هوش مصنوعی
پرامپت‌نویسی چیست؟ راهنمای کامل مهندسی پرامپت از صفر تا حرفه‌ای
پرامپت‌نویسی چیست؟ راهنمای کامل مهندسی پرامپت از صفر تا حرفه‌ای
فرض کنید از یک چت‌بات بخواهید «یک متن درباره‌ی هوش مصنوعی در آموزش بنویس». جواب می‌دهد، اما معمولاً همان متن کلی و تکراری که هر کس دیگری هم با این جمله می‌گرفت. حالا همان درخواست را با دو سه جمله توضیح بیشتر بدهید: برای چه کسی می‌نویسید، چقدر طول داشته باشد، لحنش چه باشد. نتیجه کاملاً فرق می‌کند.
این فاصله را پرامپت‌نویسی پر می‌کند. در ادامه می‌بینیم پرامپت‌نویسی دقیقاً چیست، یک پرامپت خوب از چه چیزهایی تشکیل می‌شود، کدام تکنیک‌ها هنوز در ۱۴۰۵ جواب می‌دهند و چرا این روزها اسم «مهندسی زمینه» هم زیاد شنیده می‌شود.
پرامپت‌نویسی چیست؟
پرامپت همان متنی است که به مدل هوش مصنوعی می‌دهید؛ سؤال، دستور، متنی که باید ویرایش شود یا حتی داده‌ی خام. پرامپت‌نویسی یعنی یاد بگیرید این ورودی را طوری بنویسید که مدل منظورتان را درست بفهمد.
به آن «مهندسی پرامپت» هم می‌گویند. کلمه‌ی مهندسی از اینجا می‌آید که کار با یک بار نوشتن تمام نمی‌شود: می‌نویسید، نتیجه را می‌بینید، اصلاح می‌کنید و دوباره امتحان می‌کنید.
یک تشبیه ساده بگویم. مدل هوش مصنوعی مثل همکاری است که خیلی باسواد است اما هیچ‌چیز از شرایط شما نمی‌داند. هرچه بیشتر توضیح بدهید، کارش دقیق‌تر می‌شود.
چرا مهم است؟
مدل‌های زبانی وقتی درخواست مبهم می‌گیرند، حدس می‌زنند. هرچه حدس‌شان بیشتر باشد، احتمال اینکه جواب کلی، نادقیق یا بی‌ربط شود هم بیشتر است. پرامپت خوب چند فایده‌ی مشخص دارد. وقتتان کمتر هدر می‌رود چون به‌جای ده بار بازنویسی، با یکی دو بار به نتیجه می‌رسید. خروجی با لحن و مخاطب موردنظرتان جور درمی‌آید. اگر در پرامپت صریح بخواهید که چیزی را از خودش نسازد، احتمال اطلاعات ساختگی هم کمتر می‌شود. و چون اصولش به ابزار خاصی وابسته نیست، روی هر ابزاری، از چت‌بات تا تصویرسازی، به کارتان می‌آید.
یک پرامپت حرفه‌ای از چه ساخته می‌شود؟
لازم نیست همیشه همه‌ی اجزا را بنویسید، ولی هرچه کار مهم‌تر باشد، ارزش‌شان بیشتر است. اجزای اصلی این‌ها هستند:
• نقش: مدل از چه جایگاهی جواب بدهد. مثلاً «به‌عنوان یک مدرس دانشگاه».
• کار موردنظر: دقیقاً چه چیزی می‌خواهید. مثلاً «یک خلاصه‌ی ۲۰۰ کلمه‌ای».
• زمینه: این متن برای کجا و چه هدفی است.
• مخاطب: چه کسی قرار است آن را بخواند.
• قالب: جدول، فهرست، متن پیوسته، یا هر شکل دیگری.
• لحن: رسمی، صمیمی، ساده.
• محدودیت‌ها: چه چیزی نباید در جواب باشد.
• نمونه: اگر سبک خاصی مدنظرتان است، یک نمونه‌ی کوتاه بدهید.
ضعیف و قوی؛ یک مثال
پرامپت ضعیف:
«یک متن درباره‌ی هوش مصنوعی در آموزش بنویس.»
نتیجه معمولاً کلی است و مخاطب مشخصی ندارد.
پرامپت قوی:
«تو یک تولیدکننده‌ی محتوای آموزشی هستی. یک متن حدود ۳۰۰ کلمه‌ای درباره‌ی کاربرد هوش مصنوعی در آموزش دانشگاهی بنویس. مخاطب دانشجویان کارشناسی‌اند که آشنایی اولیه با هوش مصنوعی دارند. لحن ساده و صمیمی باشد. ساختار: یک مقدمه‌ی کوتاه، سه نکته با زیرعنوان و یک جمع‌بندی. اصطلاح تخصصی را بدون توضیح نیاور و آمار یا منبع از خودت نساز؛ اگر جایی مطمئن نیستی همین را بگو.»
تفاوت در جادوی کلمات نیست. در پرامپت دوم هدف، مخاطب، لحن، ساختار و محدودیت روشن است و مدل جای کمتری برای حدس‌زدن دارد.
تکنیک‌هایی که واقعاً کار می‌کنند
شفاف باشید. مهم‌ترین توصیه همین است. به‌جای «بهترش کن» بنویسید «این متن را کوتاه‌تر و رسمی‌تر کن و جمله‌های طولانی را بشکن».
مثال بدهید. اگر قالب یا سبک خاصی می‌خواهید، یک یا دو نمونه بدهید. مدل از روی نمونه خیلی بهتر از توضیح کلی الگو را می‌گیرد. به این روش Few-shot می‌گویند.
نقش تعیین کنید. گفتن اینکه مدل در نقش ویراستار یا تحلیل‌گر داده باشد به لحن و سطح جزئیات کمک می‌کند، اما جای توضیح هدف را نمی‌گیرد.
کار بزرگ را تکه‌تکه کنید. اگر یک‌جا بخواهید «یک طرح کسب‌وکار کامل» بنویسد، معمولاً سطحی می‌شود. اول تحلیل بازار را بخواهید، بعد مدل درآمدی، بعد ریسک‌ها. به این کار پرامپت زنجیره‌ای (Prompt Chaining) می‌گویند.
قالب خروجی را بگویید. جدول می‌خواهید یا فهرست شماره‌دار؟ هرچه دقیق‌تر بگویید، خروجی کم‌دردسرتر است.
اصلاح کنید. اولین جواب معمولاً پیش‌نویس است. ایرادش را مشخص بگویید، مثلاً «بخش دوم کلی است، دو مثال واقعی اضافه کن». کل مهندسی پرامپت همین چرخه‌ی امتحان و اصلاح است.
یک نکته هم درباره‌ی مدل‌های جدید: مدل‌های استدلالگر امروزی خودشان قدم‌به‌قدم فکر می‌کنند و لازم نیست هر بار «مرحله‌به‌مرحله فکر کن» را اضافه کنید. وقتتان را بگذارید روی توضیح هدف و معیار موفقیت.
اشتباه‌های رایج
شایع‌ترین اشتباه مبهم‌نویسی است؛ «یک چیز خوب بنویس» هیچ معیاری به مدل نمی‌دهد. اشتباه بعدی این است که چند درخواست نامرتبط را در یک پیام بریزید، که معمولاً هرکدام نصفه انجام می‌شود. ندادن زمینه هم همین‌طور است، چون مدل از شرایط شما خبر ندارد مگر بگویید.
مهم‌تر از همه، به خروجی بی‌چون‌وچرا اعتماد نکنید. آمار، نقل‌قول و منبع را حتماً خودتان چک کنید، چون مدل‌ها گاهی اطلاعات غلط را با اطمینان کامل می‌گویند. و اطلاعات شخصی، مالی یا محرمانه‌ی سازمان را وارد ابزارهای عمومی نکنید.
از پرامپت‌نویسی تا مهندسی زمینه
در یکی دو سال اخیر اصطلاح «مهندسی زمینه» (Context Engineering) پررنگ شده است. فرقش را می‌شود در یک جمله گفت: پرامپت‌نویسی می‌پرسد «این دستور را چطور بنویسم؟» و مهندسی زمینه می‌پرسد «مدل در این لحظه باید چه چیزهایی بداند؟»
مهندسی زمینه به کل چیزهایی می‌پردازد که مدل موقع جواب‌دادن جلوی چشم دارد: دستورها، تاریخچه‌ی گفت‌وگو، حافظه، اسناد و خروجی ابزارها. این موضوع مخصوصاً برای عامل‌های هوش مصنوعی مهم است، یعنی سیستم‌هایی که چند مرحله کار می‌کنند و از ابزار استفاده می‌کنند. بر اساس گزارش ۲۰۲۶ شرکت DataHub، بیشتر مدیران فناوری و داده معتقدند فقط پرامپت‌نویسی برای اجرای هوش مصنوعی در مقیاس سازمانی کافی نیست؛ البته این نظرسنجی را یک شرکت فعال در همین حوزه انجام داده و باید با همین احتیاط به آن نگاه کرد.
این دو با هم رقابت ندارند. پرامپت‌نویسی بخشی از مهندسی زمینه است. برای کارهای روزمره مثل نوشتن، خلاصه‌سازی و یادگیری، پرامپت‌نویسی اصولی کاملاً کافی است. وقتی ورودی هر بار عوض می‌شود، به اسناد بیرونی نیاز دارید یا گردش‌کار
چندمرحله‌ای می‌سازید، آن‌وقت وارد مهندسی زمینه می‌شوید.
کجاها به کار می‌آید؟
تقریباً همه‌جا. در تولید محتوا برای ایده‌پردازی و بازنویسی، در پژوهش برای مرور منابع و توضیح مفاهیم سخت، در برنامه‌نویسی برای نوشتن و رفع اشکال، در طراحی و تصویرسازی برای توصیف دقیق سبک و نور، در معماری برای ایده‌پردازی مفهومی، و در کسب‌وکار برای خلاصه‌سازی گزارش‌ها و خودکارسازی کارهای تکراری.
از کجا شروع کنیم؟
یادگیری این مهارت سریع‌تر از چیزی است که فکر می‌کنید، به شرط اینکه روی کار واقعی تمرین کنید. یک کار تکراری خودتان را انتخاب کنید، مثلاً نوشتن ایمیل یا خلاصه‌کردن مقاله، و با پرامپت حلش کنید. پرامپت‌هایی که جواب داده‌اند را ذخیره کنید. هر بار فقط یک چیز را عوض کنید تا بفهمید چه تغییری اثر داشته. و برای خودتان معیار بگذارید: درست بودن، کامل بودن، لحن و قالب.
اگر ترجیح می‌دهید مسیر را ساختارمند و با راهنمایی مدرس بروید، دوره‌ی پرامپت‌نویسی IRANICAI از پایه تا پیشرفته طراحی شده و پروژه‌ی عملی دارد. تمام دوره‌های هوش مصنوعی را هم می‌توانید ببینید و از صفحه‌ی پیش‌ثبت‌نام رزرو کنید.
سؤالات متداول
پرامپت‌نویسی چیست؟
مهارت طراحی ورودی برای مدل‌های هوش مصنوعی است، طوری که خروجی دقیق، مرتبط و قابل‌استفاده بگیرید.
مهندسی پرامپت با پرامپت‌نویسی فرق دارد؟
در عمل تقریباً یکی هستند. کلمه‌ی «مهندسی» فقط بر نظام‌مند بودن کار، یعنی امتحان، ارزیابی و بهبود مداوم، تأکید می‌کند.
برای یادگیری پرامپت‌نویسی باید برنامه‌نویسی بلد باشم؟
نه. برای استفاده‌ی روزمره فقط نوشتار روشن و فکر منظم لازم است. برنامه‌نویسی وقتی به کار می‌آید که بخواهید پرامپت را در نرم‌افزار یا گردش‌کار خودکار استفاده کنید.
با قوی‌ترشدن مدل‌ها، پرامپت‌نویسی بی‌فایده نمی‌شود؟
نه. مدل‌ها قوی‌تر شده‌اند، اما هنوز نمی‌دانند هدف و معیار موفقیت شما چیست. فقط تمرکز از ترفند کلمه‌ای به شفافیت و فراهم‌کردن زمینه‌ی درست رفته است.
جمع‌بندی
پرامپت‌نویسی یعنی روشن‌بودن: بدانید چه می‌خواهید، آن را با نقش، زمینه، قالب و محدودیت‌ها بیان کنید و خروجی را با دقت بسنجید و اصلاح کنید. این مهارت پایه‌ی کار با تمام ابزارهای هوش مصنوعی است و گام بعدی آن، یعنی مهندسی زمینه و ساخت عامل‌های هوشمند، هم بر همین پایه بنا می‌شود. از همین امروز یک کار واقعی انتخاب کنید و با اصولی که خواندید پرامپتش را بازنویسی کنید.
دوره مرتبط با این مقاله :
https://www.iranicai.org//course.php?slug=prompt-engineering
فرض کنید از یک چت‌بات بخواهید «یک متن درباره‌ی هوش مصنوعی در آموزش بنویس». جواب می‌دهد، اما معمولاً همان متن کلی و تکراری که هر کس دیگری هم با این جمله می‌گرفت. حالا همان درخواست را با دو سه جمله توضیح بیشتر بدهید: برای چه کسی می‌نویسید، چقدر طول داشته باشد، لحنش چه باشد. نتیجه کاملاً فرق می‌کند.
این فاصله را پرامپت‌نویسی پر می‌کند. در ادامه می‌بینیم پرامپت‌نویسی دقیقاً چیست، یک پرامپت خوب از چه چیزهایی تشکیل می‌شود، کدام تکنیک‌ها هنوز در ۱۴۰۵ جواب می‌دهند و چرا این روزها اسم «مهندسی زمینه» هم زیاد شنیده می‌شود.
پرامپت‌نویسی چیست؟
پرامپت همان متنی است که به مدل هوش مصنوعی می‌دهید؛ سؤال، دستور، متنی که باید ویرایش شود یا حتی داده‌ی خام. پرامپت‌نویسی یعنی یاد بگیرید این ورودی را طوری بنویسید که مدل منظورتان را درست بفهمد.
به آن «مهندسی پرامپت» هم می‌گویند. کلمه‌ی مهندسی از اینجا می‌آید که کار با یک بار نوشتن تمام نمی‌شود: می‌نویسید، نتیجه را می‌بینید، اصلاح می‌کنید و دوباره امتحان می‌کنید.
یک تشبیه ساده بگویم. مدل هوش مصنوعی مثل همکاری است که خیلی باسواد است اما هیچ‌چیز از شرایط شما نمی‌داند. هرچه بیشتر توضیح بدهید، کارش دقیق‌تر می‌شود.
چرا مهم است؟
مدل‌های زبانی وقتی درخواست مبهم می‌گیرند، حدس می‌زنند. هرچه حدس‌شان بیشتر باشد، احتمال اینکه جواب کلی، نادقیق یا بی‌ربط شود هم بیشتر است. پرامپت خوب چند فایده‌ی مشخص دارد. وقتتان کمتر هدر می‌رود چون به‌جای ده بار بازنویسی، با یکی دو بار به نتیجه می‌رسید. خروجی با لحن و مخاطب موردنظرتان جور درمی‌آید. اگر در پرامپت صریح بخواهید که چیزی را از خودش نسازد، احتمال اطلاعات ساختگی هم کمتر می‌شود. و چون اصولش به ابزار خاصی وابسته نیست، روی هر ابزاری، از چت‌بات تا تصویرسازی، به کارتان می‌آید.
یک پرامپت حرفه‌ای از چه ساخته می‌شود؟
لازم نیست همیشه همه‌ی اجزا را بنویسید، ولی هرچه کار مهم‌تر باشد، ارزش‌شان بیشتر است. اجزای اصلی این‌ها هستند:
• نقش: مدل از چه جایگاهی جواب بدهد. مثلاً «به‌عنوان یک مدرس دانشگاه».
• کار موردنظر: دقیقاً چه چیزی می‌خواهید. مثلاً «یک خلاصه‌ی ۲۰۰ کلمه‌ای».
• زمینه: این متن برای کجا و چه هدفی است.
• مخاطب: چه کسی قرار است آن را بخواند.
• قالب: جدول، فهرست، متن پیوسته، یا هر شکل دیگری.
• لحن: رسمی، صمیمی، ساده.
• محدودیت‌ها: چه چیزی نباید در جواب باشد.
• نمونه: اگر سبک خاصی مدنظرتان است، یک نمونه‌ی کوتاه بدهید.
ضعیف و قوی؛ یک مثال
پرامپت ضعیف:
«یک متن درباره‌ی هوش مصنوعی در آموزش بنویس.»
نتیجه معمولاً کلی است و مخاطب مشخصی ندارد.
پرامپت قوی:
«تو یک تولیدکننده‌ی محتوای آموزشی هستی. یک متن حدود ۳۰۰ کلمه‌ای درباره‌ی کاربرد هوش مصنوعی در آموزش دانشگاهی بنویس. مخاطب دانشجویان کارشناسی‌اند که آشنایی اولیه با هوش مصنوعی دارند. لحن ساده و صمیمی باشد. ساختار: یک مقدمه‌ی کوتاه، سه نکته با زیرعنوان و یک جمع‌بندی. اصطلاح تخصصی را بدون توضیح نیاور و آمار یا منبع از خودت نساز؛ اگر جایی مطمئن نیستی همین را بگو.»
تفاوت در جادوی کلمات نیست. در پرامپت دوم هدف، مخاطب، لحن، ساختار و محدودیت روشن است و مدل جای کمتری برای حدس‌زدن دارد.
تکنیک‌هایی که واقعاً کار می‌کنند
شفاف باشید. مهم‌ترین توصیه همین است. به‌جای «بهترش کن» بنویسید «این متن را کوتاه‌تر و رسمی‌تر کن و جمله‌های طولانی را بشکن».
مثال بدهید. اگر قالب یا سبک خاصی می‌خواهید، یک یا دو نمونه بدهید. مدل از روی نمونه خیلی بهتر از توضیح کلی الگو را می‌گیرد. به این روش Few-shot می‌گویند.
نقش تعیین کنید. گفتن اینکه مدل در نقش ویراستار یا تحلیل‌گر داده باشد به لحن و سطح جزئیات کمک می‌کند، اما جای توضیح هدف را نمی‌گیرد.
کار بزرگ را تکه‌تکه کنید. اگر یک‌جا بخواهید «یک طرح کسب‌وکار کامل» بنویسد، معمولاً سطحی می‌شود. اول تحلیل بازار را بخواهید، بعد مدل درآمدی، بعد ریسک‌ها. به این کار پرامپت زنجیره‌ای (Prompt Chaining) می‌گویند.
قالب خروجی را بگویید. جدول می‌خواهید یا فهرست شماره‌دار؟ هرچه دقیق‌تر بگویید، خروجی کم‌دردسرتر است.
اصلاح کنید. اولین جواب معمولاً پیش‌نویس است. ایرادش را مشخص بگویید، مثلاً «بخش دوم کلی است، دو مثال واقعی اضافه کن». کل مهندسی پرامپت همین چرخه‌ی امتحان و اصلاح است.
یک نکته هم درباره‌ی مدل‌های جدید: مدل‌های استدلالگر امروزی خودشان قدم‌به‌قدم فکر می‌کنند و لازم نیست هر بار «مرحله‌به‌مرحله فکر کن» را اضافه کنید. وقتتان را بگذارید روی توضیح هدف و معیار موفقیت.
اشتباه‌های رایج
شایع‌ترین اشتباه مبهم‌نویسی است؛ «یک چیز خوب بنویس» هیچ معیاری به مدل نمی‌دهد. اشتباه بعدی این است که چند درخواست نامرتبط را در یک پیام بریزید، که معمولاً هرکدام نصفه انجام می‌شود. ندادن زمینه هم همین‌طور است، چون مدل از شرایط شما خبر ندارد مگر بگویید.
مهم‌تر از همه، به خروجی بی‌چون‌وچرا اعتماد نکنید. آمار، نقل‌قول و منبع را حتماً خودتان چک کنید، چون مدل‌ها گاهی اطلاعات غلط را با اطمینان کامل می‌گویند. و اطلاعات شخصی، مالی یا محرمانه‌ی سازمان را وارد ابزارهای عمومی نکنید.
از پرامپت‌نویسی تا مهندسی زمینه
در یکی دو سال اخیر اصطلاح «مهندسی زمینه» (Context Engineering) پررنگ شده است. فرقش را می‌شود در یک جمله گفت: پرامپت‌نویسی می‌پرسد «این دستور را چطور بنویسم؟» و مهندسی زمینه می‌پرسد «مدل در این لحظه باید چه چیزهایی بداند؟»
مهندسی زمینه به کل چیزهایی می‌پردازد که مدل موقع جواب‌دادن جلوی چشم دارد: دستورها، تاریخچه‌ی گفت‌وگو، حافظه، اسناد و خروجی ابزارها. این موضوع مخصوصاً برای عامل‌های هوش مصنوعی مهم است، یعنی سیستم‌هایی که چند مرحله کار می‌کنند و از ابزار استفاده می‌کنند. بر اساس گزارش ۲۰۲۶ شرکت DataHub، بیشتر مدیران فناوری و داده معتقدند فقط پرامپت‌نویسی برای اجرای هوش مصنوعی در مقیاس سازمانی کافی نیست؛ البته این نظرسنجی را یک شرکت فعال در همین حوزه انجام داده و باید با همین احتیاط به آن نگاه کرد.
این دو با هم رقابت ندارند. پرامپت‌نویسی بخشی از مهندسی زمینه است. برای کارهای روزمره مثل نوشتن، خلاصه‌سازی و یادگیری، پرامپت‌نویسی اصولی کاملاً کافی است. وقتی ورودی هر بار عوض می‌شود، به اسناد بیرونی نیاز دارید یا گردش‌کار
چندمرحله‌ای می‌سازید، آن‌وقت وارد مهندسی زمینه می‌شوید.
کجاها به کار می‌آید؟
تقریباً همه‌جا. در تولید محتوا برای ایده‌پردازی و بازنویسی، در پژوهش برای مرور منابع و توضیح مفاهیم سخت، در برنامه‌نویسی برای نوشتن و رفع اشکال، در طراحی و تصویرسازی برای توصیف دقیق سبک و نور، در معماری برای ایده‌پردازی مفهومی، و در کسب‌وکار برای خلاصه‌سازی گزارش‌ها و خودکارسازی کارهای تکراری.
از کجا شروع کنیم؟
یادگیری این مهارت سریع‌تر از چیزی است که فکر می‌کنید، به شرط اینکه روی کار واقعی تمرین کنید. یک کار تکراری خودتان را انتخاب کنید، مثلاً نوشتن ایمیل یا خلاصه‌کردن مقاله، و با پرامپت حلش کنید. پرامپت‌هایی که جواب داده‌اند را ذخیره کنید. هر بار فقط یک چیز را عوض کنید تا بفهمید چه تغییری اثر داشته. و برای خودتان معیار بگذارید: درست بودن، کامل بودن، لحن و قالب.
اگر ترجیح می‌دهید مسیر را ساختارمند و با راهنمایی مدرس بروید، دوره‌ی پرامپت‌نویسی IRANICAI از پایه تا پیشرفته طراحی شده و پروژه‌ی عملی دارد. تمام دوره‌های هوش مصنوعی را هم می‌توانید ببینید و از صفحه‌ی پیش‌ثبت‌نام رزرو کنید.
سؤالات متداول
پرامپت‌نویسی چیست؟
مهارت طراحی ورودی برای مدل‌های هوش مصنوعی است، طوری که خروجی دقیق، مرتبط و قابل‌استفاده بگیرید.
مهندسی پرامپت با پرامپت‌نویسی فرق دارد؟
در عمل تقریباً یکی هستند. کلمه‌ی «مهندسی» فقط بر نظام‌مند بودن کار، یعنی امتحان، ارزیابی و بهبود مداوم، تأکید می‌کند.
برای یادگیری پرامپت‌نویسی باید برنامه‌نویسی بلد باشم؟
نه. برای استفاده‌ی روزمره فقط نوشتار روشن و فکر منظم لازم است. برنامه‌نویسی وقتی به کار می‌آید که بخواهید پرامپت را در نرم‌افزار یا گردش‌کار خودکار استفاده کنید.
با قوی‌ترشدن مدل‌ها، پرامپت‌نویسی بی‌فایده نمی‌شود؟
نه. مدل‌ها قوی‌تر شده‌اند، اما هنوز نمی‌دانند هدف و معیار موفقیت شما چیست. فقط تمرکز از ترفند کلمه‌ای به شفافیت و فراهم‌کردن زمینه‌ی درست رفته است.
جمع‌بندی
پرامپت‌نویسی یعنی روشن‌بودن: بدانید چه می‌خواهید، آن را با نقش، زمینه، قالب و محدودیت‌ها بیان کنید و خروجی را با دقت بسنجید و اصلاح کنید. این مهارت پایه‌ی کار با تمام ابزارهای هوش مصنوعی است و گام بعدی آن، یعنی مهندسی زمینه و ساخت عامل‌های هوشمند، هم بر همین پایه بنا می‌شود. از همین امروز یک کار واقعی انتخاب کنید و با اصولی که خواندید پرامپتش را بازنویسی کنید.
دوره مرتبط با این مقاله :
https://www.iranicai.org//course.php?slug=prompt-engineering
#پرامپت‌نویسی
#مهندسی پرامپت
#آموزش پرامپت‌نویسی
#پرامپت حرفه‌ای
#هوش مصنوعی مولد
#مهندسی زمینه
