد. RAG علاوه بر این، فرایند آمادهسازی، جستوجو و افزودن اطلاعات بازیابیشده به زمینه را نیز شامل میشود.
چگونه بفهمم یک پرامپت واقعاً بهتر شده است؟
با مجموعه آزمون ثابت و معیار مشخص. خروجی دو نسخه را روی ورودیهای یکسان مقایسه کنید. برای مثال، نرخ JSON معتبر، درستی استخراج فیلدها، رعایت محدودیتها و پاسخ به موارد مبهم.
آیا مدل همیشه از دستورهای پرامپت پیروی میکند؟
خیر. مدل ممکن است قالب را نقض کند، اطلاعات نادرست بسازد یا از زمینه منحرف شود. در کاربردهای مهم، خروجی را اعتبارسنجی کنید، خطا را مدیریت کنید و برای تصمیمهای پرریسک بازبینی انسانی داشته باشید.
آیا پرامپت خوب اپلیکیشن هوش مصنوعی را امن میکند؟
خیر. پرامپت فقط یکی از لایههای کنترل است. داده غیرقابلاعتماد، تزریق پرامپت، دسترسی ابزارها و افشای داده حساس باید با اعتبارسنجی، حداقلسازی مجوزها، ثبت رخداد و آزمون سناریوهای مخرب مدیریت شوند.
برای نمونهکار این مهارت چه چیزی ارائه کنم؟
یک مسئله مشخص، نسخههای پرامپت، مجموعه ورودیهای آزمون، معیارهای ارزیابی، نمونه خروجی، اعتبارسنجی و توضیح خطاهایی که پیدا و اصلاح کردهاید ارائه کنید. نمایش فرایند ارزیابی از نمایش چند پاسخ خوب مهمتر است.
آموزشهای مرتبط در فرادرس
-
آموزش مهندسی پرامپت + بهینهسازی عملکرد پرامپتها در مدلهای زبانی + گواهینامه
-
آموزش چت جی پی تی ChatGPT API، از مهندسی پرامپت تا پروژههای کاربردی + گواهینامه
-
آموزش شکلدهندههای پرامپت یا Prompt Decorators برای بهبود پاسخهای هوش مصنوعی + گواهینامه
-
آموزش شروع برنامه نویسی جی پی تی و مدل های زبانی بزرگ + نصب LLM، با جادی (رایگان)
-
پرامپت چت جی پی تی چیست؟، راهنمای کامل برای چت + ۱۴ نمونه پرامپت
-
پرامپت نویسی چیست؟ – توضیح مهندسی پرامپت به زبان ساده
-
نحوه کار با هوش مصنوعی – به زبان ساده + سایت و اپلیکیشن
